Communitygithub.com

AaronAust1n/china-productivity-skills

13 Agent-Fähigkeiten für chinesische Internet-Datenerfassung, KI-Forschungsmonitoring und Content-Produktion — Schließt eine Lücke im PilotDeck-Fähigkeitsökosystem

Was ist china-productivity-skills?

Dieses Skill-Set bietet 13 speziell für den chinesischen Markt entwickelte Agent-Fähigkeiten, die die Lücken im PilotDeck-Ökosystem schließen. Es umfasst Fähigkeiten zur Datenerfassung aus dem chinesischen Internet (z. B. Baidu, WeChat, Douyin), zur Überwachung der neuesten KI-Forschungsentwicklungen (z. B. ArXiv, chinesische Tech-Blogs) und zur automatisierten Content-Produktion (Text-zu-Sprache, Podcast-Skripterstellung, Video-Untertitel). Entwickelt für den Einsatz mit Claude Code, Cursor und anderen KI-Agenten-Plattformen, die Python und API-Zugriff unterstützen. Die Fähigkeiten sind so konzipiert, dass sie mit minimaler Konfiguration in Workflows integriert werden können und sowohl GPU- als auch CPU-basierte Ausführung unterstützen. Dies ist besonders nützlich für Entwickler und Content-Ersteller, die im chinesischen Sprachraum arbeiten und spezifische Tools für lokale Dienste benötigen.

Funktioniert mit~Claude Code✓Codex CLI~Cursor
npx skills add AaronAust1n/china-productivity-skills

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

VoxCPM Text-to-Speech

Synthetisiert Sprache aus chinesischen/englischen/mehrsprachigen Texten mit OpenBMBs VoxCPM. Zwei Modellstufen, drei Eingabemodi, dreißig Sprachen, neun chinesische Dialekte. Lizenz: Apache-2.0.

Überprüft am 04.07.2026: voxcpm 2.0.3 auf PyPI, Abhängigkeitsgraph löst sauber auf (torch ≥ 2.5, transformers ≥ 4.36, gradio 6.x). PyPI erreichbar. Modellgewichte werden auf Hugging Face gehostet (openbmb/VoxCPM2, openbmb/VoxCPM-0.5B).

Diese Umgebung (QoderWork-Sandbox) hat keine GPU und kann huggingface.co nicht direkt erreichen — Audio-Generierung wird hier nicht ausgeführt. Setzen Sie auf einem Rechner mit CUDA/Apple Silicon/HF-Mirror ein, um tatsächlich zu synthetisieren.

Voraussetzungen

KomponenteAnforderung
Python≥ 3.10, < 3.13 (offiziell getestet)
PyTorch≥ 2.5.0
CUDA≥ 12.0 (empfohlen); MPS oder CPU funktionieren auch (langsamer)
GPU VRAM5 GB für VoxCPM-0.5B, 8 GB für VoxCPM2 (2B)
Festplatte~2 GB pro Modell (Gewichte werden automatisch von HF heruntergeladen)
NetzwerkZugriff auf huggingface.co (oder HF_ENDPOINT auf einen Mirror setzen)

Installation:

pip install voxcpm

Für Bereitstellungen in China, bei denen HF langsam ist, ModelScope-Mirror verwenden:

export HF_ENDPOINT=https://hf-mirror.com
# oder ModelScope direkt verwenden:
pip install modelscope

Schnellstart

CLI (am einfachsten)

# Einfache Synthese nach WAV
voxcpm design --text "你好,欢迎收听三分钟 AI 快报。" --output greeting.wav

# Mit natürlichsprachlicher Stimmstilbeschreibung
voxcpm design --text "(年轻女声,温柔甜美) 今天天气真好,我们来聊聊 AI。" --output warm.wav

# Englisch
voxcpm design --text "Welcome to today's AI briefing." --output en.wav

# Batch
voxcpm batch --input-file lines.txt --output-dir out/

Python SDK (programmatisch)

from voxcpm import VoxCPM
import soundfile as sf

model = VoxCPM.from_pretrained("openbmb/VoxCPM2", load_denoiser=False)

wav = model.generate(
    text="你好,这是一段测试语音。",
    cfg_value=2.0,           # classifier-free guidance strength (höher = ausdrucksstärker)
    inference_timesteps=10,  # Diffusionsschritte (mehr = bessere Qualität, langsamer)
    seed=42                  # Reproduzierbarkeit
)
sf.write("demo.wav", wav, model.tts_model.sample_rate)  # 24 kHz Ausgabe

Streaming-Synthese (für lange Texte)

for chunk in model.generate_streaming(text="很长的一段文本..."):
    # chunk ist ein np.ndarray von PCM-Samples
    process(chunk)

Eingabemodi

1. Design (natürlichsprachliche Stimmsteuerung)

Stimmbeschreibung am Anfang des Textes in () setzen:

"(年轻女声,语气甜美,稍快语速) 今天要给大家介绍一款有意思的 AI 工具。"
"(中年男声,稳重、专业) 欢迎收听本期节目。"
"(带四川口音的女生,轻松) 这个咋回事嘛!"

