dialogue-audio

用途

Dialogue Audio 是一个用于创建多说话人对话音频的技能，基于 Dia TTS 模型，通过 inference.sh CLI（belt）调用。它面向需要生成自然双人对话语音的场景，例如播客、访谈、教程讲解和讨论类内容。

主要能力

说话人标签

Dia TTS 使用 [S1] 和 [S2] 区分两个说话人：

[S1]：说话人 1，自动分配声音 A
[S2]：说话人 2，自动分配声音 B

规则：每轮发言必须以标签开头；标签必须大写（[S1] 而非 [s1]）；每次生成最多 2 个说话人；同一会话内每个说话人声音保持一致。

情绪与表达控制

Dia TTS 通过标点符号和非语音提示来传达情绪：

标点效果：

句号 .：中性、陈述、中等停顿
感叹号 !：强调、兴奋、能量
问号 ?：升调、疑问
省略号 ...：犹豫、渐弱、长停顿
逗号 ,：短暂换气停顿
破折号 — 或 --：打断或转折

非语音声音（括号描述）：

(laughs)：笑声
(sighs)：无奈或释然
(clears throat)：引起注意的停顿
(whispers)：更轻柔的表达
(gasps)：惊讶

节奏控制

停顿层级：

逗号：约 0.3 秒，用于分句、列表项之间
句号：约 0.5 秒，用于句子之间
省略号：约 1.0 秒，用于戏剧性停顿、思考、犹豫
新说话人标签：约 0.3 秒，自然的轮次间隔

速度控制：短句 = 更快的感知节奏；带逗号的长句 = 从容、深思的节奏；问句后接回答 = 有来有回的互动节奏。

对话结构模式

技能提供了访谈格式、教程/讲解、辩论/讨论等结构示例，均以 belt app run falai/dia-tts 命令形式给出。

后期处理

音量归一化：使用 infsh/video-audio-merger 合并视频与音频，通过 audio_volume 参数平衡音量
添加背景/音乐：使用 infsh/media-merger 合并对话与背景音乐
长对话分段：超过约 30 秒的对话建议分段生成，再用 infsh/media-merger 合并所有片段

脚本写作建议

应做：按人们说话的方式写、短句（少于 15 词）、使用缩略形式（can't、won't）、自然填充词（So、Well）、变化句子长度、加入反应（Exactly!、Hmm.）、生成前先朗读。

不应做：按书面方式写、长学术句、正式表达（cannot、will not）、每句都完美成形、所有句子等长、单方面独白、假设听起来没问题。

常见错误

独白超过 3 句：听起来像讲座而非对话，应拆成交流
无情绪变化：平淡、机械，应使用标点和非语音提示
缺少说话人标签：声音不交替，每轮应以 [S1] 或 [S2] 开头
正式书面语言：听起来不自然，应使用缩略形式和短句
话题间无停顿：感觉仓促，应使用 ... 或场景分隔
所有能量级别相同：单调，应在高/低能量时刻之间变化

使用方式

需先安装 inference.sh CLI（belt），安装说明见官方文档。

安装 belt CLI 技能：npx skills add belt-sh/cli

双人对话示例： belt app run falai/dia-tts --input '{ "prompt": "[S1] Have you tried the new feature yet? [S2] Not yet, but I heard it saves a ton of time. [S1] It really does. I cut my workflow in half. [S2] Okay, I am definitely trying it today." }'

适用场景

播客、访谈、教程讲解、辩论讨论等双人对话音频内容。

限制

每次生成最多 2 个说话人；长对话（超过约 30 秒）建议分段生成后合并。

技能介绍

用途