用途：通过 inference.sh CLI（belt）把文本合成为自然语音，覆盖配音、有声书、播客、无障碍、IVR、视频旁白、游戏 NPC 与对话式 AI 等场景。
主要能力与模型：Inworld TTS-2 支持 100+ 语言、用 [方括号] 做情感/音量/语速/非语言提示，并有 STABLE、BALANCED、CREATIVE 三种 delivery mode；Inworld TTS 1.5 Max 低延迟（<200ms）、15 种语言；1.5 Mini 超低延迟（约 120ms）；ElevenLabs TTS 主打高质量、22+ 音色、32 种语言；DIA TTS 偏对话与表现力；Kokoro 快速自然；Chatterbox 通用；Higgs Audio 情感控制；VibeVoice 适合播客与长音频。内置音色 271+，覆盖 15 种语言，如 Sarah、Alex、Ashley、Dennis、Hana、Blake、Luna、Clive 等，可在 Inworld TTS Playground 浏览，或用 GET https://api.inworld.ai/voices/v1/voices 列出。
使用方式：先安装技能 npx skills add belt-sh/cli，再执行 belt login。基本调用为 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，用 belt app sample <app> --save input.json 生成输入模板后编辑再运行。与视频结合时，可用 pruna/p-video-avatar 内置 TTS 直接生成说话头像；对 OmniHuman、PixVerse 等无内置 TTS 的模型，先用 TTS 生成音频，再把音频 URL 传给视频模型。
限制：需先安装并登录 inference.sh CLI；各模型的语言、音色、延迟与表现力不同，具体可用参数以对应应用为准；资料未提供收费、价格与配额信息。