Communitygithub.com

daymade/claude-code-skills

Génère de la parole en chinois/japonais avec le TTS contextuel StepFun — modèles par défaut stepaudio-2.5-tts, stepaudio-3-tts pour chuchotement/prosodie inline-(). Remplace l'étiquette vocale step-tts-2 par une instruction en langage naturel. Idéal pour le contrôle émotionnel et prosodique, la synthèse par lots, la migration depuis step-tts-2 ou les voix clonées (2.5/step-tts-2, pas v3).

Qu'est-ce que claude-code-skills ?

Ce skill permet de générer de la parole en chinois et japonais à l'aide du TTS contextuel de StepFun, en utilisant le modèle par défaut `stepaudio-2.5-tts` ou `stepaudio-3-tts` pour un contrôle prosodique avancé (chuchotement, instructions inline avec parenthèses). Il est conçu pour les développeurs et utilisateurs d'agents IA qui ont besoin d'une synthèse vocale émotionnelle et naturelle, par exemple pour des jeux, des doublages, ou des applications vocales. Le skill explique en détail les différences entre les modèles, les pièges de migration depuis `step-tts-2`, et fournit des scripts prêts à l'emploi pour la synthèse unique, par lots, et la comparaison A/B. Il gère également l'authentification, les erreurs courantes (comme `voice_label` ou `censorship_block`), et offre des références complètes pour les appels API directs. Attention : les voix clonées ne fonctionnent pas avec le modèle v3.

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

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

StepFun Contextual TTS (par défaut stepaudio-2.5-tts)

Générez de la parole en chinois / japonais avec le TTS contextuel de StepFun — l'émotion et la prosodie passent par une description en langage naturel, et non par des étiquettes fixes. Le modèle par défaut est stepaudio-2.5-tts (celui utilisé par le script fourni) : lors d'un A/B aveugle le 2026-09-16 sur nos propres cas, le 2.5 a gagné les paires neutre / jiao / fille-vive 3:2. Choisissez stepaudio-3-tts lorsque la ligne est chuchotée ou avec une prosodie inline-() lourde — v3 a gagné exactement ces deux paires ; v3 élève également la limite de instruction à 500 caractères (2.5 est à 200). ⚠️ Ne synthétisez jamais de voix clonées avec v3 — la parole v3 accepte les ID de timbre cloné sans erreur mais revient silencieusement à une voix féminine par défaut — cause racine = toute la chaîne de clonage de StepFun reste dans la famille 2.5 (l'API de création de clonage n'accepte que 2.5/step-tts-2/step-tts-mini, v3 n'en fait pas partie ; le côté synthèse v3 pour le clonage n'est pas publié). Les clones créés par les deux générations sont tous perdus sur v3 : clone step-tts-2 SIM 0.272, nouveau clone créé avec 2.5 SIM 0.195 (ancrage 0.773), même ID sur 2.5 0.743/0.678.

Compagnon : pour la transcription avec stepaudio-3-asr-max (le modèle frère), utilisez le skill stepfun-asr — ils partagent une clé API mais vivent sur des points de terminaison différents avec des structures de corps différentes.

Pourquoi ce skill existe — deux pièges non évidents qui coûtent des heures si vous ne les connaissez pas :

  1. stepaudio-3-tts rejette voice_label (la méthode step-tts-2) — vérifié sur v3 le 2026-09-16 : HTTP 400 voice_label is not supported for this model. L'émotion/la prosodie passe par instruction (description en langage naturel, ≤500 caractères sur v3 — 200 était la limite de 2.5) et les parenthèses () inline dans le texte lui-même.
  2. Le comportement de censure est spécifique à la version du modèle — la liste de déclencheurs de l'ère 2.5 (死 / 消失 / termes politiques sensibles → censorship_block) n'a pas été déclenchée sur v3 lors d'un test d'un seul échantillon le 2026-09-16 ; considérez la censure comme présente mais revérifiez par déclencheur avant de construire des cartes de réécriture. Les options de l'ère 2.5 se trouvent dans references/migration_from_v2.md.

Configuration et authentification

La clé API se trouve dans $STEPFUN_API_KEY (recommandé) ou ${CLAUDE_PLUGIN_DATA}/config.json (solution de repli pour la persistance entre sessions). Tous les scripts fournis essaient d'abord la variable d'environnement, puis le fichier de configuration.

