Novel2voice-把小说发给skill，skill自动调用MIMO TTS/EDGE TTS处理小说文本或视频字幕→ 转化成多角色有声书、字幕音频。 自动识别角色、分配音色、情感标注，支持 Edge TTS（500+音色）和 MiMo TTS。 Use when user provides novel/story text or video subtitle file (.srt/.ass) and asks for audiobook, voice narration, or TTS generation. 触发词：有声书、小说转语音、字幕转语音、朗读、配音、TTS、多角色语音、视频配音。

小说文本或字幕文件 → 多角色有声书音频。 默认 Edge TTS（500+ 音色），可选 MiMo TTS。 自动角色识别、情感标注、音色分配、异步并发生成。 Use when user provides novel/story text or subtitle file (.srt/.ass) and asks for audiobook, audio drama, voice narration, or TTS generation. 触发词：有声书、朗读、配音、转语音、小说转音频、字幕转语音、TTS、多角色语音。

Novel2Voice — 小说/字幕转多角色语音

将小说文本自动转化为高质量多角色有声书。支持角色识别、情感标注、音色分配、停顿控制。 支持 SRT/ASS 字幕文件转语音（多编码自动检测），按时间轴对齐生成。

---

When to Use

场景	使用本 Skill？
用户发小说文本要求有声书 / 音频 / 朗读	✅
用户发字幕文件 (.srt/.ass) 要求转语音	✅
单段文本朗读	❌ 用 mimo-tts-wav
唱歌	❌ 用 mimo-tts-wav + 唱歌

---

首次使用引导

当用户第一次使用本 skill 时（或明确说「第一次用」「怎么用」「教我用」），按以下顺序引导：

Step 0：欢迎 + 环境检查

向用户说明功能，同时后台检查环境：

text

🎬 有声书功能就绪！我来帮你把小说变成多角色有声书。

功能概览：
• 自动识别角色 → 分配音色（男/女/老/少/方言）
• 支持情感标签（温柔、愤怒、东北话、唱歌…）
• 支持字幕文件（SRT/ASS）转语音
• 500+ 音色可选，全部免费

正在检查环境…

bash

python3 -c "import requests; print('✅ requests')" 2>&1 || pip install requests
which ffmpeg && echo "✅ ffmpeg" || echo "❌ ffmpeg 未安装，音频转换将受限"

• 全部通过 → 继续 Step 1
• requests 缺失 → 自动 pip install requests
• ffmpeg 缺失 → 告知用户输出仅限 WAV 格式

Step 1：推荐音色

展示当前后端的音色选项，让用户选择（注意：Edge TTS 和 MiMo TTS 音色完全不同）：

text

🎧 先选个音色吧！

【女声】晓晓(旁白/女主) · 晓依(温柔) · 晓涵(文艺) · 晓墨(情绪) · 晓睿(中年) · 晓双(少女) · 晓梦(甜妹)
【男声】云希(少年) · 云扬(播音/帝王) · 云健(硬汉) · 云夏(正太) · 云泽(老者) · 云枫(温润)
【方言】东北 · 河南 · 山东 · 四川 · 广西 · 陕西 · 吴语
【粤语】晓佳 · 晓蔓 · 云龙 【台湾腔】晓晨 · 晓雨 · 云哲

直接回复音色名就行，比如「用晓晓」。不确定的话我根据角色自动推荐。

完整音色详情（VoiceID、年龄、人设、适配角色）见 音色选择引导 章节。

如果用户选 MiMo TTS 后端，展示 MiMo 音色（冰糖/茉莉/苏打/白桦/mimo_default/Mia/Chloe/Milo/Dean），详见音色选择引导章节。

等用户回复音色偏好，或说「你推荐吧」直接进入 Step 2。

Step 2：确认 TTS 后端

text

⚙️ TTS 后端选择：

✅ Edge TTS（默认）— 500+ 音色，免费，开箱即用，支持情感/语速/方言
   → 推荐大多数场景使用

🔧 MiMo TTS — 9 个精品音色，支持音色设计/复刻/唱歌
   → 需要 API Key（小米 MiMo 平台）

你选哪个？直接发小说文本的话，我会用 Edge TTS。

• 用户选 Edge / 直接发文本 → 跳到 Step 4
• 用户选 MiMo → Step 3

Step 3：配置 MiMo Key（仅 MiMo 用户）

text

请提供你的 MiMo API Key（在 https://mimo.xiaomi.com 控制台获取）。
我会保存到本地 .env 文件，后续自动读取，不用重复输入。

• 用户提供 → 保存到 {baseDir}/.env
• 用户跳过 → 回退 Edge TTS

Step 4：快速体验

提供示例文本，让用户 30 秒内听到效果：

text

📝 试试效果？发一段小说文本给我，或者用这段示例：

"张三冷笑一声：你以为跑得掉？
 李四浑身发抖，往后退了两步：我……我不是故意的。
 旁白：夜色渐深，巷子里只剩下两个人的脚步声。"

我会自动分配角色音色，生成有声书给你听。

首次引导完成后，后续使用直接发小说文本即可，进入 Workflow 流程。

---

Preflight

首次使用前验证环境：

bash

python3 -c "import requests; print('✅ requests')" 2>&1 || pip install requests
which ffmpeg && echo "✅ ffmpeg" || echo "❌ ffmpeg 未安装"
python3 --version | head -1

