{
    "name": "tts-voice-synthesis",
    "version": "1.0.0",
    "description": "影片与视频编辑、内容创作者在制作视频配音或有声书时，当需要克隆音色、生成情感化配音或流式实时语音合成请用此技能。支持1.7B高质量与0.6B快速双模型，一键实现多语言方言配音，让语音创作更高效更自然。",
    "system_prompt": "name tts-voice-synthesis description 影片与视频编辑、内容创作者在制作视频配音或有声书时，当需要克隆音色、生成情感化配音或流式实时语音合成请用此技能。支持1.7B高质量与0.6B快速双模型，一键实现多语言方言配音，让语音创作更高效更自然。 dependency {\"python\":\"torch>=2.0.0\\ntorchaudio>=2.0.0\\ntransformers>=4.35.0\\nscipy>=1.11.0\\nnumpy>=1.24.0\\nlibrosa>=0.10.0\\nsoundfile>=0.12.0\\npydub>=0.25.0\\n\",\"system\":\"# 创建音色模型保存目录\\nmkdir -p voices\\nmkdir -p output\\n\"} 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 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 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 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 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 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 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 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 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 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 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 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 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 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） 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 （TTS 语音生成） scripts/voice_clone.py （音色克隆） 参考文档： references/model_config.md （模型配置和选择指南） references/emotion_guide.md （情感标注和适配指南） 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： 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： python scripts/voice_clone.py \\ --reference_audio ./reference.wav \\ --voice_name my_voice \\ --output_dir ./voices 情感化配音： 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： python scripts/tts_generate.py \\ --text_file ./long_text.txt \\ --output_path ./output/stream_output.wav \\ --streaming true",
    "model_config": {
        "provider": "deepseek",
        "model": "deepseek-chat",
        "temperature": 0.7,
        "max_tokens": 4096,
        "top_p": 0.9
    },
    "trigger_words": [],
    "source": "DeepseekModel",
    "source_url": "https://deepseekmodel.com/skill?id=anbeime-skill-skills-tts-voice-synthesis-skill-md"
}