安装 belt CLI 技能:
npx skills add belt-sh/cli
AI 语音生成
通过 inference.sh CLI 生成自然 AI 语音。
快速开始
需要 inference.sh CLI（
belt）。安装指南
belt login
# 生成语音
belt app run infsh/kokoro-tts --input '{
"prompt": "你好！这是一个听起来自然且富有吸引力的 AI 生成语音。",
"voice": "af_sarah"
}'
可用模型
| 模型 | 应用 ID | 最佳用途 |
|---|---|---|
| Inworld TTS-2 | inworld/text-to-speech-2 | 100+ 语言、情感/非语言导向、说话模式 |
| Inworld TTS 1.5 Max | inworld/text-to-speech-1-5-max | 低延迟（<200ms），15 种语言 |
| Inworld TTS 1.5 Mini | inworld/text-to-speech-1-5-mini | 超低延迟（~120ms），15 种语言，实时 |
| ElevenLabs TTS | elevenlabs/tts | 优质品质，22+ 种声音，32 种语言 |
| ElevenLabs 变声器 | elevenlabs/voice-changer | 转换现有语音录音 |
| Kokoro TTS | infsh/kokoro-tts | 自然，多种声音 |
| DIA | infsh/dia-tts | 对话式，富有表现力 |
| Chatterbox | infsh/chatterbox | 休闲，娱乐 |
| Higgs | infsh/higgs-tts | 专业旁白 |
| VibeVoice | infsh/vibevoice | 情感范围 |
Kokoro 声音库
美式英语
| 声音 ID | 性别 | 风格 |
|---|---|---|
af_sarah | 女 | 温暖、友好 |
af_nicole | 女 | 专业 |
af_sky | 女 | 年轻 |
am_michael | 男 | 权威 |
am_adam | 男 | 对话式 |
am_echo | 男 | 清晰、中性 |
英式英语
| 声音 ID | 性别 | 风格 |
|---|---|---|
bf_emma | 女 | 优雅 |
bf_isabella | 女 | 温暖 |
bm_george | 男 | 经典 |
bm_lewis | 男 | 现代 |
Inworld TTS — 角色与情感声音
Inworld TTS-2 专为角色声音、游戏和表现力语音而构建。在行内使用 [方括号] 表示情感、非语言和说话模式控制：
# 带情感导向的表现力角色声音
belt app run inworld/text-to-speech-2 --input '{
"text": "[兴奋] 哦，哇，你真的找到了远古神器！[倒吸一口气] 我简直不敢相信……[低声] 这件事我们必须保密。",
"voice_id": "Sarah",
"delivery_mode": "CREATIVE"
}'
# 稳定输出的冷静旁白
belt app run inworld/text-to-speech-2 --input '{
"text": "太阳落到了山后，在峡谷中投下长长的影子。新的篇章即将开始。",
"voice_id": "Sarah",
"delivery_mode": "STABLE"
}'
说话模式: STABLE（一致，旁白），BALANCED（自然，默认），CREATIVE（富有表现力，角色）
导向示例: [笑]，[叹气]，[低声]，[兴奋]，[伤心]，[生气]，[暂停]，[倒吸一口气]
内置声音（271+ 种，覆盖 15 种语言）：Sarah，Alex，Ashley，Dennis，Hana，Blake，Luna，Clive 等。请在 Inworld TTS Playground 浏览全部。
低延迟 —— 适用于实时 / 对话式 AI
# 聊天机器人和游戏 NPC 的超快响应（~120ms）
belt app run inworld/text-to-speech-1-5-mini --input '{
"text": "欢迎你，旅行者。是什么风把你吹到我们村子的？",
"voice_id": "Clive",
"speaking_rate": 0.9
}'
语音生成示例
专业旁白
belt app run infsh/kokoro-tts --input '{
"prompt": "欢迎参加我们季度的财报电话会议。今天我们将讨论过去一个季度的财务表现和战略举措。",
"voice": "am_michael",
"speed": 1.0
}'
对话风格
belt app run infsh/dia-tts --input '{
"text": "嘿，我一直在想我们讨论的那个项目。如果我们尝试一种不同的方法会怎样？",
"voice": "conversational"
}'
有声书旁白
belt app run infsh/kokoro-tts --input '{
"prompt": "第一章。清晨的薄雾低低地笼罩着山谷，莎拉沿着蜿蜒的小路走去。她已经走了几个小时了。",
"voice": "bf_emma",
"speed": 0.9
}'
视频配音
belt app run infsh/kokoro-tts --input '{
"prompt": "隆重推出下一代生产力。更聪明地工作，不是更辛苦。",
"voice": "af_nicole",
"speed": 1.1
}'
播客主持人
belt app run infsh/kokoro-tts --input '{
"prompt": "欢迎回到 Tech Talk！我是你的主持人，今天我们将深入探讨人工智能的世界。",
"voice": "am_adam"
}'
多角色对话
# 生成两位说话者之间的对话
# 说话者 1
belt app run infsh/kokoro-tts --input '{
"prompt": "你看到最新的 AI 进展了吗？事情发展得真是太快了。",
"voice": "am_michael"
}' > speaker1.json
# 说话者 2
belt app run infsh/kokoro-tts --input '{
"prompt": "是啊，对吧？就在上周我试了那个新的图像生成器，彻底被震撼了。",
"voice": "af_sarah"
}' > speaker2.json
# 合并对话
belt app run infsh/media-merger --input '{
"audio_files": ["<speaker1-url>", "<speaker2-url>"],
"crossfade_ms": 300
}'
长内容处理
分块处理
对于超过 5000 字符的内容，将其分成多个块：
# 以块处理长文本
TEXT="你的很长的文本..."
