speech

Panorama general de la skill de speech

Qué hace la skill de speech

La skill de speech convierte texto en audio hablado para narraciones, locuciones, mensajes de IVR, lecturas de accesibilidad y generación por lotes de speech. Es la mejor opción cuando necesitas una salida de audio reproducible a partir de un prompt, no una petición abierta de “haz que suene bien”.

Quién debería usarla

Usa speech si necesitas que la instalación de speech encaje en un flujo de trabajo real: demos de producto, onboarding de una app, recursos de accesibilidad o muchos clips breves a partir de texto estructurado. Es una muy buena opción cuando te importan la elección de la voz, el ritmo, el formato de salida y la consistencia de la generación entre ejecuciones.

Qué la hace diferente

La guía de speech está pensada alrededor de la OpenAI Audio API y la CLI incluida, así que prioriza el uso determinista frente al prompting improvisado. Usa voces integradas, admite trabajos individuales o por lotes y espera OPENAI_API_KEY para la generación en vivo. La creación de voces personalizadas queda fuera de alcance.

Cómo usar la skill de speech

Instala y ubica el flujo de trabajo

Instala con npx skills add openai/skills --skill speech. Después, lee primero SKILL.md, luego references/cli.md para ver los detalles de los comandos, references/audio-api.md para los límites del modelo y de parámetros, y references/prompting.md o references/voice-directions.md para escribir mejores instrucciones. Para un contexto rápido, revisa agents/openai.yaml y references/sample-prompts.md.

Convierte un objetivo general en un prompt útil

El patrón de uso de speech funciona mejor cuando le das a la skill el texto exacto que debe leer, la voz objetivo, el estilo de entrega, el formato de salida y cualquier restricción de pronunciación. Una solicitud sólida se vería así: “Generate a 45-second product demo voiceover from this script, use cedar, keep it warm and steady, output mp3, and emphasize the product name on first mention.” Eso es mejor que “haz que suene profesional”, porque le da a la skill controles concretos de síntesis.

Flujo de trabajo de un clip frente a varios

La skill está diseñada para dos rutas: un clip o muchos clips. Si tienes varias líneas, prompts o archivos, trátalo como un proceso por lotes y prepara un archivo JSONL temporal en tmp/, luego ejecuta la CLI una sola vez y borra el JSONL después de usarlo. Si tienes un solo guion, usa la ruta de archivo único. Esta decisión importa porque la estructura de la skill y los pasos de validación cambian según el volumen de salida.

Qué revisar antes de ejecutar

Para obtener mejores resultados, verifica el texto palabra por palabra, no solo el tema. Confirma la voz, el formato de archivo, la velocidad y si la salida debe ser neutral, expresiva o prioritaria para accesibilidad. El archivo principal del repositorio que debes inspeccionar para la ejecución es scripts/text_to_speech.py; no lo modifiques salvo que el mantenedor del repositorio te lo indique.

Preguntas frecuentes sobre la skill de speech

¿La skill de speech sirve solo para narración?

No. La skill de speech también encaja en locución, lecturas de accesibilidad, mensajes de IVR y prompts de audio breves. Es menos útil para clonación de voz personalizada o diseño creativo de voces, algo que este repositorio no cubre.

¿Necesito la CLI para usar speech?

Para un uso fiable de speech, sí. La CLI incluida es la ruta prevista para la generación en vivo, mientras que --dry-run resulta útil para comprobar la forma de la invocación sin hacer una llamada a la API. Si solo escribes un prompt genérico, pierdes la estructura que hace que la skill sea reproducible.

¿Es apta para principiantes?

Sí, si puedes aportar el texto exacto y una dirección básica de voz. La instalación de speech es sencilla, pero la calidad de salida depende de con qué claridad definas el ritmo, el tono, el formato y la pronunciación. Los principiantes suelen avanzar más rápido si empiezan con un clip corto y una sola voz.

¿Cuándo no debería usar esta skill?

No uses speech si necesitas creación de voz personalizada, posproducción pesada o un flujo de trabajo que dependa de modificar el script incluido. Tampoco encaja bien si no puedes usar llamadas en red a la OpenAI API o no tienes OPENAI_API_KEY.

Cómo mejorar la skill de speech

Reduce las ambigüedades al mínimo

La mayor mejora de calidad en los resultados de speech llega al eliminar la interpretación. Proporciona el texto exacto, no un resumen; indica a quién va dirigido; y especifica si la lectura debe sonar como narración, mensajería de soporte, accesibilidad o un mensaje de IVR. Si un término es difícil de pronunciar, escríbelo de forma fonética o añade una nota de pronunciación.

Ajusta una sola variable cada vez

Cuando la primera versión se acerque pero no sea la correcta, cambia solo una cosa: la voz, la velocidad o el estilo de la instrucción. Eso hace que la iteración sea más limpia que reescribir todo el prompt. Por ejemplo, si el tiempo se siente apresurado, mantén fijos el texto y la voz y ajusta solo la velocidad de 1.0 a 0.95.

Usa restricciones de salida que importen

La guía de speech funciona mejor cuando las restricciones son operativas, no vagas. Di “mp3 for quick playback”, “wav for review” o “steady and neutral for accessibility”. Para trabajos por lotes, mantén cada línea acotada con precisión para que la skill preserve una entrega coherente en todas las salidas.

Lee primero las referencias adecuadas

Si quieres mejores resultados con speech para Design Implementation, prioriza references/accessibility.md para lecturas neutras, references/voiceover.md para una entrega con estilo de presentación y references/sample-prompts.md para la estructura de los prompts. Estos archivos te ayudan a escribir instrucciones que la CLI y la API pueden ejecutar sin interpretación adicional.