用途:通过 inference.sh CLI(belt)调用多种 AI 语音模型,完成文本转语音、语音合成、语音变换,以及为视频配音等任务。
主要能力与模型:可用模型包括 Inworld TTS-2(100+ 语言,支持情绪与非言语控制、delivery mode)、Inworld TTS 1.5 Max(低延迟,15 语言)、Inworld TTS 1.5 Mini(约 120ms,实时对话)、ElevenLabs TTS(22+ 声音,32 语言)、ElevenLabs Voice Changer(变换已有录音)、Kokoro TTS、DIA、Chatterbox、Higgs、VibeVoice。Kokoro 提供美式与英式发音的多个声音 ID(如 af_sarah、am_michael、bf_emma、bm_george)。Inworld TTS-2 可用方括号标记控制情绪与语气,如 [excited]、[whisper]、[laugh]、[pause],并提供 STABLE、BALANCED、CREATIVE 三种 delivery mode。
使用方式:先安装并登录 CLI(npx skills add belt-sh/cli;belt login),再以 belt app run <app-id> --input '{...}' 调用。例如生成语音:belt app run infsh/kokoro-tts --input '{"prompt": "...", "voice": "af_sarah"}'。可调整 speed 控制语速,用标点控制停顿。长文本建议分块生成后用 infsh/media-merger 合并;多说话人对话可分别生成再合并。也可与视频合并,或结合 bytedance/omnihuman-1-5 生成说话头像。可用 belt app list --category audio 浏览音频应用。
适用场景:视频旁白、有声书、播客、在线课程、无障碍朗读、电话语音系统、内容本地化等。
限制:需先登录 inference.sh 账户并安装 belt CLI;长文本需自行分块处理;各模型语言与声音数量、延迟等以资料所列为准;其余价格、配额等信息暂未提供。