# 分割并生成
# 块 1
belt app run infsh/kokoro-tts --input '{
"prompt": "<chunk-1>",
"voice": "bf_emma"
}' > chunk1.json
# 块 2
belt app run infsh/kokoro-tts --input '{
"prompt": "<chunk-2>",
"voice": "bf_emma"
}' > chunk2.json
# 合并块
belt app run infsh/media-merger --input '{
"audio_files": ["<chunk1-url>", "<chunk2-url>"],
"crossfade_ms": 100
}'
语音 + 视频工作流
为视频添加配音
# 1. 生成配音
belt app run infsh/kokoro-tts --input '{
"prompt": "这段令人惊叹的镜头展示了大自然最纯粹的美。",
"voice": "am_michael"
}' > voiceover.json
# 2. 与视频合并
belt app run infsh/media-merger --input '{
"video_url": "https://your-video.mp4",
"audio_url": "<voiceover-url>"
}'
创建演讲头像
# 1. 生成语音
belt app run infsh/kokoro-tts --input '{
"prompt": "嗨，我很高兴今天与大家分享一些更新。",
"voice": "af_sarah"
}' > speech.json
# 2. 用虚拟人物动画
belt app run bytedance/omnihuman-1-5 --input '{
"image_url": "https://portrait.jpg",
"audio_url": "<speech-url>"
}'
语速与节奏
| 速度 | 效果 | 用途 |
|---|---|---|
| 0.8 | 慢速、从容 | 有声书、冥想 |
| 0.9 | 略慢 | 教育、教程 |
| 1.0 | 正常 | 通用 |
| 1.1 | 略快 | 广告、活力内容 |
| 1.2 | 快速 | 快速公告 |
# 慢速旁白
belt app run infsh/kokoro-tts --input '{
"prompt": "深呼吸。让自己放松下来。",
"voice": "bf_emma",
"speed": 0.8
}'
标点符号控制节奏
使用标点符号控制语音节奏：
| 标点 | 效果 |
|---|---|
句号 . | 完整停顿 |
逗号 , | 短暂停顿 |
... | 延长停顿 |
! | 强调 |
? | 疑问语调 |
- | 快速中断 |
belt app run infsh/kokoro-tts --input '{
"prompt": "等等...你听到了吗？有什么东西来了。大东西！",
"voice": "am_adam"
}'
最佳实践
- 声音与内容匹配 - 商业用专业声音，社交用休闲声音
- 使用标点符号 - 用句号和逗号控制节奏
- 保持句子简短 - 更容易生成，听起来更自然
- 尝试不同声音 - 相同文本在不同声音下听起来不同
- 调整语速 - 略微慢速通常听起来更自然
- 拆分长内容 - 分块处理以确保一致性
用例
- 配音 - 视频旁白、广告
- 有声书 - 全书旁白
- 播客 - AI 主持人和嘉宾
- 在线学习 - 课程旁白
- 无障碍 - 屏幕阅读内容
- IVR - 电话系统消息
- 内容本地化 - 翻译并配音
相关技能
# ElevenLabs TTS（优质，22+ 种声音）
npx skills add inference-sh/skills@elevenlabs-tts
# ElevenLabs 变声器（转换录音）
npx skills add inference-sh/skills@elevenlabs-voice-changer
# 所有 TTS 模型
npx skills add inference-sh/skills@text-to-speech
# 播客制作
npx skills add inference-sh/skills@ai-podcast-creation
# AI 虚拟人物
npx skills add inference-sh/skills@ai-avatar-video
# 视频生成
npx skills add inference-sh/skills@ai-video-generation
# 完整平台技能
npx skills add inference-sh/skills@infsh-cli
浏览音频应用：belt app list --category audio