Première configuration (une ligne) :

mkdir -p "${CLAUDE_PLUGIN_DATA}" && cat > "${CLAUDE_PLUGIN_DATA}/config.json" <<EOF
{"api_key": "<collez la clé ici>"}
EOF

Si l'utilisateur n'a pas défini de clé, demandez-lui de la coller (ne devinez pas / n'utilisez pas d'espace réservé). Les clés API StepFun sont disponibles sur https://platform.stepfun.com/ → API Keys. Utilisez une clé Normale, pas une clé Plan (les clés Plan sont limitées aux modèles de texte et échouent silencieusement sur les points de terminaison audio).

Tâches courantes — arbre de décision

L'utilisateur veut...ScriptDétail clé
Synthétiser 1–500 caractères chinois avec émotionscripts/tts_generate.pyUtilisez instruction pour l'humeur, () pour la prosodie inline
Synthétiser un texte long (500–1000 caractères)scripts/tts_generate.py1000 caractères est la limite maximale ; fractionnez aux limites sémantiques au-dessus
Générer par lots des lignes vocales pour un jeu/une appscripts/tts_generate.py --batch <jsonl>Gérez le repli censorship_block individuellement
Comparer A/B deux modèles TTSscripts/ab_compare.shCompare la durée/la taille dans deux répertoires
Migrer depuis step-tts-2 / stepaudio-2.5-ttsvoir references/migration_from_v2.mdvoice_label.emotion → réécriture instruction + liste de censure de l'ère 2.5

Points de départ

  • Synthétiser une seule ligne : Exécutez python3 scripts/tts_generate.py --text "你好" --out /tmp/hello.mp3 --instruction "温暖的希望感". Pour un contrôle précis, lisez la section « Contextual TTS » ci-dessous.
  • Depuis le code : ce script est l'enveloppe du point de terminaison dans llm-registry — llmreg.wrapper_for("stepfun-tts").tts_generate.synthesize(api_key=…, text=…, model=…, extra={…}). extra est fusionné dans le corps de la requête tel quel ; avec {"timestamp": True, "return_url": True} le serveur répond avec une enveloppe JSON ({"data": {"url", "subtitles"}}) qui revient sous json au lieu de audio_bytes (vérifié le 2026-09-19). Les paramètres ne sont pas facturés — envoyez ce dont vous avez besoin. Les appels directs /v1/audio/speech ailleurs sont bloqués par le hook llm-entry-guard.
  • Une migration complète de step-tts-2 → TTS contextuel : lisez references/migration_from_v2.md du début à la fin avant de toucher au code. Il contient INSTRUCTION_MAP, le motif de liste SKIP_CENSORED, et la stratégie de répertoire de sortie pour un A/B non destructif (écrit pour 2.5 ; les mécanismes de migration sont identiques sur v3).

TTS contextuel — au-delà des étiquettes d'émotion

La fonctionnalité phare de stepaudio-3-tts est que vous cessez de mapper les émotions à des balises fixes et commencez à décrire ce que vous voulez en langage naturel. Deux couches :

Contexte global (paramètre instruction) — définit le ton général de l'énoncé entier. ≤500 caractères sur v3 (2.5 était à 200 ; une instruction de 300 caractères vérifiée acceptée sur v3 le 2026-09-16). Considérez-le comme une indication de mise en scène pour un comédien de doublage.

instruction : "克制的悲伤,语气低沉柔弱,像快要消失一样"

Contexte inline (parenthèses () dans input) — directives intra-phrase. Le contenu entre parenthèses est consommé comme des directions et n'est PAS lu à haute voix. Utilisez-le pour un contrôle précis des pauses, de la respiration, de l'emphase ou des changements d'émotion en milieu de phrase.

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。"

Exemples qui ont fonctionné en pratique (vérifiés le 2026-04-23 sur 2.5 ; les cinq revérifiés sur v3 le 2026-09-16, y compris ces cas d'instruction et de prosodie inline) :

  • instruction : "活泼俏皮,像是在撒娇,带点嘴硬" — accélère visiblement le débit par rapport au neutre
  • instruction : "耳语声,气声很重,几乎听不清" — produit un chuchotement/souffle audible
  • input : "你好(停顿一下)我是蕾格(轻声)今天(加重)的天气真不错。" — directives inline toutes respectées

Ce que stepaudio-3-tts n'accepte PAS — le paramètre voice_label. Erreur sur v3 : voice_label is not supported for this model (2.5 disait ...for v2 models). C'est le piège de migration n°1 depuis step-tts-2.

