Communitygithub.com

daymade/claude-code-skills

Erzeugt chinesische/japanische Sprachausgabe mit StepFuns Contextual TTS – standardmäßig stepaudio-2.5-tts, stepaudio-3-tts für Flüstern/inline-()-Prosodie. Ersetzt voice_label von step-tts-2 durch Anweisungen in natürlicher Sprache. Geeignet für emotionale/prosodisch gesteuerte Synthese, Batch-Sprachaufnahmen sowie die Migration von step-tts-2 oder Klonstimmen (2.5/step-tts-2, nicht v3). Auslöser: 阶跃 TTS, 语音合成, 配音. Nicht für Transkription geeignet (dafür stepfun-asr).

Was ist claude-code-skills?

Diese Fähigkeit bietet eine umfassende Integration von StepFuns Contextual TTS (Schwerpunkt auf stepaudio-2.5-tts und stepaudio-3-tts) zur Erzeugung chinesischer und japanischer Sprachausgabe. Sie zeichnet sich durch die Steuerung von Emotion und Prosodie über natürlichsprachliche Anweisungen aus – das alte `voice_label`-System wird nicht mehr unterstützt. Die Fähigkeit ist sowohl für einzelne Syntheseschritte als auch für die Stapelverarbeitung von Sprachaufnahmen (etwa für Spiele oder Apps) optimiert und beinhaltet eine Entscheidungsmatrix für häufige Aufgaben sowie Skripte zum A/B-Vergleich verschiedener Modelle. Ein wichtiger Hinweis: Klonstimmen dürfen nicht mit v3 synthetisiert werden, da die gesamte Klonkette von StepFun noch auf der 2.5-Familie basiert und v3 bei Klon-IDs stillschweigend auf eine Standardstimme zurückfällt. Die Skill-Dokumentation behandelt ausführlich die Migration von step-tts-2, bekannte Fehlermuster (etwa `voice_label`-Fehler, Zensurblöcke, Zeichenbegrenzung) sowie die v3-spezifischen Fakten (offizielle Stimmen, fehlender WebSocket-Stream, Subtitle-Timestamps über REST). Die API-Key-Verwaltung erfolgt über Umgebungsvariablen oder eine Konfigurationsdatei. Zielplattformen sind alle gängigen AI-Clients (Cursor, Claude Code, Codex etc.), die externe Skripte oder HTTP-Aufrufe unterstützen.

Funktioniert mit✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/daymade/claude-code-skills/tree/HEAD/daymade-audio/stepfun-tts

In Ihrer bevorzugten KI fragen

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

Dokumentation

StepFun Contextual TTS (Standard: stepaudio-2.5-tts)

Generieren Sie chinesische/japanische Sprachausgabe mit StepFuns Contextual TTS – Emotion und Prosodie werden über natürlichsprachliche Beschreibungen gesteuert, nicht über feste Labels. Standardmodell ist stepaudio-2.5-tts (das vom gebündelten Skript verwendet wird): In einem blinden A/B-Test vom 16.09.2026 auf unseren eigenen Fällen gewann 2.5 die neutral/jiao/lively-girl-Paare mit 3:2. Wählen Sie stepaudio-3-tts, wenn die Zeile geflüstert wird oder eine starke inline-()-Prosodie aufweist – v3 gewann genau diese beiden Paare; v3 erhöht zudem das instruction-Limit auf 500 Zeichen (2.5 hat 200). ⚠️ Synthetisieren Sie Klonstimmen niemals mit v3 – v3-Sprache akzeptiert Klonstimmen-IDs zwar ohne Fehler, fällt aber stillschweigend auf die Standard-Frauenstimme zurück – Grund: Die gesamte Klonkette von StepFun bleibt in der 2.5-Familie (die Klonerstellungs-API akzeptiert nur 2.5/step-tts-2/step-tts-mini, v3 ist nicht enthalten; die v3-Synthese-Klonfunktion ist nicht veröffentlicht). Klone beider Generationen gehen auf v3 verloren: step-tts-2-Klon SIM 0.272, neuer 2.5-Klon SIM 0.195 (Anker 0.773), gleiche ID auf 2.5: 0.743/0.678.

