Tts Voice Synthesis

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