用途：在 inference.sh 命令行工具（infsh）中调用多家语音合成模型，把文本转为自然语音，或改变已有录音音色，可用于旁白、有声书、播客、课件、无障碍朗读、IVR 与内容本地化语音。
主要能力：ElevenLabs TTS 提供 22 种以上音色、32 种语言的高质量合成；ElevenLabs Voice Changer 可转换现有录音；Kokoro TTS 提供多种自然音色，含英式与美式语音库（如 af_sarah、am_michael、bf_emma）；DIA 偏对话与表现力，Chatterbox 偏轻松娱乐，Higgs 偏专业旁白，VibeVoice 偏情绪范围。速度参数支持 0.8、0.9、1.0、1.1、1.2 等档位，标点可控制停顿与语气。
使用方式：需先安装 inference.sh CLI 并执行 infsh login。基本调用为 infsh app run <app-id> --input '{...}'，例如 infsh app run infsh/kokoro-tts --input '{"prompt":"...","voice":"af_sarah"}'。多说话人场景可分别生成后用 infsh app run infsh/media-merger --input '{...}' 合并并设置 crossfade_ms；超过约 5000 字符建议分块生成再合并。可先生成语音，再用 media-merger 合并进视频，或配合 bytedance/omnihuman-1-5 生成数字人讲话视频。相关技能可通过 npx skills add 安装，音频应用可浏览 infsh app list --category audio。
适用场景：视频配音、广告、有声书、播客、在线课程、屏幕阅读内容、电话系统提示与多语言内容语音化。
限制：需要 CLI 与登录账号；各模型的音色、语言、计费与可用性取决于对应服务，本资料未提供价格与配额信息；长文本需自行分块；不同模型输入参数（prompt/text、voice、speed）不完全一致；标点与速度控制的效果为经验性说明，实际表现以运行结果为准。