用途
该技能用于通过 inference.sh CLI(belt)进行 AI 语音生成、文本转语音(TTS)与语音合成。它把多个语音模型统一到命令行调用方式,适合需要批量或脚本化生成语音的场景。
主要能力
- 支持多种 TTS 模型,包括:
- Inworld TTS-2:100+ 语言,支持情感与非语言引导、多种表达模式。
- Inworld TTS 1.5 Max:低延迟(<200ms),15 种语言。
- Inworld TTS 1.5 Mini:超低延迟(约 120ms),15 种语言,适合实时场景。
- ElevenLabs TTS:高质量,22+ 音色,32 种语言。
- ElevenLabs Voice Changer:转换已有录音的音色。
- Kokoro TTS:自然、多音色。
- DIA:对话式、富有表现力。
- Chatterbox:休闲、娱乐风格。
- Higgs:专业旁白。
- VibeVoice:情感范围广。
- Kokoro 提供美式与英式英语音色库,含性别与风格标注(如 af_sarah 温暖友好、am_michael 权威等)。
- Inworld TTS-2 支持在文本中用方括号内联控制情感、非语言与表达方式,例如 [laugh]、[sigh]、[whisper]、[excited]、[sad]、[angry]、[pause]、[gasp];并提供 STABLE、BALANCED、CREATIVE 三种表达模式。
- 支持通过 speed 参数调整语速,并可用标点控制停顿与语调。
- 可与媒体合并工具(infsh/media-merger)组合,实现多说话人对话拼接、长文本分块合并、为视频添加配音。
- 可与数字人动画模型(如 bytedance/omnihuman-1-5)组合,生成说话头像视频。
使用方式
需先安装并登录 inference.sh CLI(belt):
npx skills add belt-sh/cli
belt login
生成语音示例:
belt app run infsh/kokoro-tts --input '{
"prompt": "Hello! This is an AI-generated voice that sounds natural and engaging.",
"voice": "af_sarah"
}'
Inworld TTS-2 带情感引导示例:
belt app run inworld/text-to-speech-2 --input '{
"text": "[excited] Oh wow, you actually found the ancient artifact! [gasp] I cannot believe it... [whisper] We need to keep this between us.",
"voice_id": "Sarah",
"delivery_mode": "CREATIVE"
}'
低延迟实时示例:
belt app run inworld/text-to-speech-1-5-mini --input '{
"text": "Welcome, traveler. What brings you to our village?",
"voice_id": "Clive",
"speaking_rate": 0.9
}'
长文本建议按 5000 字符分块处理,再用 media-merger 合并。
适用场景
- 视频配音、广告旁白
- 有声书整本朗读
- 播客 AI 主持与嘉宾
- 电子学习课程旁白
- 无障碍屏幕阅读内容
- IVR 电话系统语音
- 内容本地化:翻译后配音
限制
资料未提供各模型的具体收费、价格、配额、平台兼容性或效果保证。长文本需自行分块处理;实时低延迟能力仅针对特定模型(Inworld TTS 1.5 Mini/Max)。其他未在资料中说明的限制暂未提供。