dialogue-audio

概览

dialogue-audio 技能能做什么

dialogue-audio 技能可以将书面对话转为自然的多说话人音频，通过 inference.sh (infsh) CLI 调用 Dia TTS，并在后台支持接近 ElevenLabs 质量的声音。

它适用于：

• 双人对话场景
• 播客式对谈和采访
• 有声书中角色轮流发言的场景
• 主持人/嘉宾形式的讲解型内容
• 角色对白和配音原型制作

该技能重点支持：

• 通过简单标签（如 [S1] 和 [S2]）进行说话人区分
• 在同一次会话中保持每位说话人的声音一致性
• 通过用词和标点来控制情绪与表达
• 优化来回对话的节奏和流畅度
• 提供后期制作指导，方便将音频融入现有媒体制作流程

如果你希望在命令行里自动把双人剧本变成打磨过的对话音频，dialogue-audio 正是为这一需求而设计。

适用人群

如果你是：

• 希望撰写或模拟对话的播客主
• 需要为时间线添加人声轨道的音频制作人或视频剪辑师
• 为对话密集场景创作的作者或编剧
• 偏好 CLI 和可重复流程的开发者或自动化创作者

那么这个技能会很适合你。

如果你需要：

• 在一次生成中包含多于两位说话人
• 自动完成复杂声效设计、配乐或混音
• 使用点按式 GUI 而不是命令行工具

那么它可能不是最佳选择。

针对这些更复杂的需求，你可以考虑额外使用 DAW 工具或多说话人 TTS 服务，再用 dialogue-audio 专门生成核心的双声部对话轨道。

使用要求一览

要高效使用 dialogue-audio，你需要：

• 获取 inference.sh CLI（infsh）的访问能力
• 一个终端或命令行环境（macOS、Linux，或带 shell 的 Windows）
• 对编辑文本 prompt 和运行 CLI 命令有基本了解

---

使用指南

1. 安装 dialogue-audio 技能

你可以使用 npx 将 dialogue-audio 技能添加到你的 Agent 环境：

npx skills add https://github.com/inferen-sh/skills --skill dialogue-audio

该命令会从 inferen-sh/skills 仓库拉取 dialogue-audio 配置，并将其作为可复用的 workflow 提供。

接下来，请确认已安装 inference.sh CLI（infsh）。按照官方说明进行安装：

• CLI 安装说明：https://raw.githubusercontent.com/inference-sh/skills/refs/heads/main/cli-install.md

安装完成后，先进行登录认证：

infsh login

2. 理解核心工作流程

在核心层面，dialogue-audio 通过 infsh 调用 Dia TTS 应用：

infsh app run falai/dia-tts --input '{
  "prompt": "[S1] Have you tried the new feature yet? [S2] Not yet, but I heard it saves a ton of time. [S1] It really does. I cut my workflow in half. [S2] Okay, I am definitely trying it today."
}'

该命令会：

• 调用 falai/dia-tts 应用
• 发送包含 prompt 的 JSON 输入
• 使用 [S1] 和 [S2] 标签标记说话轮次
• 返回完整对话的生成音频

dialogue-audio 技能在此基础上封装了一套有主见的 workflow，帮助你更好地组织 prompt、清晰处理两位说话人，并不断迭代情绪表现和节奏。

3. 正确使用说话人标签

Dia TTS 依赖说话人标签来区分谁在说话：

• [S1] — 说话人 1（自动分配为 voice A）
• [S2] — 说话人 2（自动分配为 voice B）

关键规则：

• 每一轮发言都必须以对应标签开头
• 标签必须是大写：[S1]、[S2]（不要用 [s1] 或 [speaker1]）
• 每次生成最多支持2 位说话人
• 同一会话中，每位说话人会保持声音的一致性

一个规范的双人对话 prompt 示例：

[S1] Welcome back to the show. Today we are talking about productivity hacks.
[S2] I am excited for this. Some of these tricks saved me hours every week.
[S1] Let’s start with batching tasks. Why does it work so well?
[S2] Because you stay in the same mental mode instead of constantly context switching.

4. 调整情绪、语气和节奏

dialogue-audio 鼓励你通过自然的写作线索来影响生成的音频：

• 使用标点符号（逗号、省略号、感叹号等）来塑造停顿和重音
• 使用更短的句子营造更快、更利落的对话节奏
• 使用更长的短语或带描述性的语言营造更平静、更沉思的表达方式
• 适度在括号中加入舞台提示以暗示情绪，例如：

[S1] (laughing softly) I honestly did not expect that to work.
[S2] Me neither, but I am glad we tried.

