text-to-speech

用途

该技能用于将文本转换为自然语音，通过 inference.sh CLI（belt）调用多种文本转语音（TTS）模型。它适合需要为内容生成语音的场景，例如产品演示配音、解说视频、有声书、播客、无障碍内容、电话系统语音提示、视频旁白、游戏 NPC 角色语音以及对话式 AI 的语音回复。

主要能力

技能提供多个可选模型，每个模型有不同定位：

Inworld TTS-2（App ID：inworld/text-to-speech-2）：支持 100 多种语言，可通过 [方括号] 在文本中内联控制情绪、音量、语速和非语言声音，支持交付模式。
Inworld TTS 1.5 Max（inworld/text-to-speech-1-5-max）：低延迟（<200ms），支持 15 种语言。
Inworld TTS 1.5 Mini（inworld/text-to-speech-1-5-mini）：超低延迟（约 120ms），支持 15 种语言，适合对话式 AI。
ElevenLabs TTS（elevenlabs/tts）：高质量，22+ 种声音，32 种语言。
DIA TTS（infsh/dia-tts）：对话式、富有表现力。
Kokoro TTS（infsh/kokoro-tts）：快速、自然。
Chatterbox（infsh/chatterbox）：通用。
Higgs Audio（infsh/higgs-audio）：情绪控制。
VibeVoice（infsh/vibevoice）：播客、长音频。

Inworld TTS-2 内置 271+ 种声音，覆盖 15 种语言，包括 Sarah、Alex、Ashley、Dennis、Hana、Blake、Luna、Clive 等，可在 Inworld TTS Playground 浏览，或通过 GET https://api.inworld.ai/voices/v1/voices 以编程方式列出。

使用方式

首先安装 belt CLI 技能：

npx skills add belt-sh/cli

需要 inference.sh CLI（belt），并登录：

belt login

基础文本转语音示例：

belt app run infsh/kokoro-tts --input '{"text": "Welcome to our tutorial."}'

Inworld TTS-2 情绪控制示例：

belt app run inworld/text-to-speech-2 --input '{ "text": "I have some [exciting] news to share with you! [pause] We just hit one million users. [laugh]", "voice_id": "Sarah", "delivery_mode": "CREATIVE" }'

交付模式包括：STABLE（一致）、BALANCED（自然，默认）、CREATIVE（富有表现力）。

Inworld TTS 1.5 低延迟示例：

belt app run inworld/text-to-speech-1-5-max --input '{ "text": "Welcome back! How can I help you today?", "voice_id": "Ashley" }'

belt app run inworld/text-to-speech-1-5-mini --input '{ "text": "Sure, let me look that up for you.", "voice_id": "Dennis" }'

DIA 对话式 TTS 示例：

belt app sample infsh/dia-tts --save input.json

编辑 input.json：

{ "text": "Hey! How are you doing today? I'm really excited to share this with you.", "voice": "conversational" }

belt app run infsh/dia-tts --input input.json

长音频（播客）示例：

belt app sample infsh/vibevoice --save input.json

编辑 input.json 填入播客脚本后运行：

belt app run infsh/vibevoice --input input.json

Higgs 表现力语音示例：

belt app sample infsh/higgs-audio --save input.json

{ "text": "This is absolutely incredible!", "emotion": "excited" }

belt app run infsh/higgs-audio --input input.json

浏览所有音频应用：

belt app list --category audio

与视频组合

制作说话头像视频最简单的方式是使用 P-Video-Avatar，它内置 TTS，无需单独的音频步骤：

belt app run pruna/p-video-avatar --input '{ "image": "https://portrait.jpg", "voice_script": "Your script here", "voice": "Zephyr (Female)" }'

对于没有内置 TTS 的模型（OmniHuman、PixVerse），需先生成语音：

belt app run inworld/text-to-speech-2 --input '{ "text": "[friendly] Your script here. [excited] This is the best part!", "voice_id": "Sarah", "delivery_mode": "CREATIVE" }' > speech.json

belt app run bytedance/omnihuman-1-5 --input '{ "image_url": "https://portrait.jpg", "audio_url": "<audio-url-from-step-1>" }'

适用场景

配音：产品演示、解说视频
有声书：将文本转换为语音
播客：生成播客剧集
无障碍：让内容更易获取
IVR：电话系统语音提示
视频旁白：为视频添加旁白
游戏 / NPC：带情绪控制的角色语音（Inworld TTS-2）
对话式 AI：超低延迟响应（Inworld TTS 1.5 Mini）
头像 / UGC 视频：为说话头像生成语音

限制

使用前需要安装 inference.sh CLI（belt）并登录。不同模型支持的语言数量、声音数量、延迟和情绪控制能力不同，具体以各模型说明为准。部分模型需要先通过 belt app sample 生成输入模板再编辑运行。与视频模型组合时，无内置 TTS 的模型需先生成语音并传入音频 URL。资料未提供各模型的收费、价格或额度信息。

技能介绍

用途

主要能力

使用方式

与视频组合

相关技能

适用场景

限制