用途：这是一个通过 inference.sh 命令行工具（belt）调用多种文本转语音（TTS）模型的技能，把文字合成为自然语音，常用于配音、有声书、播客、无障碍朗读、电话语音提示、视频旁白与对话式 AI。
安装与准备：先安装 CLI 技能 npx skills add belt-sh/cli，然后执行 belt login 登录。
主要能力与模型：
- Inworld TTS-2（inworld/text-to-speech-2）：100+ 语言，可用 [方括号] 内联控制情绪、音量、语速与停顿等，支持 STABLE、BALANCED（默认）、CREATIVE 三种交付模式，内置语音 271+。
- Inworld TTS 1.5 Max / Mini：低延迟（<200ms）与超低延迟（约 120ms），各支持 15 种语言，适合实时对话。
- ElevenLabs TTS（elevenlabs/tts）：22+ 声音、32 语言。
- DIA TTS（infsh/dia-tts）：对话式、富有表现力。
- Kokoro TTS（infsh/kokoro-tts）：快速自然。
- Chatterbox（infsh/chatterbox）：通用。
- Higgs Audio（infsh/higgs-audio）：情绪控制。
- VibeVoice（infsh/vibevoice）：播客、长篇内容。
基本用法：用 belt app run <app-id> --input '<JSON>' 运行；也可用 belt app sample <app-id> --save input.json 生成输入样例后编辑再运行。示例：belt app run infsh/kokoro-tts --input '{"text": "Hello, welcome to our product demo."}'。可用 belt app list --category audio 浏览音频应用。
与视频结合：可用 pruna/p-video-avatar 内置 TTS 直接生成说话头像视频；对 OmniHuman、PixVerse 等无内置 TTS 的模型，先用 Inworld TTS-2 生成语音，再把音频 URL 传给视频模型。
限制：需安装并登录 inference.sh CLI；各模型语言、声音与延迟特性不同；资料未提供具体收费与价格信息。