情感化 TTS
首次執行:從即時 API 完成此技能的建置
Gemini TTS 是透過自然語言風格指令來控制的。在首次使用前,請擷取最新的 Gemini 語音生成文件,確認 config/models.yaml 中的模型 ID,列出可用的聲音,並更新 scripts/tts.py 和此檔案中任何不同的部分(聲音名稱、風格提示語法、多說話者支援、取樣率)。請先試聽三個不同聲音對 p01 段落的朗讀效果,然後讓使用者選擇。之後再刪除本節。
使用方式
python scripts/tts.py work/<slug>/script.md work/<slug>/vo/
該腳本會將每個段落的括號標籤轉換為風格指令:
- 基礎角色設定(始終前置):「以一位溫和、從容的大學講師對小教室講課的口吻朗讀。在逗號處自然停頓。切勿急促或戲劇化。」
- 標籤附加內容:「此段落的語氣:。」
每個段落生成一個獨立的 WAV 檔案,以便於低成本重錄。vo/timing.json 會記錄每個段落的時長,供後續組裝使用。
發音設定
config/pronunciations.yaml 將書面形式映射為口語形式,且僅應用於 TTS 輸入,因此字幕仍會顯示「835」。它會被讀作「eight thirty-five」,而不是「eight hundred thirty-five」。請為任何語音可能誤讀的詞彙新增對應規則。
品質標準
請先單獨渲染 p01 段落。如果聽起來像唱歌或過度表演,請軟化標籤的措辭,而不是添加情緒詞彙。