TAS — Text & Speech, in beide Richtungen (Speakee API)

Ein Skript beherrscht beide Richtungen:

Text → Sprache (TTS): 40+ Sprachen, 100+ Stimmen, benutzerdefinierte Voice-UID, Aufteilung langer Texte, Multi-Voice-Konversationsmodus, ffmpeg-Zusammenführung, Audio-Qualitätssicherung.
Audio → Text (STT): Transkribiere jede Audio-/Videodatei in Text, Wort-Zeitstempel und SRT/WebVTT-Untertitel, mit automatischer Aufteilung langer Aufnahmen.

Alles wird durch das gebündelte Skript erledigt — niemals inline neu implementieren und NIE etwas installieren (kein Whisper, kein Torch, kein Faster-Whisper, kein Pip):

<Skill-Basisverzeichnis>/scripts/tas.py

Typische Installationsorte: ~/.config/opencode/skills/tas/scripts/tas.py (opencode), ~/.claude/skills/tas/scripts/tas.py (Claude Code), und ~/.agents/skills/tas/scripts/tas.py (das skills CLI, npx skills add). Der Skill heißt tas — lade ihn mit dem Namen tas, niemals tts.

Unverhandelbare Regeln (gelten für JEDE Anfrage)

Das gebündelte Skript verwenden. Keine Ad-hoc-Curl-/Python-Schnipsel für TTS oder STT.
NIEMALS etwas installieren. Führe kein pip install faster-whisper, pip install whisper, pip install torch aus und lade kein Modell herunter. Das Skript erledigt STT vollständig über die Speakee API mit der Python-Standardbibliothek — kein lokales Modell, kein lokaler Download, kein Pip.
Vor der Auslieferung überprüfen. tts und conversation führen die Audio-QS automatisch durch; ein QA: FEHLGESCHLAGEN muss korrigiert werden, niemals ausgeliefert werden.
Ergebnis melden: endgültiger Pfad, Dauer, Größe und QS-Status (TTS); endgültiger SRT/VTT/Text-Pfad und Cue-Anzahl (STT).
Immer vorab prüfen. Sprache, Modell und Stimme werden vor jeder Anfrage validiert; niemals eine geratene Stimme senden.
Cache eingeschaltet lassen, es sei denn, der Benutzer wünscht etwas anderes. Er macht Wiederholungen schnell und setzt fehlgeschlagene Konversationen fort.
Niemals einen Stimmnamen erraten. Er wird mit voices/suggest aufgelöst oder die UUID übergeben.
Die kostenlose API respektieren: Standard --workers 4; bei HTTP 429 reduzieren.
Das Skript Text normalisieren lassen. Markdown, URLs, HTML und Emoji werden standardmäßig entfernt; --raw nur verwenden, wenn der Benutzer den wörtlichen Text möchte.
Langen Text niemals vorher aufteilen. Das Skript teilt an Satzgrenzen auf und führt automatisch zusammen.
Für STT immer -l <Code> übergeben, wenn die Sprache bekannt ist. Auto-Erkennung ist unzuverlässig (Whisper verwechselt Bengalisch/Gujarati); -l bn ist für korrektes Bengalisch erforderlich.
--json verwenden, wenn ein anderes Tool oder Skript das Ergebnis verarbeitet.

Befehle

Befehl	Zweck
`tts`	Synthetisiere einen Textblock (TTS)
`uid`	Synthetisiere mit einer benutzerdefinierten Voice-UID (`language=uid`)
`conversation`	Multi-Sprecher-Dialog → eine zusammengefügte, geprüfte MP3
`stt`	Transkribiere eine Audio-/Videodatei → Text (+ optional SRT/VTT)
`transcribe`	Alias für `stt`
`subtitle`	Transkribiere und schreibe eine SRT
`verify`	Führe Audio-QS für jede Datei aus
`voices -l <Code>`	Liste Stimmen für eine Sprache auf
`suggest -l <Code>`	Liste Stimmen mit markierten Empfehlungen auf
`presets`	Liste integrierte Stimmvoreinstellungen auf
`languages`	Liste unterstützte Sprachen auf
`models`	Liste Modelle auf (`sonic-3.5` Standard)
`cache-clear`	Lösche den Synthese-Cache

Arbeitsablauf A — Text zu Sprache (TTS)

Schritt 1 — Umfang

Identifiziere: Sprache (oder Auto-Erkennung verwenden), Tonfall (Nachrichten / Geschichte / Assistent / Hörbuch), Einzelsprecher oder Dialog, gewünschter Ausgabepfad und ob Untertitel (--srt) oder Metadaten (--title/--artist) benötigt werden.