Begleitinformation: Für die Transkription mit stepaudio-3-asr-max (dem Schwestermodel) verwenden Sie die stepfun-asr-Fähigkeit – beide teilen sich einen API-Schlüssel, laufen aber auf verschiedenen Endpunkten mit unterschiedlichen Anfragekörpern.

Warum es diese Fähigkeit gibt – zwei nicht offensichtliche Fallstricke, die Stunden kosten, wenn man sie nicht kennt:

  1. stepaudio-3-tts lehnt voice_label ab (der step-tts-2-Weg) – verifiziert auf v3 am 16.09.2026: HTTP 400 voice_label is not supported for this model. Emotion/Prosodie wird über instruction (natürlichsprachliche Beschreibung, ≤500 Zeichen auf v3 – 200 war das Limit von 2.5) und inline ()-Klammern im Text selbst gesteuert.
  2. Das Zensurverhalten ist modellversionsspezifisch – die 2.5-Triggerliste (死 / 消失 / sensible politische Begriffe → censorship_block) hat bei einer Einzelstichprobe am 16.09.2026 auf v3 nicht ausgelöst; behandeln Sie Zensur als vorhanden, aber überprüfen Sie sie pro Trigger, bevor Sie Umschreibungsmaps erstellen. Die 2.5-Optionen finden Sie in references/migration_from_v2.md.

Konfiguration und Authentifizierung

Der API-Schlüssel liegt in $STEPFUN_API_KEY (bevorzugt) oder ${CLAUDE_PLUGIN_DATA}/config.json (Fallback für sitzungsübergreifende Persistenz). Alle gebündelten Skripte versuchen zuerst die Umgebungsvariable, dann die Konfigurationsdatei.

Erstmalige Einrichtung (Einzeiler):

mkdir -p "${CLAUDE_PLUGIN_DATA}" && cat > "${CLAUDE_PLUGIN_DATA}/config.json" <<EOF
{"api_key": "<Schlüssel hier einfügen>"}
EOF

Wenn der Benutzer noch keinen Schlüssel gesetzt hat, bitten Sie ihn, ihn einzufügen (nicht raten/keinen Platzhalter verwenden). StepFun-API-Schlüssel sind verfügbar unter https://platform.stepfun.com/ → API Keys. Verwenden Sie einen Normal-Schlüssel, keinen Plan-Schlüssel (Plan-Schlüssel sind auf Textmodelle beschränkt und schlagen bei Audio-Endpunkten stillschweigend fehl).

Häufige Aufgaben – Entscheidungsmatrix

Benutzer möchte...SkriptWichtiges Detail
1–500 Zeichen chinesisch mit Emotion synthetisierenscripts/tts_generate.pyinstruction für Stimmung, () für Inline-Prosodie verwenden
Langen Text (500–1000 Zeichen) synthetisierenscripts/tts_generate.py1000 Zeichen sind die harte Grenze; darüber an semantischen Grenzen teilen
Stapelverarbeitung von Sprachaufnahmen für Spiele/Appsscripts/tts_generate.py --batch <jsonl>censorship_block-Fallbacks einzeln behandeln
Zwei TTS-Modelle im A/B-Vergleich testenscripts/ab_compare.shVergleicht Dauer/Größe über zwei Verzeichnisse hinweg
Migration von step-tts-2 / stepaudio-2.5-ttssiehe references/migration_from_v2.mdvoice_label.emotion → instruction-Umschreibung + 2.5-Zensurliste