可以通过对文本做小幅调整并重复运行命令，来听出语气和节奏的变化。

5. 迭代优化对话流

为了让 dialogue-audio 的效果更好，可以：

• 先在文本编辑器中写完整段对话
• 确保每行都正确打上标签且没有多余或错误标签
• 保持每轮发言精炼；过长的独白会降低对话感
• 必要时将复杂场景拆分为多次生成，然后在编辑器中拼接

你可以通过不断微调 prompt 并重复运行 infsh app run falai/dia-tts 命令，直到节奏和情绪氛围符合你的项目需求。

6. 后期制作与集成

Dia TTS 输出的是一个可直接导入你常用工具的音频文件。dialogue-audio 的重点在于声音生成而非完整混音，但你可以：

• 将生成的对话导入 DAW（如 Audacity、Reaper、Logic Pro）
• 添加背景音乐、音效或环境底噪
• 调整音量、EQ 和压缩，使其适配整体成片
• 在 Premiere Pro、Final Cut、DaVinci Resolve 等编辑器中，将对话轨与视频进行同步

因此，dialogue-audio 非常适合作为更大音频/视频制作流程中的基础模块：先生成核心的多说话人表演，再用你熟悉的工具精修。

7. 仓库中值得查看的文件

安装完成后，你可以在 inferen-sh/skills 仓库中查看该技能定义，获取更多上下文：

• SKILL.md — dialogue-audio workflow 的主要说明、快速上手指南和使用注意事项

在将其接入你自己的自动化流程或 CI pipeline 时，可以把这些文件作为参考。

---

常见问题（FAQ）

dialogue-audio 是否只能有两位说话人？

是的。dialogue-audio 技能通过 Dia TTS 设计为每次生成最多两位说话人，使用 [S1] 和 [S2] 标签。如果你的场景角色更多，可以：

• 每次只生成其中两位的对话，或
• 将剧本拆分为多个对话片段，在后期制作中再合成。

使用 dialogue-audio 是否必须安装 inference.sh CLI？

是，必须安装。dialogue-audio 技能依赖 inference.sh CLI（infsh）。你需要先安装它，运行 infsh login，然后用 infsh app run falai/dia-tts 携带你的 prompt 发起调用。没有 infsh，该 workflow 无法访问底层 Dia TTS 应用。

我能为每位说话人手动选择具体的 ElevenLabs 声音吗？

仓库文档说明，声音是按说话人自动分配的：[S1] 映射为一种声音，[S2] 映射为另一种，并在会话期间保持一致。当前技能并未记录针对单个说话人手动选择具体 voice ID 的方式，因此更推荐将声音选择视为 Dia TTS / inference.sh 配置层面管理，而不是在 prompt 中通过显式 ID 控制。

我该如何控制对话中的情绪或强度？

该技能主要通过prompt 设计和标点符号来引导情绪，而不是使用可调节的情绪滑杆。可以尝试：

• 使用更具表现力的措辞（如 "shouted"、"whispered"、"nervously"）
• 调整标点（...、!、?）来影响停顿长度和重读
• 适度添加括号提示，如 (whispering) 或 (frustrated)

尝试一些小变体，听听模型的反馈，再决定适合你项目的风格。

dialogue-audio 适合长篇有声书吗？

适合，尤其是两位角色对话为主的片段。如果内容篇幅很长，可以：

• 按场景或章节划分剧本
• 分段生成音频，并在 DAW 中整理
• 确保各段之间标签和整体语气保持一致

如果你的有声书包含大量角色或复杂的旁白风格，你可能还需要额外的 TTS 配置来配合这款以双说话人为主的技能。

我能把 dialogue-audio 接入更大的自动化流程吗？

完全可以。由于 dialogue-audio 基于 infsh CLI，非常适合在脚本或自动化环境中使用：

• 在 shell 脚本中集成 infsh app run falai/dia-tts 命令
• 在 CI/CD pipeline 或定时任务中批量运行生成
• 搭配 inferen-sh/skills 中的其他技能，构建更大的内容生产流水线

对希望通过文本驱动、可复现方式生成音频的开发者和技术用户来说，这个技能尤为实用。

在哪些情况下不适合使用 dialogue-audio？

如果你：

• 需要在一次生成中使用多于两种声音
• 偏好完全 GUI 化的工作流，不想使用命令行
• 希望自动完成混音、配乐或音效，而不仅仅是生成对话

那么你可能需要其他方案。此时可以将专门的音频工具或多说话人 TTS 服务与 DAW 结合起来，仅在需要干净的双人对话轨时使用 dialogue-audio。

我在哪里可以查看完整配置？

在 inferen-sh/skills 仓库中打开 dialogue-audio 对应部分：

• Repo：https://github.com/inferen-sh/skills
• Skill 路径：tools/audio/dialogue-audio

建议从 SKILL.md 开始阅读，以便了解推荐用法，以及与 Dia TTS 集成和 CLI 命令相关的最新说明。