Dialogue Audio 是一个多说话人对话音频创作技能，基于 Dia TTS 与 ElevenLabs，通过 inference.sh CLI（belt）运行，用于生成逼真的双人对话语音。
用途：制作对话式音频，例如播客、访谈、教程讲解、辩论讨论等需要两个说话人交替发言的场景。文档说明 Dia TTS 使用 [S1] 和 [S2] 区分两位说话人，每次生成最多支持 2 个说话人；每个说话人回合必须以标签开头，标签必须大写（[S1] 而非 [s1]），同一会话内每位说话人保持一致的语音。这些是资料给出的明确规则，未提供其他数量的说话人支持。
主要能力与使用方式：
-
安装：npx skills add belt-sh/cli。需先安装 inference.sh CLI（belt），文档中标注“Install instructions”。随后执行 belt login 登录。
-
基本调用：belt app run falai/dia-tts --input '{"prompt": "..."}'，prompt 中按说话人标签书写对话。示例： [S1] Have you tried the new feature yet? [S2] Not yet, but I heard it saves a ton of time. [S1] It really does. I cut my workflow in half. [S2] Okay, I am definitely trying it today.
-
情绪与表达控制：Dia TTS 会解释标点与非语言提示。标点效果包括：句号（中性、陈述、中等停顿）、感叹号（强调、兴奋、能量）、问号（升调、疑问）、省略号（犹豫、渐弱、长停顿）、逗号（短呼吸停顿）、破折号 — 或 --（打断或转向）。非语言声音支持括号描述：(laughs) 笑声、(sighs) 叹息、(clears throat) 清嗓、(whispers) 低语、(gasps) 惊讶。文档提供了兴奋、严肃/沉思、教学/解释等示例。
-
节奏控制：停顿层级中，逗号约 0.3 秒（分句、列表项之间），句号约 0.5 秒（句子之间），省略号约 1.0 秒（戏剧性停顿、思考、犹豫），新说话人标签约 0.3 秒（自然回合间隙）。速度方面：短句显得更快，长句加逗号显得从容、深思，问句接答句形成互动节奏；并给出快节奏与慢节奏示例。
-
对话结构模式：文档提供访谈形式、教程/讲解、辩论/讨论三类示例 prompt。
-
后期处理：音量归一化可用 belt app run infsh/video-audio-merger --input '{"video": "talking-head.mp4", "audio": "dialogue.mp3", "audio_volume": 1.0}'；添加背景/音乐可用 belt app run infsh/media-merger --input '{"media": ["dialogue.mp3", "background-music.mp3"]}'；长对话可分段生成后在合并，示例为 segment1.mp3、segment2.mp3、segment3.mp3 合并。
适用场景：播客、访谈、教程讲解、辩论讨论等多说话人对话音频制作。
限制与注意事项：每次生成最多 2 个说话人；标签必须大写且每个回合以标签开头；文档建议超过约 30 秒的对话分段生成。常见错误包括：独白超过 3 句会像讲座、缺少情绪变化会平淡机械、缺少说话人标签导致声音不交替、使用正式书面语不自然、主题之间没有停顿显得仓促、能量水平单一显得单调。写作建议包括：按口语书写、短句（少于 15 词）、使用缩写与自然填充词、变化句子长度、加入反应词、生成前朗读检查。相关技能包括 ElevenLabs 对话（22+ 声音、声音指导）、text-to-speech、ai-podcast-creation、ai-avatar-video。官方文档未提供具体的收费、价格与平台限制信息，暂未提供。