← 返回技能库 /语音与音频

tts-voice-synthesis

智能语音合成服务，支持音色克隆、拟人化语义适配配音、流式实时生成、多语言与方言支持，提供 1.7B/0.6B 双模型选择

下载全部文件 (ZIP) 下载 SKILL.md
来源:本地 2 次浏览

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

  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

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