characteristic-voice

Was macht characteristic-voice?

Lasse deinen KI-Agenten wie einen echten Begleiter klingen – einen, der seufzt, lacht, zögert und mit echtem Gefühl spricht.

Anmeldeinformationen

Variable	Erforderlich	Beschreibung
NOIZ_API_KEY	Ja bei Verwendung des Noiz-Backends	API-Schlüssel von developers.noiz.ai. Nicht erforderlich bei Verwendung des lokalen Kokoro-Backends.

Das Skript speichert eine normalisierte Kopie des Schlüssels aus Bequemlichkeit in ~/.noiz_api_key (Modus 600). Zum Setzen:

bash skills/characteristic-voice/scripts/speak.sh config --set-api-key DEIN_SCHLUESSEL

Voraussetzungen

Das enthaltene speak.sh-Skript benötigt zur Laufzeit curl und python3. Je nach verwendetem Backend und Funktionen können außerdem folgende Werkzeuge nötig sein:

Werkzeug	Wann benötigt	Installationshinweis
curl, python3	Immer (Kernskript)	Meist vorinstalliert
kokoro-tts	Kokoro (lokal/offline) Backend	uv tool install kokoro-tts
yt-dlp	Herunterladen von Referenzaudio für Stimmklonen	github.com/yt-dlp/yt-dlp
ffmpeg	Zuschneiden von Referenzaudio-Clips	ffmpeg.org
rg (ripgrep)	Durchsuchen von Untertiteldateien	github.com/BurntSushi/ripgrep

Keines dieser Werkzeuge wird durch die Fähigkeit selbst installiert – richte sie manuell in deiner Umgebung ein.

Datenschutz & Datenübertragung

• Noiz-Backend: Bei Verwendung des Noiz-Backends werden der gesprochene Text sowie bereitgestelltes Referenzaudio an https://noiz.ai/v1 gesendet. Wenn du --ref-audio angibst, wird diese Audiodatei zum Stimmklonen hochgeladen.
• Kokoro-Backend: Läuft vollständig lokal – keine Daten verlassen deinen Rechner.
• Wähle das Kokoro-Backend (--backend kokoro), wenn du vollständig offline arbeiten möchtest.

Auslöser

• sag wie
• rede wie
• sprich wie
• Begleiterstimme
• tröste mich
• munter mich auf
• kling menschlicher

Die beiden Tricks

1. Non-lexikale Fülllaute – füge an natürlichen Pausen kleine menschliche Geräusche ein (hmm, haha, aww, heh), um die Sprache lebendig wirken zu lassen
2. Emotionsanpassung – passe Wärme, Freude, Traurigkeit, Zärtlichkeit an den Moment an

Palette der Fülllaute

Laut	Gefühl	Verwendung
hmm…	Nachdenken, sanfte Bestätigung	Trost, Grübeln
ah…	Erkenntnis, sanfte Überraschung	Entdeckungen, Übergänge
uh…	Zögern, Einfühlungsvermögen	Vorsichtige Momente
heh / hehe	Verspielt, schelmisch	Neckereien, leichte Momente
haha	Lachen	Freude, Humor
aww	Zärtlichkeit, Mitgefühl	Tiefer Trost
oh? / oh!	Überraschung, Aufmerksamkeit	Reaktion auf Neuigkeiten
pfft	Unterdrücktes Lachen	Verspielter Unglaube
whew	Erleichterung	Nach Anspannung
~ (Tilde)	Gedehnte, melodiöse Endung	Wärme, Verspieltheit

Regeln: Maximal 2–4 Fülllaute pro kurzer Nachricht. Platziere sie an natürlichen Pausen – Satzanfänge, Gedankensprünge. Verwende ... nach Fülllauten für eine kurze Stille, ~ am Wortende für Wärme.

Voreinstellungen

Gute Nacht

Sanft, warm, leicht schläfrig. Langsames Tempo.

Guten Morgen

Warm, fröhlich, aber nicht überwältigend.

Trost

Sanft, verständnisvoll, ungehetzt. Raum geben. Nicht überstürzt „reparieren“ wollen.