Schritt 2 — Sprache und Stimme wählen

python3 "$S" languages                 # 43 Codes
python3 "$S" suggest -l bn             # empfohlene Stimmen zuerst
python3 "$S" presets                   # kuratierte Stimmensets

Wenn der Benutzer eine benutzerdefinierte Voice-UID hat, verwende den uid-Modus. Ansonsten bevorzuge eine Voreinstellung oder eine empfohlene Stimme gegenüber der Standardeinstellung.

Schritt 3 — Synthetisieren

Einzelsprecher:

python3 "$S" tts "Ihr Text" -l bn -o out.mp3
python3 "$S" tts --text-file artikel.md -l en --preset news -o artikel.mp3

Dialog:

python3 "$S" conversation dialog.txt -l bn \
  --map "Mensch=Nayem,KI=Pooja - Everyday Assistant" \
  --loudnorm --srt dialog.srt -o dialog.mp3

Bei langen oder teuren Durchläufen zuerst --dry-run verwenden.

Schritt 4 — Überprüfen

Die QS läuft automatisch. Zum erneuten Prüfen einer Datei:

python3 "$S" verify out.mp3

Prüft: Dekodierung, Dauer, integrierte Lautstärke (ebur128), wahrer Spitzenwert/Clipping sowie führende/nachfolgende/interne Stille. Exit-Code 5 bedeutet FEHLGESCHLAGEN.

Schritt 5 — Ausliefern

Melde:

out.mp3 — 2,8s, 0,04 MB, QS BESTANDEN (-18,9 LUFS, Spitze -4,2 dBFS)

Roh-JSON nicht einfügen, es sei denn, es wird danach gefragt.

Schritt 6 — Wiederverwenden

Wiederholungen treffen den Cache (~/.cache/speakee-tas). --force zum Neugenerieren, cache-clear zum Löschen verwenden.

Arbeitsablauf B — Sprache zu Text (STT)

Verwende dies, wenn der Benutzer eine Audio- oder Videodatei hat und ein Transkript, Untertitel, Bildunterschriften oder eine SRT wünscht. Whisper nicht installieren — das gebündelte Skript ruft den Speakee /api/stt-Endpunkt direkt auf.

Schritt 1 — Datei bestätigen

python3 "$S" verify /pfad/zu/audio.mp3   # optional: bestätigt, dass es dekodiert
ls -la /pfad/zu/audio.mp3

Schritt 2 — Sprache wählen

# Auto-Erkennung (unzuverlässig — Whisper verwechselt Bengalisch/Gujarati):
python3 "$S" stt audio.mp3

# IMMER die explizite Sprache bevorzugen, wenn bekannt:
python3 "$S" stt audio.mp3 -l bn

Wichtig: -l <Code> für die korrekte Schrift übergeben. Für Bengalisch -l bn verwenden; Auto-Erkennung gibt Gujarati für bengalisches Audio zurück. Warnungen mit geringer Konfidenz (< 0.5) bedeuten, dass die erkannte Sprache wahrscheinlich falsch ist.

Schritt 3 — Transkribieren + Untertitel erstellen

# SRT + VTT neben der Eingabe schreiben und das Transkript speichern:
python3 "$S" stt audio.mp3 -l bn \
  --srt --srt-path audio.srt --vtt --vtt-path audio.vtt \
  -o audio.txt

# Kurzform: nur die SRT (Untertitel-Befehl):
python3 "$S" subtitle audio.mp3 -l bn -o audio.srt

# Maschinenlesbares JSON (für andere Tools):
python3 "$S" stt audio.mp3 -l bn --json -o ergebnis.json

# Lange Aufnahmen: automatisch in ~120s Chunks aufgeteilt; kleinere Chunks erzwingen oder einen Upload:
python3 "$S" stt audio.mp3 -l bn --chunk-seconds 60
python3 "$S" stt audio.mp3 -l bn --no-chunk     # nur wenn < ~3,5 MB

Schritt 4 — Ausliefern

Melde:

audio.srt — 111 Cues (8,05 Min, Bengalisch)
audio.txt — Transkript gespeichert

STT-Flags: --srt, --srt-path, --vtt, --vtt-path, --no-word-timestamps (schneller, geschätztes Timing), --chunk-seconds, --no-chunk, --workers, --max-chars, --max-line-seconds.

Konversationsmodus (TTS)

Skriptformat, eine Zeile pro Sprecherwechsel:

Die Show beginnt.                <- kein "Sprecher:"-Präfix -> Erzählerstimme
Mensch: Bruder, wie viel ist 2+2?
KI: Ihre Frage wurde angenommen.