Verfügbare Hinweise (kombinierbar):

  • Stimmtyp: 男声 / 女声 / 童声 / 老年男声 / 中年女声 ...
  • Ton: 温柔 / 严肃 / 兴奋 / 平静 / 忧郁 / 慵懒 ...
  • Tempo: 快语速 / 慢语速 / 稍快 / 稍慢
  • Stil: 播音腔 / 口语化 / 说书人 / 儿童剧 / 广告腔
  • Dialekt: 四川话 / 粤语 / 吴语 / 东北话 / 河南话 / 陕西话 / 山东话 / 天津话 / 闽南话

2. Sprachklon (Zero-Shot)

Bereitstellen eines 3-30 Sekunden Referenzaudios + dessen Transkript:

wav = model.generate(
    text="要合成的新文本。",
    prompt_wav_path="reference.wav",
    prompt_text="参考音频对应的原文(准确抄写)"
)

Die generierte Stimme entspricht dem Referenzsprecher.

3. Kombiniert (Klon + Stilanpassung)

wav = model.generate(
    text="(稍快,兴奋) 要合成的新文本。",
    reference_wav_path="reference.wav"  # weichere Form des Klons; behält Klangfarbe, überschreibt Stil
)

Übliche Workflows

End-to-End: Skript → Audio

In Kombination mit podcast-scriptwriter. Bei einem Skript:

A(轻松):欢迎收听《三分钟 AI 快报》。
B(认真):本周动作不小。
import re
from voxcpm import VoxCPM
import soundfile as sf, numpy as np

model = VoxCPM.from_pretrained("openbmb/VoxCPM2", load_denoiser=False)
voices = {
    'A': "reference_female.wav",   # oder "(年轻女声,语气理性犀利)" als Präfix verwenden
    'B': "reference_male.wav",
}

segments = []
for line in open('script.txt', encoding='utf-8'):
    m = re.match(r'^([AB])(([^)]+)):(.+)$', line.strip())
    if not m: continue
    speaker, tone, text = m.groups()
    styled = f"({tone}) {text}"
    wav = model.generate(text=styled, prompt_wav_path=voices[speaker], cfg_value=2.0, inference_timesteps=10)
    segments.append(wav)
    segments.append(np.zeros(int(0.4 * model.tts_model.sample_rate)))  # 0.4 s Pause

full = np.concatenate(segments)
sf.write('episode.wav', full, model.tts_model.sample_rate)

Mehrsprachiger Podcast

Das gleiche Skript in en/ja/ko/fr übersetzt einspeisen; VoxCPM erkennt die Sprache pro Zeile automatisch. Das gleiche Referenzaudio verwenden, um die Host-Identität über Sprachen hinweg zu bewahren.

High-Throughput vLLM Serving

Für größeres Volumen den OpenAI-kompatiblen vLLM Omni-Server verwenden:

vllm serve openbmb/VoxCPM2 --omni --port 8000

Dann /v1/audio/speech wie OpenAI TTS ansprechen.

Fallback: edge-tts (keine GPU)

Wenn VoxCPM in der Umgebung nicht möglich ist (keine GPU, HF blockiert, Zeitmangel), auf Microsoft Edge TTS zurückgreifen (kostenlos, kein API-Key, 400+ Stimmen):

pip install edge-tts
edge-tts --voice zh-CN-XiaoxiaoNeural --text "你好世界" --write-media hello.mp3

Nachteile: kein Sprachklon, fester Stimmvorrat, netzwerkabhängig, nicht Open Source. Akzeptable Übergangslösung.

Einschränkungen

  • GPU dringend empfohlen — CPU funktioniert, aber ~10-50× langsamer.
  • Erster Download ~2 GB von HF; HF_ENDPOINT für einen Mirror verwenden, falls langsam.
  • CUDA 12+ erfordert aktuellen Treiber — ältere Treiber benötigen möglicherweise CUDA 11 Build; torch.cuda.is_available() überprüfen.
  • Lange Texte (> 2 Min.): generate_streaming verwenden und Chunks zusammensetzen; reines generate kann VRAM-Grenze erreichen.
  • Englischsprachiger Klon: funktioniert, aber Sample-Qualität etwas geringer als chinesischsprachig.
  • Dialekte erfordern Präfix-Format — (粤语) 早晨。 nicht 粤语:早晨。.
  • Keine Wort-für-Wort-Zeitausgabe — für Karaoke whisper-ähnliche STT-Ausrichtung auf dem produzierten WAV verwenden.
  • Abtastrate ist fest bei 24 kHz — bei Bedarf nachträglich resamplen.
  • Python 3.13+ nicht getestet — auf 3.10-3.12 festlegen.

Fehlermodi

SymptomUrsacheAktion
torch.cuda.OutOfMemoryErrorModell zu groß für GPUAuf openbmb/VoxCPM-0.5B wechseln oder CPU verwenden
Model-Download stocktHF-KonnektivitätHF_ENDPOINT=https://hf-mirror.com setzen
Roboter-/Metallstimmecfg_value zu hoch1.5-2.5 versuchen; Sweet Spot ist 2.0
Sprachklon passt nichtReferenz zu kurz/verrauscht5-15 s sauberes Sample verwenden; load_denoiser=True aktivieren
Sprache falsch automatisch erkanntText gemischtNach Sprache aufteilen, pro Segment generieren
CLI voxcpm: command not foundNicht im venv-PATHpip install voxcpm in der aktiven Umgebung; oder python -m voxcpm ...

Referenzen

Verwandte Skills