ai-voice-cloning

用途

该技能用于通过 inference.sh CLI（belt）进行 AI 语音生成、文本转语音（TTS）与语音合成。它把多个语音模型统一到命令行调用方式，适合需要批量或脚本化生成语音的场景。

主要能力

多模型支持：Inworld TTS-2、Inworld TTS 1.5 Max、Inworld TTS 1.5 Mini、ElevenLabs TTS、ElevenLabs Voice Changer、Kokoro TTS、DIA、Chatterbox、Higgs、VibeVoice。
Inworld TTS-2：面向角色语音、游戏与富有表现力的语音，支持 100+ 语言、情感与非语言引导、表达模式（STABLE、BALANCED、CREATIVE），可用方括号内联标记控制情感与语气，如 [laugh]、[sigh]、[whisper]、[excited]、[sad]、[angry]、[pause]、[gasp]。内置 271+ 音色，覆盖 15 种语言，例如 Sarah、Alex、Ashley、Dennis、Hana、Blake、Luna、Clive 等。
低延迟模型：Inworld TTS 1.5 Mini 约 120ms，适合聊天机器人与游戏 NPC；Inworld TTS 1.5 Max 低于 200ms，支持 15 种语言。
ElevenLabs TTS：高质量，22+ 音色，32 种语言；ElevenLabs Voice Changer 可转换已有录音。
Kokoro TTS：提供美式与英式英语音色库，如 af_sarah、af_nicole、af_sky、am_michael、am_adam、am_echo、bf_emma、bf_isabella、bm_george、bm_lewis，并支持 speed 参数。
其他模型：DIA（对话、富有表现力）、Chatterbox（休闲、娱乐）、Higgs（专业旁白）、VibeVoice（情感范围）。

使用方式

需先安装 inference.sh CLI（belt），安装说明见官方文档。安装技能：

npx skills add belt-sh/cli

belt login

生成语音示例：

belt app run infsh/kokoro-tts --input '{
"prompt": "Hello! This is an AI-generated voice that sounds natural and engaging.",
"voice": "af_sarah"
}'

Inworld TTS-2 表达控制示例：

belt app run inworld/text-to-speech-2 --input '{
  "text": "[excited] Oh wow, you actually found the ancient artifact! [gasp] I cannot believe it... [whisper] We need to keep this between us.",
  "voice_id": "Sarah",
  "delivery_mode": "CREATIVE"
}'

低延迟示例：

belt app run inworld/text-to-speech-1-5-mini --input '{
  "text": "Welcome, traveler. What brings you to our village?",
  "voice_id": "Clive",
  "speaking_rate": 0.9
}'

多音色对话：分别生成两位说话人的音频，再用 media-merger 合并：

belt app run infsh/media-merger --input '{
  "audio_files": ["<speaker1-url>", "<speaker2-url>"],
  "crossfade_ms": 300
}'

长文本处理：超过 5000 字符时建议分块生成，再用 media-merger 合并。

语音与视频工作流：先生成配音，再与视频合并；或先生成语音，再用 bytedance/omnihuman-1-5 生成说话头像。

速度与节奏：speed 可取 0.8（慢速、有声书/冥想）、0.9（稍慢、教育/教程）、1.0（正常）、1.1（稍快、广告/活力）、1.2（快速、公告）。标点可控制节奏：句号全停顿、逗号短暂停顿、省略号延长停顿、感叹号强调、问号疑问语调、连字符快速中断。

适用场景

旁白、视频解说、广告、有声书、播客、电子学习课程旁白、无障碍屏幕阅读内容、IVR 电话系统消息、内容本地化（翻译并配音）。

限制与注意事项

需要 inference.sh CLI（belt）并登录后使用。
长文本建议分块处理以保证一致性。
不同模型支持的语言、音色数量与延迟不同，需按模型选择。
资料未提供具体收费、价格与平台支持信息。

技能介绍

用途

主要能力

使用方式

适用场景

限制与注意事项

相关技能