Tts Voice Synthesis Agent Skill
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
Install
one command, takes just this skill from the repositorynpx skills add https://github.com/anbeime/skill --skill tts-voice-synthesisWhat comes with it
47 142 bytes besides the instructionThe instruction itself
1 sections, as written by the authorTTS 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
Other skills for the same job
different authors, same section of the catalogue
Create beautiful visual art in .png and .pdf documents using design philosophy. You should use this skill when the user asks to create a poster, piece of art, design, or other static piece. Create original visual designs, never copying existing artists' work to avoid copyright violations.
Creating algorithmic art using p5.js with seeded randomness and interactive parameter exploration. Use this when users request creating art using code, generative art, algorithmic art, flow fields, or particle systems. Create original algorithmic art rather than copying existing artists' work to avoid copyright violations.
Improves the quality of images, especially screenshots, by enhancing resolution, sharpness, and clarity. Perfect for preparing images for presentations, documentation, or social media posts.
Downloads videos from YouTube and other platforms for offline viewing, editing, or archival. Handles various formats and quality options.
Lightweight WSI tile extraction and preprocessing. Use for basic slide processing tissue detection, tile extraction, stain normalization for H&E images. Best for simple pipelines, dataset preparation, quick tile-based analysis. For advanced spatial proteomics, multiplexed imaging, or deep learning pipelines use pathml.
Microscopy data management platform. Access images via Python, retrieve datasets, analyze pixels, manage ROIs/annotations, batch processing, for high-content screening and microscopy workflows.
Python library for working with DICOM (Digital Imaging and Communications in Medicine) files. Use this skill when reading, writing, or modifying medical imaging data in DICOM format, extracting pixel data from medical images (CT, MRI, X-ray, ultrasound), anonymizing DICOM files, working with DICOM metadata and tags, converting DICOM images to other formats, handling compressed DICOM data, or processing medical imaging datasets. Applies to tasks involving medical image analysis, PACS systems, radiology workflows, and healthcare imaging applications.
This skill should be used when working with pre-trained transformer models for natural language processing, computer vision, audio, or multimodal tasks. Use for text generation, classification, question answering, translation, summarization, image classification, object detection, speech recognition, and fine-tuning models on custom datasets.
How to use it
Take anbeime/tts-voice-synthesis from the repository into ~/.claude/skills for personal
use, or into .claude/skills inside a project.
The agent identifies a skill by the name field in its header. Two skills with the
same name cannot sit side by side — one of them will be ignored.