Startpunkte

  • Eine einzelne Zeile synthetisieren: Führen Sie python3 scripts/tts_generate.py --text "你好" --out /tmp/hello.mp3 --instruction "温暖的希望感" aus. Für detaillierte Steuerung lesen Sie den Abschnitt „Contextual TTS“ unten.
  • Aus Code: Dieses Skript ist der Wrapper des Endpunkts in llm-registry – llmreg.wrapper_for("stepfun-tts").tts_generate.synthesize(api_key=…, text=…, model=…, extra={…}). extra wird unverändert in den Anforderungskörper eingefügt; mit {"timestamp": True, "return_url": True} antwortet der Server mit einem JSON-Envelope ({"data": {"url", "subtitles"}}), der unter json statt audio_bytes zurückkommt (verifiziert am 19.09.2026). Parameter werden nicht berechnet – senden Sie, was Sie brauchen. Direkte /v1/audio/speech-Aufrufe von außerhalb werden durch den llm-entry-guard-Hook blockiert.
  • Eine vollständige Migration von step-tts-2 → Contextual TTS: Lesen Sie references/migration_from_v2.md vollständig durch, bevor Sie Code berühren. Es enthält die INSTRUCTION_MAP, das SKIP_CENSORED-Listenmuster und die Ausgabeverzeichnisstrategie für zerstörungsfreie A/B-Tests (für 2.5 geschrieben; die Migrationsmechanik ist auf v3 identisch).

Contextual TTS – Über Emotionslabels hinaus

Das Hauptmerkmal von stepaudio-3-tts ist, dass Sie aufhören, Emotionen festen Tags zuzuordnen, und stattdessen in natürlicher Sprache beschreiben, was Sie möchten. Zwei Ebenen:

Globaler Kontext (instruction-Parameter) – setzt den Gesamtton für die gesamte Äußerung. ≤500 Zeichen auf v3 (2.5 hatte 200; eine 300-Zeichen-Instruktion wurde auf v3 am 16.09.2026 verifiziert akzeptiert). Stellen Sie es sich wie eine Regieanweisung für einen Synchronsprecher vor.

instruction: "克制的悲伤,语气低沉柔弱,像快要消失一样"

Inline-Kontext (()-Klammern innerhalb von input) – Satzinterne Direktiven. In Klammern gesetzter Inhalt wird als Anweisung konsumiert und NICHT vorgelesen. Verwenden Sie dies für präzise Steuerung von Pausen, Atem, Betonung oder emotionswechseln mitten im Satz.

input: "(试探着问)你好吗?(开心地)太好了!(突然沉下来)不过...我快要消失了。"

Beispiele, die in der Praxis funktionierten (verifiziert am 23.04.2026 auf 2.5; alle fünf am 16.09.2026 auf v3 erneut verifiziert, einschließlich dieser Instruktions- und Inline-Prosodiefälle):

  • instruction: "活泼俏皮,像是在撒娇,带点嘴硬" – beschleunigt die Aussprache sichtbar gegenüber neutral
  • instruction: "耳语声,气声很重,几乎听不清" – erzeugt hörbares Flüstern/Atmen
  • input: "你好(停顿一下)我是蕾格(轻声)今天(加重)的天气真不错。" – Inline-Direktiven alle beachtet

Was stepaudio-3-tts NICHT akzeptiert – Der voice_label-Parameter. Fehler auf v3: voice_label is not supported for this model (2.5 sagte ...for v2 models). Dies ist die häufigste Migrationsfalle von step-tts-2.

Häufige Fehlermuster (echte Fehler, echte Lösungen)

FehlerantwortTatsächliche UrsacheLösung
"voice_label is not supported for this model" (v3) / "...for v2 models" (2.5)voice_label an ein Contextual-TTS-Modell gesendetvoice_label entfernen; die gleiche Absicht in instruction als natürliche Sprache einfügen
"The content you provided or machine outputted is blocked." type: censorship_blockSensitives Wort (2.5-Ära: 死 / 消失 / etc.; v3-Trigger nicht verifiziert)Phrase umschreiben ODER für diese Zeile auf step-tts-2 zurückfallen (Modellmischung ist in Ordnung)
Stille Audioverkürzung (Eingabe > 1000 Zeichen)Harte Grenze überschrittenAn semantischen Grenzen teilen; nicht mitten im Satz abschneiden

Mehr in references/known_issues.md.