Schémas d'erreur courants (erreurs réelles, correctifs réels)

Réponse d'erreurCause réelleCorrectif
"voice_label is not supported for this model" (v3) / "...for v2 models" (2.5)Envoyé voice_label à un modèle TTS contextuelSupprimez voice_label ; mettez la même intention dans instruction en langage naturel
"The content you provided or machine outputted is blocked." type: censorship_blockMot sensible (ère 2.5 : 死 / 消失 / etc. ; déclencheurs v3 non vérifiés)Réécrivez la phrase OU repliez-vous sur step-tts-2 pour cette ligne spécifique (modèle mixte est acceptable)
Troncature audio silencieuse (entrée > 1000 caractères)Limite maximale dépasséeFractionnez aux limites sémantiques ; ne tronquez pas en milieu de phrase

Plus dans references/known_issues.md.

Quand lire les références

  • references/api_reference.md — JSON exact de requête/réponse pour /v1/audio/speech, tous les champs, réponses d'erreur. Lisez-le lorsque vous écrivez des appels HTTP bruts au lieu d'utiliser les scripts fournis.
  • references/migration_from_v2.md — guide complet pour déplacer un projet step-tts-2 vers le TTS contextuel. Contient le tableau de réécriture émotion→instruction, la stratégie de répertoire A/B, les points de décision, et les données de compromis vitesse/qualité d'avril 2026 (écrites pour 2.5). Lisez-le avant tout travail de migration.
  • references/known_issues.md — motifs de censure, inflation de durée TTS, piège de nommage des paramètres de la famille v2, limite maximale de 1000 caractères. Vérification de l'ère 2.5 ; revérifiez sur v3 avant de vous fier à une entrée spécifique. Lisez-le lors du débogage de sorties anormales ou de l'évaluation de l'adoption.

Invariants de conception (ne les cassez pas)

  1. Sortie A/B non destructive — lors de la régénération d'un corpus avec un nouveau modèle, écrivez dans un répertoire parallèle (voice/zh_v3/), ne remplacez jamais le corpus de production. Le guide de migration montre pourquoi.
  2. Gestion de la censure par ligne — si 2/29 lignes obtiennent censorship_block, n'échouez pas le lot. Enregistrez les ID ignorés, continuez. Le repli avec modèle mixte (step-tts-2 pour les 2 ignorées) est normal.
  3. Ne dupliquez pas la logique voice_label dans le nouveau code — tout nouveau code TTS ciblant stepaudio-3-tts doit uniquement utiliser instruction + inline (). N'écrivez pas de branche qui émet conditionnellement voice_label.

Faits spécifiques à v3 (vérifiés le 2026-09-16)

  • Voix officielles : 60+ via GET /v1/audio/system_voices?model=stepaudio-3-tts — la liste 2.5 est entièrement héritée, plus de nouvelles voix (par exemple Lisa/Alfie aux noms anglais, 上海话 shanghaifemale/shanghaimale).
  • Voix clonées (复刻) : n'utilisez PAS stepaudio-3-tts — cause racine identifiée le 2026-09-16 : toute la pile de clonage de StepFun est encore dans la famille 2.5. L'API de création (POST /v1/audio/voices) n'accepte que stepaudio-2.5-tts / step-tts-2 / step-tts-mini, et /v1/audio/speech de v3 revient silencieusement à une voix féminine par défaut pour TOUT ID cloné — SIM 0.272 (clone step-tts-2) et 0.195 (nouveau clone créé avec 2.5) contre l'ancrage 0.773 ; les mêmes ID sur 2.5 obtiennent 0.743/0.678. Synthétisez les clones avec stepaudio-2.5-tts (meilleur SIM) ou step-tts-2.
  • Pas de streaming WebSocket pour v3 (au 2026-09-16) : wss://api.stepfun.com/v1/realtime/audio?model=stepaudio-3-tts est rejeté à la poignée de main (404), tandis que 2.5 streame encore là. Besoin d'horodatages de sous-titres au niveau du caractère sur v3 ? Utilisez REST timestamp:true + return_url:true (les sous-titres arrivent dans le JSON de réponse data.subtitles[], ms par caractère, axe absolu cumulé) — le stream_format:"audio" nu ne peut pas transporter de sous-titres (serveur 400).

Tarification (vérifiée le 2026-09-16, volatile)

  • Synthèse stepaudio-3-tts : 2,5 元 / 10 000 caractères (page officielle du modèle, 2026-09-16 — moins cher que l'ère 2.5 ~5,8)
  • Clonage vocal zero-shot : 9,9 元 / timbre

Revérifiez sur https://platform.stepfun.com/docs/zh/guides/pricing/details avant de citer aux parties prenantes.

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.

Skills associés