SuperAPI AI 工具集

audio-generation

通用与其它

查看项目

更新于 10-16 09:58

技能介绍

用途:将任何文本转为语音,支持单人朗读、多人播客对话,以及把文章或长文档转为旁白音频。若需求不明确,应先询问用户是单人朗读、多人对话还是既有内容的旁白。

选择路径:选 TTS 引擎时参考 references/backends.md 比较后端;通用文本转语音参考 references/text-to-audio.md;多角色播客见 references/podcast.md 与 references/podcast-principles.md;长文朗读见 references/long-reads.md 与 references/long-read-principles.md;音频拼接、规范化、淡入淡出与格式转换见 references/ffmpeg-audio.md;选择音色见 references/voices.md。

主要能力与规则:TTS 后端可插拔,可选云端(edge-tts)或本地 CPU(Kokoro、Piper、MeloTTS、Pocket TTS),需依据用户硬件、离线需求和声音克隆要求选择。ffmpeg 用于后处理,包括拼接、裁剪、格式转换、淡入淡出、混音与响度规范化;必要时可用 pydub(pip install pydub)做 Python 级控制。每次最终交付都应用 ffmpeg -af loudnorm 规范化响度。默认输出 MP3、24kHz 单声道;仅当需要无损或后端原生输出 WAV 时用 WAV。长文本按段落边界分块,不可在句子中间切分,块大小取决于后端。文件命名应具描述性,如 podcast-episode-1.mp3。

依赖:需要一个 TTS 后端与系统安装的 ffmpeg;可选 pydub(pip install pydub)与 markitdown(pip install markitdown)。具体后端对比、决策流程与各场景细节见上述参考文档,资料未提供更进一步的实现示例。