ai-voice-cloning

用途

该技能用于通过 inference.sh CLI（belt）进行 AI 语音生成、文本转语音（TTS）与语音合成。它把多个语音模型统一到命令行调用方式，便于在脚本或工作流中生成自然语音。

主要能力

支持多种 TTS 模型，包括：
- Inworld TTS-2：100+ 语言，支持情绪与非语言引导、多种表达模式。
- Inworld TTS 1.5 Max：低延迟（<200ms），15 种语言。
- Inworld TTS 1.5 Mini：超低延迟（约 120ms），15 种语言，适合实时场景。
- ElevenLabs TTS：22+ 音色，32 种语言。
- ElevenLabs Voice Changer：转换已有录音。
- Kokoro TTS、DIA、Chatterbox、Higgs、VibeVoice 等。
Kokoro 提供多语言音色库，例如美式英语（af_sarah、af_nicole、af_sky、am_michael、am_adam、am_echo）与英式英语（bf_emma、bf_isabella、bm_george、bm_lewis），并标注性别与风格。
Inworld TTS 支持在文本中使用方括号进行情绪、非语言与表达控制，例如 [laugh]、[sigh]、[whisper]、[excited]、[sad]、[angry]、[pause]、[gasp]；提供 STABLE、BALANCED、CREATIVE 三种 delivery mode。
支持通过 speed 参数调整语速，并可用标点控制停顿与语调。
支持多说话人对话生成与音频合并（media-merger），以及语音与视频合并、生成 talking head 等组合工作流。

使用方式

需先安装 belt CLI 技能：

npx skills add belt-sh/cli

belt login

生成语音示例：

belt app run infsh/kokoro-tts --input '{
"prompt": "Hello! This is an AI-generated voice that sounds natural and engaging.",
"voice": "af_sarah"
}'

Inworld TTS-2 表达控制示例：

belt app run inworld/text-to-speech-2 --input '{
  "text": "[excited] Oh wow, you actually found the ancient artifact! [gasp] I cannot believe it... [whisper] We need to keep this between us.",
  "voice_id": "Sarah",
  "delivery_mode": "CREATIVE"
}'

低延迟实时示例：

belt app run inworld/text-to-speech-1-5-mini --input '{
  "text": "Welcome, traveler. What brings you to our village?",
  "voice_id": "Clive",
  "speaking_rate": 0.9
}'

多说话人对话可分别生成音频后使用 media-merger 合并：

belt app run infsh/media-merger --input '{
  "audio_files": ["<speaker1-url>", "<speaker2-url>"],
  "crossfade_ms": 300
}'

长文本（超过 5000 字符）建议分块生成后合并。语音与视频合并、生成 talking head 等流程也通过 belt app run 调用相应应用完成。

适用场景

视频配音、广告旁白
有声书整书朗读
播客 AI 主持与嘉宾
电子学习课程旁白
无障碍屏幕阅读内容
IVR 电话系统语音
内容本地化：翻译并配音

限制与注意事项

需安装并登录 inference.sh CLI（belt）后才能使用。
长文本需分块处理以保证一致性。
不同模型在语言数量、延迟、音色数量上存在差异，需按场景选择。
资料未提供各模型的收费、价格与配额信息，暂未提供。
资料未提供具体平台兼容性、输出音频格式与采样率等细节，暂未提供。

技能介绍

用途

主要能力

使用方式

适用场景

限制与注意事项