speak
将任意文本转换为语音音频。支持两种后端（本地 Kokoro、云端 Noiz）、两种模式（简单或时间轴对齐）以及每段语音控制。
触发词
- 文字转语音 / 朗读 / 说话 / tts
- 语音克隆 / 配音
- epub 转音频 / srt 转音频 / 转换为音频
简单模式 — 文本转音频
# Kokoro（已安装时自动检测）
bash skills/speak/scripts/tts.sh speak -t "Hello world" -v af_sarah -o hello.wav
bash skills/speak/scripts/tts.sh speak -f article.txt -v zf_xiaoni --lang cmn -o out.mp3 --format mp3
# Noiz（设置 NOIZ_API_KEY 时自动检测，或使用 --backend noiz 强制指定）
# 如果省略 --voice-id，脚本会打印 5 个可用的内置语音并退出。
# 从输出中选择一个，然后用 --voice-id <id> 重新运行。
bash skills/speak/scripts/tts.sh speak -f input.txt --voice-id voice_abc --auto-emotion --emo '{"Joy":0.5}' -o out.wav
# Noiz：可选 --duration（浮点数，秒，范围 (0, 36]）用于目标音频长度
bash skills/speak/scripts/tts.sh speak -t "Short line" --voice-id voice_abc --duration 3.5 -o out.wav
# 语音克隆（仅 Noiz — 无需 voice-id，使用参考音频）
# 使用你自己的参考音频：本地文件路径或 URL（仅当使用 Noiz 时）。
bash skills/speak/scripts/tts.sh speak -t "Hello" --ref-audio ./ref.wav -o clone.wav
bash skills/speak/scripts/tts.sh speak -t "Hello" --ref-audio https://example.com/my_voice.wav -o clone.wav
时间轴模式 — SRT 转时间对齐音频
用于精确的每段计时（配音、字幕、视频旁白）。
步骤 1：获取或创建 SRT
如果用户没有 SRT，可以从文本生成：
bash skills/speak/scripts/tts.sh to-srt -i article.txt -o article.srt
bash skills/speak/scripts/tts.sh to-srt -i article.txt -o article.srt --cps 15 --gap 500
--cps = 每秒字符数（中文默认 4，英文约 15）。Agent 也可以手动编写 SRT。
步骤 2：创建语音映射
控制默认以及每段语音设置的 JSON 文件。segments 的键支持单个索引 "3" 或范围 "5-8"。
Kokoro 语音映射：
{
"default": { "voice": "zf_xiaoni", "lang": "cmn" },
"segments": {
"1": { "voice": "zm_yunxi" },
"5-8": { "voice": "af_sarah", "lang": "en-us", "speed": 0.9 }
}
}
Noiz 语音映射（增加了 emo、reference_audio 支持）。reference_audio 可以是本地路径或 URL（用户自己的音频，仅 Noiz）：
{
"default": { "voice_id": "voice_123", "target_lang": "zh" },
"segments": {
"1": { "voice_id": "voice_host", "emo": { "Joy": 0.6 } },
"2-4": { "reference_audio": "./refs/guest.wav" }
}
}
动态参考音频切片：
如果你正在翻译或配音一段视频，并希望每个句子自动使用原始视频中同一时间戳的音频作为参考，请使用 --ref-audio-track 参数，而不是在映射中设置 reference_audio：
bash skills/speak/scripts/tts.sh render --srt input.srt --voice-map vm.json --ref-audio-track original_video.mp4 -o output.wav
有关完整示例，请参见 examples/。
步骤 3：渲染
bash skills/speak/scripts/tts.sh render --srt input.srt --voice-map vm.json -o output.wav
bash skills/speak/scripts/tts.sh render --srt input.srt --voice-map vm.json --backend noiz --auto-emotion -o output.wav
何时选择哪种后端
| 需求 | 推荐 |
|---|---|
| 朗读文本，无需复杂操作 | Kokoro（默认） |
| EPUB/PDF 有声书，分章节 | Kokoro（原生支持） |
语音混合 ("v1:60,v2:40") | Kokoro |
| 根据参考音频进行语音克隆 | Noiz |
情感控制（emo 参数） | Noiz |
| 每段精确的服务器端时长 | Noiz |
当用户同时需要情感控制 + 语音克隆 + 精确时长时，只有 Noiz 支持全部三项。
要求
ffmpeg在 PATH 中（时间轴模式）- Noiz：在 developers.noiz.ai 获取 API 密钥，然后运行
bash skills/speak/scripts/tts.sh config --set-api-key YOUR_KEY - Kokoro：如果已安装，传递
--backend kokoro以使用本地后端
有关后端细节和完整参数参考，请参见 reference.md。