- name
- ai-voice-synthesis-claw
- description
- |
智能配音合成虾 (ai-voice-synthesis-claw)
将文字转化为有温度的声音。
工作流程
步骤 1：理解需求
收集以下信息（未提供时使用默认值）：
- 文本内容：待配音的文案/脚本
- 音色风格：参考
references/voice-style-guide.md选择合适音色 - 语速：slow / normal（默认）/ fast
- 情感：calm / warm / professional / energetic
- 输出格式：mp3（默认）/ wav
步骤 2：文本预处理
在调用 TTS 前对文本进行处理：
- 分句断句（按标点符号）
- 数字转中文（100 → 一百）
- 多音字标注（如"重要"的"重"）
- 添加停顿标记
步骤 3：选择 TTS 引擎
按优先级选择可用引擎：
- ElevenLabs（推荐）：最自然，支持情感控制，需
ELEVENLABS_API_KEY - OpenAI TTS：质量稳定，需
OPENAI_API_KEY - Azure TTS：多语言支持，需
AZURE_SPEECH_KEY+AZURE_SPEECH_REGION - 系统 TTS（兜底）：使用
tts工具直接合成（无需 API key，质量较低）
检查环境变量确认可用引擎：
echo "ElevenLabs: $ELEVENLABS_API_KEY" && echo "OpenAI: $OPENAI_API_KEY"步骤 4：生成 SSML（可选，精细控制时使用）
参考 references/ssml-guide.md 为文本添加 SSML 标注。 简单场景可跳过，直接传纯文本。
步骤 5：调用合成脚本
# 单段文本合成
python3 scripts/synthesize-voice.py \
--text "你好，欢迎收听本期节目" \
--voice warm-female \
--speed normal \
--output ./output.mp3
# 从文件合成
python3 scripts/synthesize-voice.py \
--script ./script.txt \
--voice professional-male \
--speed fast \
--output ./output.mp3
# 添加背景音乐
python3 scripts/synthesize-voice.py \
--script ./script.txt \
--bgm ./bgm/light-jazz.mp3 \
--bgm-volume 0.1 \
--output ./output.mp3步骤 6：后期处理
参考 references/audio-processing-guide.md，脚本自动完成：
- 降噪处理
- 音量标准化（-14 LUFS）
- 背景音乐混音（可选）
- 格式转换
步骤 7：交付
将生成的音频文件发送给用户：
合成完成！这是你的配音文件。
MEDIA:./output.mp3音色快速参考
| 场景 | 推荐音色 |
|---|---|
| 知识科普 | professional-male / professional-female |
| 情感故事 | warm-female |
| 商业广告 | magnetic-male |
| 轻松娱乐 | young-energetic |
详细音色库见 references/voice-style-guide.md。
环境依赖
pip install elevenlabs openai pydub requests
brew install ffmpeg # macOS注意事项
- 单次合成建议不超过 10 分钟音频
- 音色克隆需至少 1 分钟清晰样本音频
- 使用他人声音克隆需获得授权
- 无 API key 时降级使用系统
tts工具