tts

tts 技能概览

tts 技能能做什么

tts 技能可以把文本转换成语音音频，适用于语音生成、旁白、配音以及按时间轴对齐的播放。它更适合那些需要拿到可用音频文件，而不只是聊天回复的用户：比如根据提示词生成一段语音、把文章或文本文件转成语音，或者在时间控制下渲染基于 SRT 的旁白。

什么时候安装 tts

如果你的工作流包含 tts install 这类安装步骤、周期性的 text-to-speech 任务，或者你需要一条可复用的 tts usage 路径，而不是每次都临时拼提示词，就应该安装 tts 技能。它尤其适合同时处理“说出这段内容”这类快速任务，以及基于字幕或分段文本的更结构化语音生成。

它有什么不同

这个 tts 技能围绕真实执行路径构建：默认的简易模式、时间轴模式，以及了解后端的脚本。这一点很重要，因为它影响输出格式、voice cloning、字幕时间对齐，以及你是在本地 TTS 还是云端 TTS 之间做选择。如果你只想要一次性的自然语言提示，而且不需要文件输出，也不需要控制渲染流程，那么它的价值就没那么大。

如何使用 tts 技能

安装并找到入口文件

先使用仓库提供的安装流程：npx skills add NoizAI/skills --skill tts。然后依次阅读 skills/tts/SKILL.md、scripts/tts.py、scripts/render_timeline.py 和 scripts/text_to_srt.py。这些文件会告诉你真实的命令形式、支持的模式，以及每种模式需要什么输入。

把粗略需求整理成可用提示词

想获得更好的 tts usage，你至少要明确四件事：文本来源、语音目标、输出格式，以及是否需要时间控制。好的输入例如：“把这篇文章转换成 MP3，使用平稳的英文声音”、“把这些 SRT 字幕渲染成时间精准的音频”，或者“使用参考音频，把这段脚本生成一条 OPUS 语音备忘录”。像“让它听起来更好一点”这种模糊输入只会让系统猜测，通常会导致语速、停顿或格式不匹配。

选择合适的工作流

如果你有纯文本或文本文件，并且想尽快生成单个音频文件，就用简易模式。若文本本来就是分段的、需要字幕严格对齐，或者每个段落可能要用不同的声音设置，就用时间轴模式。若你只需要语音输出，就走最短路径；如果需要按段控制，就先从 SRT 开始，或者先从文本生成 SRT。

重点看会影响输出质量的文件

最有用的文件是 scripts/tts.py，它定义了命令接口；scripts/noiz_tts.py，它包含云端相关选项；以及 scripts/render_timeline.py，它负责对齐规则。如果你想了解输入和默认值相关的边界情况，可以再看 scripts/test_tts.py。只有在你打算把生成音频渲染后再发到其他平台时，才需要额外查看 ref_3rd_party.md。

tts 技能常见问题

tts 只是做文本转语音吗？

不是。tts 技能还覆盖 voice cloning、字幕转音频渲染，以及配音制作等工作流。如果你的任务是“把这段文字变成可听音频”，它就合适；如果你的任务是“从零写一段脚本”，那它就不适合。

使用它需要编程经验吗？

不需要太多，但你确实要能提供结构化输入。只要能提供文本、文件路径或 SRT，并选择基础输出格式，初学者也可以用 tts。而更复杂的时间轴和克隆功能，则在你理解脚本期望的输入后会更容易上手。

它和普通提示词有什么区别？

普通提示词可以描述任务，但 tts 技能提供了可复用的执行路径、文件处理能力，以及特定后端行为。这会减少反复试错，尤其是在你需要稳定的 tts usage、重复性的语音生成任务，或者输出格式必须固定时。

什么时候不该用 tts？

如果你只需要一个临时的语音摘要，而且不保存文件，就不要用 tts。如果你无法提供文本、字幕或参考音频，也不适合用它。它同样不适合你的目标是广义音频编辑，而不是语音合成的时候。

如何改进 tts 技能

给技能提供合适的原始素材

质量提升最大的来源是更干净的输入。做旁白时，提供已经定稿的脚本，并补好标点和段落分隔。做时间轴工作时，提供分段合理的 SRT。做克隆或风格匹配时，附上参考音频文件或 URL，并说明你想要的是自然语音、更接近原声的克隆，还是更有表现力的演绎。

说明会影响渲染的约束

如果你关注 tts for Voice Generation，就直接说清楚，并注明你需要的输出格式，比如 WAV 或 OPUS。还要说明时间约束、语言、语速、情绪，以及输出是用于直接播放还是上传到其他服务。这些细节可以避免技能选到一个“听起来不错、但不适合下游用途”的路径。

修正常见失败模式

最常见的失败点是语音目标模糊、分段过长，以及缺少格式要求。如果结果听起来太赶，先缩短文本，或者把内容拆成更多段后再运行。如果声音不对，就明确说明你想要的是中性、温暖、活力感强，还是克隆语音。如果文件在下游无法使用，就一开始直接要求精确的容器或 codec。

从第一次渲染开始迭代

把第一次输出当作草稿来处理。改进它时，优先改脚本文本，而不只是改提示词：用标点增加停顿，把密集段落拆开，或者调整 SRT 边界，让时间更干净。对于时间轴模式，最有效的迭代方式通常是：先调整分段，再重新渲染，最后才微调 voice 或情绪设置。