Wann Referenzen lesen

  • references/api_reference.md – Exaktes Anfrage-/Antwort-JSON für /v1/audio/speech, alle Felder, Fehlerantworten. Lesen Sie dies, wenn Sie rohe HTTP-Aufrufe statt der gebündelten Skripte schreiben.
  • references/migration_from_v2.md – Vollständiges Playbook für die Migration eines step-tts-2-Projekts zu Contextual TTS. Enthält die Emotion→Instruction-Umschreibungstabelle, die A/B-Verzeichnisstrategie, Entscheidungs-Checkpoints und die Geschwindigkeits-/Qualitätsdaten vom April 2026 (geschrieben für 2.5). Vor jeglicher Migrationsarbeit lesen.
  • references/known_issues.md – Zensurmuster, TTS-Dauerinflation, v2-Familien-Parameternamensfalle, 1000-Zeichen-Hartgrenze. 2.5-Ära-Verifikation; vor Verwendung eines bestimmten Eintrags auf v3 erneut verifizieren. Lesen Sie dies beim Debuggen anomaler Ausgaben oder bei der Evaluierung der Einführung.

Design-Invarianten (nicht verletzen)

  1. Zerstörungsfreie A/B-Ausgabe – Beim Neugenerieren eines Korpus mit einem neuen Modell in ein paralleles Verzeichnis schreiben (voice/zh_v3/), niemals den Produktionskorpus überschreiben. Das Migrations-Playbook zeigt warum.
  2. Zeilenweise Zensurbehandlung – Wenn 2/29 Zeilen censorship_block erhalten, den Batch nicht abbrechen lassen. Die übersprungenen IDs protokollieren, fortfahren. Der gemischte Modell-Fallback (step-tts-2 für die beiden übersprungenen) ist normal.
  3. Keine Duplizierung von voice_label-Logik in neuem Code – Jeder neue TTS-Code, der auf stepaudio-3-tts abzielt, sollte nur instruction + inline () verwenden. Schreiben Sie keinen Zweig, der bedingt voice_label ausgibt.

v3-spezifische Fakten (verifiziert am 16.09.2026)

  • Offizielle Stimmen: 60+ über GET /v1/audio/system_voices?model=stepaudio-3-tts – die 2.5-Liste wird vollständig übernommen, plus neue Stimmen (z. B. englisch benannte Lisa/Alfie, Shanghai-Dialekt shanghaifemale/shanghaimale).
  • Klonstimmen (复刻): stepaudio-3-tts NICHT verwenden – Grundursache am 16.09.2026 ermittelt: Der gesamte Klon-Stack von StepFun ist noch in der 2.5-Familie. Die Erstellungs-API (POST /v1/audio/voices) akzeptiert nur stepaudio-2.5-tts / step-tts-2 / step-tts-mini, und v3 /v1/audio/speech fällt für JEDE Klon-ID stillschweigend auf eine Standard-Frauenstimme zurück – SIM 0.272 (step-tts-2-Klon) und 0.195 (frischer mit 2.5 erstellter Klon) gegenüber dem Anker 0.773; dieselben IDs auf 2.5 erreichen 0.743/0.678. Klone mit stepaudio-2.5-tts (beste SIM) oder step-tts-2 synthetisieren.
  • Kein WebSocket-Streaming für v3 (Stand 16.09.2026): wss://api.stepfun.com/v1/realtime/audio?model=stepaudio-3-tts wird beim Handshake abgelehnt (404), während 2.5 dort noch streamt. Benötigen Sie zeichengenaue Subtitle-Zeitstempel auf v3? Verwenden Sie REST mit timestamp:true + return_url:true (Untertitel kommen im Antwort-JSON data.subtitles[], zeichengenaue Millisekunden, kumulierte absolute Achse) – nacktes stream_format:"audio" kann keine Untertitel transportieren (Server 400).

