本技能用于通过 inference.sh CLI(命令为 belt)将文本转换为自然语音,提供多种 TTS 模型选择。
【用途】
- 将文本合成为自然语音,涵盖配音、有声书、播客、无障碍内容、IVR 语音提示、视频旁白、游戏 NPC 配音、对话式 AI 以及数字人/口播视频等场景。
- 可与视频生成模型结合:P-Video-Avatar 内置 TTS,可直接输入图片与 voice_script;对于没有内置 TTS 的模型(如 OmniHuman、PixVerse),先生成语音,再将音频 URL 传入视频模型。
【可用模型】
- Inworld TTS-2(App ID:inworld/text-to-speech-2):支持 100 多种语言,可用 [方括号] 进行情绪引导,支持 delivery modes(表达模式)。
- Inworld TTS 1.5 Max(inworld/text-to-speech-1-5-max):低延迟(<200ms),支持 15 种语言。
- Inworld TTS 1.5 Mini(inworld/text-to-speech-1-5-mini):超低延迟(约 120ms),支持 15 种语言。
- ElevenLabs TTS(elevenlabs/tts):高质量,22+ 种声音,32 种语言。
- DIA TTS(infsh/dia-tts):对话式、富有表现力。
- Kokoro TTS(infsh/kokoro-tts):快速、自然。
- Chatterbox(infsh/chatterbox):通用。
- Higgs Audio(infsh/higgs-audio):情绪控制。
- VibeVoice(infsh/vibevoice):播客、长篇内容。
【使用方式】 需先安装 belt CLI 技能:npx skills add belt-sh/cli。随后执行 belt login 登录。生成语音示例: belt app run infsh/kokoro-tts --input '{"text": "Hello, welcome to our product demo."}'
Inworld TTS-2 情绪引导示例: belt app run inworld/text-to-speech-2 --input '{ "text": "I have some [exciting] news to share with you! [pause] We just hit one million users. [laugh]", "voice_id": "Sarah", "delivery_mode": "CREATIVE" }' 表达模式包括:STABLE(一致)、BALANCED(自然,默认)、CREATIVE(富有表现力)。Inworld TTS-2 内置 271+ 种声音,覆盖 15 种语言,示例声音有 Sarah、Alex、Ashley、Dennis、Hana、Blake、Luna、Clive 等;可通过 Inworld TTS Playground 或 GET https://api.inworld.ai/voices/v1/voices 以编程方式列出全部声音。
低延迟示例: belt app run inworld/text-to-speech-1-5-max --input '{ "text": "Welcome back! How can I help you today?", "voice_id": "Ashley" }' belt app run inworld/text-to-speech-1-5-mini --input '{ "text": "Sure, let me look that up for you.", "voice_id": "Dennis" }'
DIA 对话式 TTS: belt app sample infsh/dia-tts --save input.json,编辑 input.json 后通过 belt app run infsh/dia-tts --input input.json 运行。
长篇音频(播客): belt app sample infsh/vibevoice --save input.json,编辑后运行 belt app run infsh/vibevoice --input input.json。
Higgs 表现力语音: belt app sample infsh/higgs-audio --save input.json,编辑后运行 belt app run infsh/higgs-audio --input input.json。
与视频结合示例: belt app run pruna/p-video-avatar --input '{ "image": "https://portrait.jpg", "voice_script": "Your script here", "voice": "Zephyr (Female)" }' 对于无内置 TTS 的模型,先用 Inworld TTS-2 生成语音,再用音频 URL 调用 OmniHuman: belt app run bytedance/omnihuman-1-5 --input '{ "image_url": "https://portrait.jpg", "audio_url": "<audio-url-from-step-1>" }'
浏览分类应用:belt app list --category audio;浏览全部应用:belt app list。
【相关技能】 ElevenLabs TTS:npx skills add inference-sh/skills@elevenlabs-tts ElevenLabs 对话(多说话人):npx skills add inference-sh/skills@elevenlabs-dialogue 完整平台技能:npx skills add inference-sh/skills@infsh-cli AI 数字人视频:npx skills add inference-sh/skills@ai-avatar-video AI 音乐生成:npx skills add inference-sh/skills@ai-music-generation 语音转文字(转录):npx skills add inference-sh/skills@speech-to-text AI 视频生成:npx skills add inference-sh/skills@ai-video-generation
【限制】 资料中未提供各模型的具体收费、价格、配额或服务条款信息。