用途：该技能通过 inference.sh CLI（命令为 infsh）调用多种 AI 语音模型，实现 AI 语音生成、文本转语音（TTS）与语音合成，可用于视频配音、有声书、播客、在线课程、无障碍朗读、IVR 以及内容本地化等场景。
主要能力：支持多个模型。ElevenLabs TTS（app ID：elevenlabs/tts）适合高质量场景，官方资料称提供 22+ 高级音色、32 种语言；ElevenLabs Voice Changer（elevenlabs/voice-changer）用于转换已有录音；Kokoro TTS（infsh/kokoro-tts）提供自然的多音色；DIA（infsh/dia-tts）偏对话与表现力；Chatterbox（infsh/chatterbox）偏休闲娱乐；Higgs（infsh/higgs-tts）适合专业旁白；VibeVoice（infsh/vibevoice）侧重情感变化。Kokoro 音色库含美式与英式英语，如 af_sarah、af_nicole、af_sky、am_michael、am_adam、am_echo、bf_emma、bf_isabella、bm_george、bm_lewis，并标注性别与风格。
使用方式：先安装 inference.sh CLI（infsh）并执行 infsh login。基础调用为 infsh app run infsh/kokoro-tts --input '{...}'，参数可包含 prompt（或 text）、voice、speed 等。示例：infsh app run infsh/kokoro-tts --input '{"prompt": "Hello! This is an AI-generated voice that sounds natural and engaging.", "voice": "af_sarah"}'。多说话人对话可分别生成后，用 infsh app run infsh/media-merger 合并，并设置 crossfade_ms。配音到视频可用 media-merger 传入 video_url 与 audio_url；生成口播头像可再用 bytedance/omnihuman-1-5，传入 image_url 与 audio_url。
节奏控制：speed 可取 0.8（慢、沉稳，适合有声书、冥想）、0.9（略慢，适合教学）、1.0（正常）、1.1（略快，适合广告）、1.2（快，适合简短通知）。标点也影响节奏：句号全停顿、逗号短停、省略号延长停顿、感叹号强调、问号疑问语调、连字符短促断开。
限制与建议：资料建议内容超过 5000 字符时分块处理再合并，以保持一致性；句子宜短，同一文本在不同音色下效果不同，建议试听并适度放慢速度。除上述模型、音色、参数与命令外，收费、价格、平台支持范围等未提供。