用途:该技能提供两类文本转语音任务。一是为视频制作旁白,按场景或镜头逐段生成音频,并输出语音轨、字幕和带精确起止时间的清单,供视频流水线使用;二是直接朗读文本,通过扬声器播放。
主要能力:
- 视频旁白渲染:编写 JSON 脚本,每段对应一个场景并复用视频场景 id,可设置 provider、voice、model、instructions、speed、pause 等顶层字段,也支持单段覆盖 voice、model、instructions、speed、pause。渲染后生成每段 wav 文件、合并音轨、srt 字幕和 manifest.json 清单,清单含每段时长、起止时间、文件路径和文本。
- 朗读输出:执行 tts "文本" 即通过扬声器播放并立即返回,播放继续在后台进行;新语音会打断当前语音,可用 -q 排队,tts stop 停止全部播放。
- 缓存与重试:再次渲染时,文本、语音、模型、风格和速度未变的段落会复用上次结果,仅重新渲染并计费变更段落;--force 可强制全部重渲染;部分段落失败时保留其他成功段落,重跑只重试失败项。
- 选项:render 支持 --format mp3|m4a、--no-combine、-p/-v/-i/-s 设置默认值、--jobs N 并行度;朗读支持 -p、-v、-i、-s、-w 等待播放结束、-o FILE [--json] 写入文件而非播放。
使用方式:首次运行会下载约 7 MB 二进制并校验 SHA-256。每个 tts 命令应作为独立 Bash 调用,不要用 ;、&& 或管道串联,以保持在技能预批准权限覆盖范围内。视频旁白流程为:编写脚本 → 运行 render 渲染 → 使用清单中的时长安排场景和放置音频 → 用 ffmpeg 混流。朗读流程为:直接传文本作为参数,或通过 stdin 传入长文本或含引号文本。
适用场景:产品、功能、演示视频的旁白制作;需要字幕和精确时间对齐的视频流水线;开发环境中的语音通知或简短朗读。
限制:system 和 kokoro 为本地免费,其他提供商将文本发送至对应公司并计入用户账户;付费提供商单条命令拒绝超过 20,000 个新字符(可用 --max-chars N 覆盖)。不应向云端提供商发送密钥、凭据或私有数据。openai、gemini、cartesia、deepgram 尚未针对实时 API 测试;仅 system、kokoro、elevenlabs 已测试。Kokoro 不可达时可按文档用 docker 启动。无音频设备(SSH、容器)时使用 render 或 -o。未设置 provider 且配置无默认值时,需询问用户选择提供商和语音。