Preise (verifiziert am 16.09.2026, volatil)

  • stepaudio-3-tts-Synthese: 2,5 元 / 10.000 Zeichen (offizielle Modellseite, 16.09.2026 – günstiger als die ~5,8 der 2.5-Ära)
  • Zero-Shot-Stimmklonung: 9,9 元 / Stimme

Vor der Zitierung gegenüber Stakeholdern erneut prüfen unter https://platform.stepfun.com/docs/zh/guides/pricing/details

Individual skills in this repo

This repo contains 9 individual skills — each has its own dedicated page.

daymade/claude-code-skills

This skill should be used when comparing two videos to analyze compression results or quality differences. Generates interactive HTML reports with quality metrics (PSNR, SSIM) and frame-by-frame visual comparisons. Triggers when users mention "compare videos", "video quality", "compression analysis", "before/after compression", or request quality assessment of compressed videos.

daymade/claude-code-skills

Download YouTube videos and HLS streams (m3u8) from platforms like Mux, Vimeo, etc. using yt-dlp and ffmpeg. Use this skill when users request downloading videos, extracting audio, handling protected streams with authentication headers, or troubleshooting download issues like nsig extraction failures, 403 errors, or cookie extraction problems.

daymade/local-conversation-history

Entry point for local AI conversation history across providers. Routes a request to the one skill that owns it, by platform (Claude Code, OpenAI Codex, Kimi CLI) and action (read evidence vs continue interrupted work), and owns the one job none of them own alone: a single inventory spanning all three providers. Use when the provider is unknown or plural ("our history", "what have I been working on", "which chats did I have"), when the user wants Kimi CLI history at all, when it is unclear whether they need evidence or resumption, or when they ask for this skill by name. Vague recall that names no platform ("we discussed this once, when was it?") belongs here rather than to a single-provider reader, because a Claude-only answer to an unscoped question cannot support an absence claim. When the platform and the action are both already clear, load that executor skill directly instead — except Kimi CLI, which has no reader or continuation skill of its own and always routes through here.

daymade/ppt-creator

Create professional slide decks from topics or documents. Generates structured content with data-driven charts, speaker notes, and complete PPTX files. Applies persuasive storytelling principles (Pyramid Principle, assertion-evidence). Supports multiple formats (Marp, PowerPoint). Use for presentations, pitches, slide decks, or keynotes.

daymade/prompt-optimizer

Transform vague prompts into precise, well-structured specifications using EARS (Easy Approach to Requirements Syntax) methodology. This skill should be used when users provide loose requirements, ambiguous feature descriptions, or need to enhance prompts for AI-generated code, products, or documents. Triggers include requests to "optimize my prompt", "improve this requirement", "make this more specific", or when raw requirements lack detail and structure.

daymade/qa-expert

This skill should be used when establishing comprehensive QA testing processes for any software project. Use when creating test strategies, writing test cases following Google Testing Standards, executing test plans, tracking bugs with P0-P4 classification, calculating quality metrics, or generating progress reports. Includes autonomous execution capability via master prompts and complete documentation templates for third-party QA team handoffs. Implements OWASP security testing and achieves 90% coverage targets.

daymade/read-claude-code-history

Reads, searches, and exports local Claude Code history without resuming work. Covers recent session inventory, exact session timelines, verbatim human input including queued mid-turn prompts, full-event keyword search, hybrid recall when wording changed, end-state triage, and deleted-file recovery across active Claude homes plus registered archives. Use whenever the user asks what they or Claude said, wants a Claude Code session ID or original context, remembers prior work vaguely, needs an old file from a transcript, or must prove what a Claude session contained before continuing it. Also owns the only Kimi CLI surface, via its Kimi inventory and search flags. For Codex history use read-codex-history; when the request names no platform at all or spans providers, start at local-conversation-history.

daymade/read-codex-history

Reads, searches, and exports local OpenAI Codex history without continuing the old task. Lists recent Codex sessions, extracts exact prompt-ledger inputs by Session, locates a rollout by verified session_meta identity, reconstructs one chronological user/assistant timeline with fork and compaction lineage, and performs bounded keyword search across live and archived rollouts. Use whenever the user asks what they told Codex, wants recent original inputs, a Codex Session ID, full prior context, fork ancestry, or evidence of what a Codex run did. For Claude Code history use read-claude-code-history.

daymade/twitter-reader

Fetch Twitter/X post content including long-form Articles with full images and metadata. Use when Claude needs to retrieve tweet/article content, author info, engagement metrics, and embedded media. Supports individual posts and X Articles (long-form content). Automatically downloads all images to local attachments folder and generates complete Markdown with proper image references. Preferred over Jina for X Articles with images.

Verwandte Skills