tts-voice-synthesis
This skill converts text into high-quality speech with voice cloning, emotional adaptation, and streaming capabilities. Use it when synthesizing speech from text, replicating specific speaker voices from audio samples, generating emotionally-matched voiceovers, or processing long-form content in real-time across multiple languages and dialects. It offers two model options: a 1.7B parameter model for superior audio quality and a 0.6B model optimized for speed.
git clone --depth 1 https://github.com/anbeime/skill /tmp/tts-voice-synthesis && cp -r /tmp/tts-voice-synthesis/skills/tts-voice-synthesis ~/.claude/skills/tts-voice-synthesisSKILL.md
# TTS 语音合成服务
## 任务目标
- 本 Skill 用于：将文本转换为高质量语音，支持音色克隆、情感适配、流式生成和多语言支持
- 能力包含：
- 角色音色自动采集与克隆（从参考音频提取音色特征）
- 拟人化语义适配配音（根据文本情绪自动调整语音语调、语速、音调）
- 流式实时配音（支持边输入文本边生成语音）
- 多语言与方言支持（中文、英文及多种方言）
- 双模型选择（1.7B 高质量模型、0.6B 快速模型）
- 触发条件：当需要将文本转换为语音、克隆特定音色、生成情感化配音时使用
## 前置准备
- 模型下载：根据选择的 TTS 模型下载对应的权重，详见 [references/model_config.md](references/model_config.md)
- 硬件要求：
- GPU：推荐使用 8GB+ 显存的 GPU（0.6B 模型可在 CPU 上运行）
- 内存：建议 16GB+ 系统内存
- 磁盘空间：至少 10GB 可用空间（模型权重约 3-5GB）
- 依赖配置：确保已安装所需的 Python 依赖包
## 操作步骤
### 模式一：基础语音合成
1. 文本准备
- 确认待合成的文本内容
- 智能体将分析文本情绪和语义特征
2. 选择音色
- 使用预置音色（见 references/model_config.md）
- 或使用已克隆的自定义音色
3. 执行合成
- 调用 `scripts/tts_generate.py` 进行语音生成
- 根据情绪分析结果自动设置语音参数
4. 验证输出
- 检查生成的音频质量和情感匹配度
- 如有需要，调整参数重新生成
### 模式二：音色克隆
1. 准备参考音频
- 提供目标音色的参考音频文件（3-30 秒，清晰语音）
- 确保参考音频无背景噪音、音质清晰
2. 提取音色特征
- 调用 `scripts/voice_clone.py` 提取音色特征
- 保存为可复用的音色模型
3. 使用克隆音色
- 使用提取的音色模型生成语音
- 可应用于不同文本的配音
### 模式三：流式实时配音
1. 文本分段
- 将长文本分段处理（智能体自动完成）
- 确保分段自然，不会截断语义
2. 流式生成
- 调用 `scripts/tts_generate.py` 启用流式模式
- 逐步生成并输出音频片段
3. 实时合并
- 将生成的音频片段实时合并
- 输出完整的配音文件
### 模式四：情感适配配音
1. 文本情绪分析
- 智能体分析文本的情绪倾向（高兴、悲伤、愤怒、平静等）
- 识别关键情感词和语气
2. 语音参数调整
- 根据情绪自动调整：
- 语速（悲伤时放慢，兴奋时加快）
- 音调（悲伤时降低，兴奋时提高）
- 音量（根据情感强度调整）
3. 生成验证
- 生成情感化语音
- 验证情感表达是否准确
## 资源索引
- 核心脚本：
- [scripts/tts_generate.py](scripts/tts_generate.py)（TTS 语音生成）
- [scripts/voice_clone.py](scripts/voice_clone.py)（音色克隆）
- 参考文档：
- [references/model_config.md](references/model_config.md)（模型配置和选择指南）
- [references/emotion_guide.md](references/emotion_guide.md)（情感标注和适配指南）
- [references/usage_examples.md](references/usage_examples.md)（使用示例）
## 注意事项
- 模型选择：
- 1.7B 模型：音质更高，适合高质量配音、有声书等场景
- 0.6B 模型：速度更快，适合实时交互、智能客服等场景
- 音色克隆：
- 参考音频应清晰、无背景噪音
- 时长建议 5-15 秒，最短不少于 3 秒
- 单人语音效果最佳，避免多人混合音频
- 流式生成：
- 适合长文本和实时交互场景
- 会产生多个临时音频片段
- 情感适配：
- 文本情绪分析由智能体完成
- 最终效果取决于情感标注的准确性
- 可手动调整语音参数进行微调
## 使用示例
- 基础语音合成：
```bash
python scripts/tts_generate.py \
--text "你好，欢迎使用语音合成服务" \
--output_path ./output/hello.wav \
--model_size 1.7B \
--voice default
```
- 音色克隆：
```bash
python scripts/voice_clone.py \
--reference_audio ./reference.wav \
--voice_name my_voice \
--output_dir ./voices
```
- 情感化配音：
```bash
python scripts/tts_generate.py \
--text "今天真是太开心了！" \
--output_path ./output/happy.wav \
--emotion happy \
--speed 1.2 \
--pitch 1.1
```
- 流式生成：
```bash
python scripts/tts_generate.py \
--text_file ./long_text.txt \
--output_path ./output/stream_output.wav \
--streaming true
```产品经理与项目管理专家在应对复杂项目时，使用此技能可动态组建包含“执行、指挥、评审”的专属AI团队。实时查看多智能体辩论与决策全过程，共享统一上下文记忆，一键完成从会议决策到系统构建的全流程高效协同！
电商运营与内容创作者在需要制作带货短视频时，用此技能一键生成9:16竖屏数字人成片。自动编排AI绘画、语音合成与视频生成，快速产出“小省导购员”专属形象与专业配音，让多模态视频制作省时省力。
软件开发工程师与数据科学家在构建RAG系统时，当需处理PDF/Word/Excel等多格式复杂文档，用此技能可自动触发三级解析降级，一键输出高置信度结构化Markdown与元数据，免去繁琐清洗，直接夯实企业知识库数据底座！
财务和投资分析师、律师助理与法律助手在撰写金融研报或分析法律文档时，必用此技能！基于解析文档一键生成事实蓝卡、解释绿卡、风险黄卡与行动红卡。自动完成深度剖析与风险排查，产出100%可溯源的结构化四色报告，让复杂分析高效且严谨。
软件开发工程师与信息安全分析师在构建多智能体系统时，当需全链路可观测与安全审计，请用此技能。它自动收集操作日志，生成可追溯证据链与向量索引，开箱即用实现系统审计与精准回放，让Agent运行安全透明。
信息安全分析师与软件开发工程师在搭建文档处理流水线时，当需要拦截违规文件或外部URL，请挂载此技能作为强制前置安检，自动输出 pass/reject 判定与详细合规扫描报告，一键守住零信任安全底线。
内容创作者和自媒体创作者在撰写长文时，当需要“给文章配图”或“添加插图”时使用。自动分析文章结构，精准识别需要视觉辅助的位置，生成并插入契合语境的插画，将抽象概念具象化，一键完成高质量图文排版，大幅提升阅读体验。
技术写作员与内容创作者在处理纯文本或 Markdown 稿件时，若需优化文章结构、添加 frontmatter 或自动修正中英文排版间距，使用此技能可一键生成专业美观的 {filename}-formatted.md 文件，让文档排版更完美。