Sprecherbezeichnungen sind kurze Tokens vor : (≤16 Zeichen, keine Leerzeichen).
Zeilen ohne Sprecher:-Präfix sind der Erzähler/Kommentator. Der Erzähler wird mit dem speziellen Schlüssel narrator abgebildet, daher ist eine 3. eigene Stimme --map "narrator=StimmeC,Mensch=StimmeA,KI=StimmeB".
--map "sprecher=stimme" akzeptiert einen Stimmnamen (unscharf) oder eine UUID.
Ohne --map werden automatisch verschiedene Stimmen zugewiesen.
Stimmen müssen sich unterscheiden. Wenn zwei Sprecher zur selben Stimme aufgelöst werden, gibt das Skript eine WARNUNG aus; ordne jedem Sprecher eine andere Stimme zu. Gib der KI und dem Menschen immer unterschiedliche Stimmen (und eine 3. Stimme für den Erzähler, wenn eine Kommentator-/Erzählerzeile vorhanden ist).
--silence 0.35 Pause zwischen den Sprecherwechseln; --loudnorm normalisiert auf −16 LUFS.
--manifest DATEI zeichnet jedes Segment auf; --srt DATEI schreibt Untertitel.
--no-stitch behält einzelne Segmentdateien statt einer einzigen MP3.
--workers steuert parallele Anfragen (Standard 4).

Optionen (am häufigsten verwendet)

Flag	Standardwert	Bedeutung
`-l, --language`	Auto-Erkennung	ISO-Code oder `uid`
`-m, --model`	`sonic-3.5`	`sonic-3.5` / `sonic-3` / `sonic-turbo` / `sonic-2`
`-v, --voice_id`	Voreinstellung/Standard	Stimmname oder UUID
`-o, --out`	auto	Ausgabedatei / -verzeichnis (`--no-stitch`)
`-s, --speed`	`1.2`	0,5–2,0
`--preset`	—	`news`, `story`, `assistant`, `audiobook`
`--chunk-limit`	`1200`	Zeichen pro Anfrage
`--retries`	`4`	Wiederholungen mit exponentiellem Backoff
`--workers`	`4`	Parallele Anfragen
`--no-cache` / `--force`	aus	Cache umgehen / neu generieren
`--no-verify`	aus	Automatische QS überspringen (nicht empfohlen)
`--dry-run`	aus	Plan ausgeben, keine Anfragen stellen
`--json`	aus	Maschinenlesbare Ausgabe

STT-Optionen

Flag	Standardwert	Bedeutung
`-l, --language`	`auto`	ISO-Code (für Bengalisch `bn` verwenden)
`--chunk-seconds`	`120`	Audio-Sekunden pro Upload
`--no-chunk`	aus	Eine Anfrage (max. ~3,5 MB)
`--workers`	`2`	Parallele Uploads
`--srt` / `--srt-path`	aus	SRT schreiben
`--vtt` / `--vtt-path`	aus	WebVTT schreiben
`--no-word-timestamps`	aus	Schneller; Untertitel-Timing wird geschätzt
`--max-chars`	`42`	Maximale Cue-Zeichen
`--max-line-seconds`	`6.0`	Maximale Cue-Sekunden
`--timeout` / `--retries`	`300` / `3`	Timeout pro Anfrage / Wiederholungen

Caching und Sicherheit

Segmente werden nach Content-Hash in ~/.cache/speakee-tas gecacht; Wiederholungen und erneute Versuche werden automatisch fortgesetzt.
Temporäre Concat-Dateien werden immer entfernt; --no-cache-Temp-Verzeichnisse werden beim Beenden bereinigt.
Antworten werden validiert (Content-Type: audio/* + MP3-Header), sodass Fehler-JSON niemals als Audio gespeichert wird.
HTTP 429 beachtet Retry-After; 5xx/Timeouts wiederholen mit Backoff; permanente 4xx schlagen sofort mit der Servermeldung fehl.
STT läuft vollständig prozessintern mit der Python-Standardbibliothek — keine Netzwerkinstallation, kein Modell-Download, kein Pip.
Exit-Codes: 0 ok, 1 Fehler, 2 Verwendung, 3 Validierung, 4 Netzwerk/API, 5 Audio-QS fehlgeschlagen.

Referenzdateien

references/api.md — Endpunkte, Payload, Validierung, Wiederholungen, Caching.
references/voices.md — Sprach-/Stimmkatalog, UID-Modus, Voreinstellungen.
references/troubleshooting.md — Symptome, Lösungen, häufige Fehlermodi.
assets/presets.json — kuratierte Stimmvoreinstellungen (bearbeiten, um eigene hinzuzufügen).

nayem-48ai/tas

Was ist tas?

In Ihrer bevorzugten KI fragen

Dokumentation