Feiern

Aufgeregt, stolz, aufrichtig fröhlich.

Plaudern

Entspannt, verspielt, natürlich.

Verwenden einer Charakterstimme

Wenn ein Benutzer so etwas sagt wie „Sprich in Hermines Stimme“ oder „Kling wie Tony Stark“, überprüfe zuerst, ob bereits eine Referenzaudiodatei in skills/characteristic-voice/ existiert. Falls ja, verwende sie direkt mit --ref-audio.

Wenn keine Referenzaudiodatei existiert, kannst du eine erstellen – lies aber zuerst die folgenden Warnungen.

Referenzaudio vorbereiten (einmalige Einrichtung)

Du benötigst einen kurzen (10–30 s) WAV-Clip der Zielstimme. Mögliche Quellen:

1. Vom Benutzer bereitgestelltes Audio – die sicherste Option. Bitte den Benutzer, eine eigene Aufnahme zur Verfügung zu stellen.
2. Public-Domain / CC-lizenzierte Clips – suche nach frei lizenziertem Material.
3. Extrahieren aus Online-Videos – Werkzeuge wie yt-dlp und ffmpeg können Audio herunterladen und zuschneiden. Beispiel-Workflow:

bash skills/characteristic-voice/scripts/speak.sh \
  --preset goodnight -t "Hmm… schlaf gut~ Träum süß." \
  --ref-audio skills/characteristic-voice/character.wav -o night.wav

Urheberrechts- und Datenschutzwarnung: Das Herunterladen und Wiederverwenden der Stimme einer Person aus urheberrechtlich geschütztem Material (Filme, Fernsehen, YouTube) kann je nach Rechtsordnung Urheber- oder Persönlichkeitsrechte verletzen. Lade keine privaten Sprachaufnahmen oder Material hoch, für das du keine Nutzungsberechtigung hast. Das Referenzaudio wird beim Noiz-Backend zum Stimmklonen an https://noiz.ai/v1 gesendet. Wenn dies ein Problem darstellt, verwende stattdessen das lokale Kokoro-Backend.

Referenzaudio verwenden

bash skills/characteristic-voice/scripts/speak.sh \
  --preset goodnight -t "Hmm… schlaf gut~ Träum süß." \
  --ref-audio skills/characteristic-voice/character.wav -o night.wav

Das --ref-audio-Flag lädt die Datei zum Stimmklonen zum Noiz-Backend hoch (erfordert NOIZ_API_KEY).

---

Verwendung

Diese Fähigkeit stellt speak.sh bereit, einen Wrapper um die tts-Fähigkeit mit begleiterfreundlichen Voreinstellungen.

# Voreinstellung verwenden (setzt automatisch Emotion + Geschwindigkeit)
bash skills/characteristic-voice/scripts/speak.sh \
  --preset goodnight -t "Hmm… schlaf gut~ Träum süß." -o night.wav

# Benutzerdefinierte Emotionsüberschreibung
bash skills/characteristic-voice/scripts/speak.sh \
  -t "Aww… ich bin hier bei dir." --emo '{"Zärtlichkeit":0.9}' --speed 0.75 -o comfort.wav

# Mit bestimmtem Backend und Stimme
bash skills/characteristic-voice/scripts/speak.sh \
  --preset morning -t "Guten Morgen~" --voice-id voice_abc --backend noiz -o morning.mp3 --format mp3

Führe bash skills/characteristic-voice/scripts/speak.sh --help für alle Optionen aus.

Schreibanleitung für den Agenten

1. Sanft beginnen – mit einem Fülllaut eröffnen („hmm…“, „oh~“), nicht mit Inhalt
2. Energie spiegeln – sanft, wenn sie niedrig sind; mitschwingen, wenn sie hoch sind
3. Kurz halten – 1–3 Sätze, wie eine Sprachnachricht von einem Freund
4. Warm beenden – mit Verbindung schließen („ich bin da“, „bis morgen~“)
5. Nicht belehren – zuhören und präsent bleiben; keine ungefragten Ratschläge