Communitygithub.com

amtamaddon/rsk-explainer-studio

Genera audio de narración expresiva con Gemini TTS, modulando la emoción por párrafo. Úsalo siempre que se necesite narración, voz en off o audio hablado para un video.

¿Qué es rsk-explainer-studio?

Esta habilidad convierte guiones de video en narraciones audibles y emocionalmente matizadas utilizando la tecnología de texto a voz (TTS) de Gemini. Está diseñada para desarrolladores y creadores de contenido que buscan voces en off naturales y expresivas para videos, presentaciones o explicaciones. La habilidad admite plataformas como Claude Code, Cursor y Codex, y se basa en un script de Python (`scripts/tts.py`) que procesa un archivo de guión en Markdown. Cada párrafo del guión puede incluir una etiqueta de estilo (por ejemplo, `[entusiasta]`) que se traduce en instrucciones de tono para el motor TTS, permitiendo un control fino sobre la emoción de cada segmento. Además, incluye manejo de pronunciación personalizada para términos técnicos o números, asegurando que el audio generado sea preciso y natural. La habilidad también produce un archivo `timing.json` con las duraciones de cada párrafo, facilitando la sincronización con el video final. En resumen, es una herramienta poderosa para automatizar la creación de bandas sonoras de narración de alta calidad y adaptables.

Compatible con~Claude Code~Codex CLI~Cursor✓Gemini CLI
npx skills add https://github.com/amtamaddon/rsk-explainer-studio/tree/HEAD/.claude/skills/emotive-tts

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

Documentación

TTS Emotivo

Primera ejecución: termina de construir esta habilidad desde la API en vivo

El TTS de Gemini se guía mediante instrucciones de estilo en lenguaje natural. Antes del primer uso, obtén la documentación actual de generación de voz de Gemini, confirma el ID del modelo en config/models.yaml, enumera las voces disponibles y actualiza scripts/tts.py y este archivo con cualquier diferencia (nombres de voces, sintaxis de indicaciones de estilo, soporte para múltiples hablantes, frecuencia de muestreo). Prueba tres voces en el párrafo p01 y permite que el usuario elija. Luego elimina esta sección.

Uso

python scripts/tts.py work/<slug>/script.md work/<slug>/vo/

El script convierte la etiqueta entre corchetes de cada párrafo en una instrucción de estilo:

  • Persona base, siempre antepuesta: "Lee como un profesor universitario cálido y pausado que habla en una sala pequeña. Pausas naturales en las comas. Nunca apresurado, nunca teatral."
  • Etiqueta añadida: "Tono para este pasaje: ."

Un WAV por párrafo mantiene las regrabaciones económicas. vo/timing.json registra cada duración para el montaje.

Pronunciación

config/pronunciations.yaml asigna formas escritas a formas habladas y se aplica solo a la entrada de TTS, por lo que los subtítulos aún muestran "835". Se lee como "ocho treinta y cinco", nunca "ochocientos treinta y cinco". Agrega cualquier término que una voz lea incorrectamente.

Barra de calidad

Renderiza p01 primero. Si la lectura suena cantarina o sobreactuada, suaviza la redacción de la etiqueta en lugar de agregar palabras de emoción.

Individual skills in this repo

This repo contains 3 individual skills — each has its own dedicated page.

Skills relacionados