ElevenLabs 文本转语音(elevenlabs-tts)是一个通过 inference.sh CLI(belt)调用的技能,封装 ElevenLabs 的高级语音合成能力,提供 22 种以上语音和多语言支持。
【用途】 该技能用于将文本合成为高质量语音,适合配音、有声书、播客、在线课程、无障碍朗读、IVR 电话系统消息以及视频旁白等场景。
【主要能力】
- 语音库:提供 22 种以上语音,涵盖不同性别、口音与风格,如 aria(美式、对话)、alice(英式、自信)、george(英式、权威)、charlie(澳式、自然)等。
- 模型选择:eleven_multilingual_v2(最高质量,支持 32 种语言,延迟约 250ms)、eleven_turbo_v2_5(速度与质量平衡,延迟约 150ms)、eleven_flash_v2_5(超低延迟,约 75ms)。
- 语音调参:stability(0-1,越高越稳定,越低越有表现力)、similarity_boost(0-1,越高越接近原始音色)、style(0-1,越高风格夸张程度越大)、use_speaker_boost(true/false,增强说话人清晰度)。
- 输出格式:mp3_44100_128(默认)、mp3_44100_192、pcm_16000、pcm_22050、pcm_24000、pcm_44100。
- 多语言:支持 32 种语言,包括英语、西班牙语、法语、德语、意大利语、葡萄牙语、中文、日语、韩语、阿拉伯语、印地语、俄语等。
【使用方式】 需先安装 inference.sh CLI(belt),安装命令为 npx skills add belt-sh/cli。使用前执行 belt login 登录。基本调用示例如下: belt app run elevenlabs/tts --input '{"text": "Hello, welcome to our product demo.", "voice": "aria"}' 可通过 --input 传入 text、voice、model、stability、similarity_boost、style、output_format 等参数。
【适用场景】 产品演示与讲解视频、广告配音、有声书长文本朗读、播客 AI 主持、多语言在线课程、无障碍屏幕阅读内容、专业电话系统语音提示、纪录片与社交媒体视频旁白。还提供与视频生成(如 bytedance/omnihuman-1-5)组合的工作流示例,以及相关技能(多说话人对话、变声、音效、其他 TTS 模型等)的安装命令。
【限制】 资料未提供具体收费、价格、使用配额、语音版权或商用许可等信息,暂未提供。