AgentSkillsCN

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

中文原作
SKILL.md
--- frontmatter
name: tts-voice-synthesis
description: 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
dependency:
  python: |
    torch>=2.0.0
    torchaudio>=2.0.0
    transformers>=4.35.0
    scipy>=1.11.0
    numpy>=1.24.0
    librosa>=0.10.0
    soundfile>=0.12.0
    pydub>=0.25.0
  system: |
    # 创建音色模型保存目录
    mkdir -p voices
    mkdir -p output

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