Communitygithub.com

amtamaddon/rsk-explainer-studio

使用 Gemini TTS 生成富有表現力的旁白音頻,逐段控制情感風格。適合需要旁白、配音或語音音頻的影片製作。

rsk-explainer-studio 是什麼?

這個技能利用 Google Gemini 的文字轉語音 (TTS) 功能,根據自然語言風格指令來生成細膩且富有情感的旁白音頻。開發者或使用者可以為每個段落指定特定情緒(例如「嚴肅」、「興奮」),系統會自動將這些標籤轉換為 TTS 提示詞,從而實現段落級別的情感控制。該技能支援 Claude Code、Cursor 等 AI 代理平台,並提供完整的本地端工作流程:輸入為 Markdown 格式的劇本,輸出為每個段落對應的獨立 WAV 檔案,便於後期剪輯與重錄。此外,技能還包含自訂發音映射表,以確保特殊詞彙(如「835」)能被正確朗讀,同時不影響字幕顯示。首次使用時,需從 Gemini 即時 API 獲取最新語音模型與聲音列表,以確保配置正確。

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

在你喜歡的 AI 中提問

開啟一個已預先載入此 Agent Skill 的新對話。

說明文件

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。

Individual skills in this repo

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

相關技能