用途：通过 inference.sh 命令行工具（belt）生成 AI 语音，覆盖文本转语音（TTS）与语音合成，可用于配音、有声书、播客、电子学习、无障碍朗读、IVR 及内容本地化等场景。安装技能：npx skills add belt-sh/cli；使用前先运行 belt login 登录。
主要能力与模型：提供多个可调用模型，包括 Inworld TTS-2（100+ 语言、情感与非语言提示控制、多种演绎模式）、Inworld TTS 1.5 Max（低延迟，约 <200ms，15 种语言）、Inworld TTS 1.5 Mini（超低延迟，约 120ms，实时对话）、ElevenLabs TTS（22+ 声音、32 种语言）、ElevenLabs Voice Changer（转换已有录音）、Kokoro TTS、DIA、Chatterbox、Higgs、VibeVoice 等。Inworld TTS-2 支持在文本中用 [方括号] 控制情感与非语言表达（如 [laugh]、[whisper]、[excited]、[pause]），并提供 STABLE、BALANCED、CREATIVE 三种演绎模式；Kokoro 提供按语言与风格分类的声音库（如 af_sarah、bm_george）。
使用方式：基本命令为 belt app run <模型 App ID> --input '{...JSON...}'。例如 Kokoro：belt app run infsh/kokoro-tts --input '{"prompt": "...", "voice": "af_sarah"}'；Inworld TTS-2：belt app run inworld/text-to-speech-2 --input '{"text": "...", "voice_id": "Sarah", "delivery_mode": "CREATIVE"}'。可通过 speed 参数调整语速（如 0.8 至 1.2），并用标点控制停顿与语调。多说话人对话可分别生成后，用 belt app run infsh/media-merger 合并，支持 crossfade_ms。长文本超过 5000 字符建议分块生成再合并。也可将语音与视频合并或结合数字人模型生成口播视频。
限制：资料未提供具体计费、价格、配额与各模型准确性能数据，均暂未提供；使用前需要 inference.sh 账号与登录；长文本需自行分块处理以保持一致性。