dialogue-audio

用途

dialogue-audio 用于创建逼真的多说话人对话音频，基于 Dia TTS，通过 inference.sh 命令行工具（belt CLI）调用生成。适合需要双人对话语音的内容场景，例如播客、访谈、教程讲解和讨论类音频。

主要能力

说话人标签

Dia TTS 使用 [S1] 和 [S2] 区分两位说话人：

标签必须大写，使用 [S1] 而非 [s1]
每轮发言人必须以标签开头
单次生成最多支持 2 位说话人
同一会话内每位说话人音色保持一致
支持的最大说话人数、可用音色列表等暂未提供

情感与表达控制

通过标点符号控制表达：

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、拖尾、长停顿
逗号 ,：短暂换气停顿
破折号 — 或 --：打断或转折

支持非语音提示（括号描述）：

(laughs) 笑声
(sighs) 无奈或释然
(clears throat) 引起注意的停顿
(whispers) 更柔和的语气
(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，用于自然的轮流发言间隔

语速影响方式：短句感觉更快；带逗号的长句显得从容、深思；问句接回答形成互动节奏。

对话结构模式

文档给出了访谈、教程/讲解、辩论/讨论三类示例结构，均以 [S1]/[S2] 交替的 prompt 形式呈现。

后期处理

音量归一化：通过 infsh/video-audio-merger 合并，audio_volume 控制音量
添加背景/音乐：通过 infsh/media-merger 合并对话与背景音乐
长对话分段：超过约 30 秒的对话按片段生成，再用 infsh/media-merger 合并

脚本写作建议

应当如何写：按人说话的方式写、短句（少于 15 词）、使用缩写（can't、won't）、自然填充词（So、Well）、变化句长、加入反应（Exactly!、Hmm.）、生成前朗读一遍。应避免：按书面语写、长学术句、正式表达（cannot、will not）、每句都完美成形、句长一致、单向独白、直接假设听起来没问题。

常见错误

独白超过 3 句：听起来像讲课而非对话，应拆成来回交流
无情感变化：平淡机械，应使用标点和非语音提示
缺少说话人标签：声音不会交替，应以 [S1] 或 [S2] 开头
正式书面语：听起来不自然，应使用缩写和短句
话题之间无停顿：显得仓促，应使用省略号或场景切换
能量一致：单调，应在高/低能量之间变化

使用方式

先安装 belt CLI 技能：

npx skills add belt-sh/cli

belt login

两人对话生成示例：

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."
}'

带情感表达的示例：

belt app run falai/dia-tts --input '{
  "prompt": "[S1] Guess what happened today! [S2] What? Tell me! [S1] We hit ten thousand users! [S2] (gasps) No way! That is incredible! [S1] I know... I still cannot believe it."
}'

后期合并示例：

belt app run infsh/video-audio-merger --input '{
  "video": "talking-head.mp4",
  "audio": "dialogue.mp3",
  "audio_volume": 1.0
}'

限制

关于支持语言、生成音频格式、生成时长上限、调用配额与费用、Dia TTS 与 ElevenLabs 的具体差异等，资料暂未提供。

技能介绍

用途