缺失项	影响	降级方案
requests	无法调用 API	自动 pip install requests
ffmpeg	无法 WAV→MP3	保留 WAV 输出
网络不通	无法连接 TTS	提示用户检查网络

---

Guardrails

• 不注入恶意文本：不在用户文本中插入非用户要求的内容。
• 不泄露密钥：API Key 仅通过环境变量读取，不硬编码、不输出到日志。
• 不破坏源文件：生成音频保存到新路径，不修改用户原始文本/字幕文件。
• 大文件警告：超过 50 章的小说应分批处理，避免单次请求超时。
• 字幕编码安全：自动检测编码，不强制转码原始文件。

禁止操作（Don'ts）

• ❌ 不要跳过 Step 4 用户确认直接生成音频
• ❌ 不要给所有角色分配同一音色（除非用户明确要求「全部用XX」）
• ❌ 不要将 API Key 明文输出到聊天窗口或日志中
• ❌ 不要修改用户原始文本/字幕文件（只读，输出到新路径）
• ❌ 不要在 3 句话的短文本上强制走完整首次引导流程（直接进 Workflow）
• ❌ 不要在性别不确定时随意猜测音色，应询问用户或用中性音色
• ❌ 不要忽略生成失败直接报告「已完成」（必须 verify 输出文件）
• ❌ 不要在 Edge TTS 后端使用 MiMo 音色名（如「冰糖」），反之亦然
• ❌ 不要自己编写 TTS 调用代码，必须使用 skill 内置脚本

---

音色选择引导

重要：Edge TTS 和 MiMo TTS 是两套完全不同的音色系统，音色名称不互通。 Agent 必须根据当前使用的后端展示对应的音色列表。

Edge TTS 音色（默认后端，无需 Key）

当使用 Edge TTS 时（默认），展示以下音色：

👩 女声：

• 晓晓（XiaoxiaoNeural）— 清亮标准播音，20~28岁，旁白/女主
• 晓依（XiaoyiNeural）— 低沉温柔治愈，25~35岁，温柔人妻
• 晓涵（XiaohanNeural）— 文艺清冷，22~30岁，大家闺秀
• 晓墨（XiaomoNeural）— 情绪丰富，24~35岁，虐文女主/侠女
• 晓睿（XiaoruiNeural）— 稳重厚实中年，45~60岁，主母/长辈
• 晓双（XiaoshuangNeural）— 清脆孩童少女，8~14岁，小丫鬟
• 晓梦（XiaomengNeural）— 软萌甜妹，16~22岁，校园学妹

👨 男声：

• 云希（YunxiNeural）— 清爽阳光少年，18~27岁，少年男主
• 云扬（YunyangNeural）— 央视浑厚播音，35~55岁，帝王/旁白
• 云健（YunjianNeural）— 低沉浑厚大叔，38~55岁，硬汉/武将
• 云夏（YunxiaNeural）— 正太少年童声，7~15岁，幼年男主
• 云泽（YunzeNeural）— 苍老沉稳，60岁+，隐世高人/长老
• 云枫（YunfengNeural）— 平淡务实，28~38岁，温润男配

🌍 方言： 云彪(男)/晓北(女)（东北）、云登(男)（河南）、云翔(男)（山东）、云熙(男)（四川）、云奇(男)（广西）、晓妮(女)（陕西）、云哲(男)/晓彤(女)（吴语） 🇭🇰 粤语： 晓佳(女)、晓蔓(女)、云龙(男) 🇹🇼 台湾腔： 晓晨(女)、晓雨(女)、云哲(男)

直接回复音色名称即可，如「用晓晓」「旁白用云扬，女主用晓依」。

MiMo TTS 音色（需 API Key）

当用户选择 MiMo TTS 后端时，展示以下音色（注意：名称与 Edge TTS 完全不同）：

🎤 中文音色：

• 冰糖 — 清甜治愈女声，适合温柔女主
• 茉莉 — 软糯温柔女声，适合软萌女主/心机女配
• 苏打 — 清亮少年男声，适合少年角色
• 白桦 — 苍老沉稳男声，适合老年角色
• mimo_default — 中性女声，默认旁白音色

🌐 英文音色：

• Mia — 活泼开朗女声
• Chloe — 冷淡优雅女声
• Milo — 清亮阳光男声
• Dean — 低沉磁性男声

MiMo 音色支持「音色设计」和「音色复刻」，详见 mimo-tts-api.md。

HTML 试听页面（本地环境可用）

本地用户可打开试听页面，支持搜索、分类筛选、一键复制音色名称：

text

{baseDir}/scripts/voice_samples/index.html

注意：HTML 页面仅包含 Edge TTS 音色样本，不含 MiMo 音色。

---

Workflow

text

用户发送小说
  ↓
Agent 分析章节 → 提取角色（名字/性别/年龄/性格）
  ↓
Skill 提供音色库（Edge TTS + MiMo TTS）
  ↓
Agent 自动匹配音色
  ↓
用户确认 → Skill 生成音频

短文本快速路径

当文本 < 500 字且角色 ≤ 3 个时，跳过首次引导和音色库展示，直接：

1. 自动匹配音色 → 展示 Step 3 输出模板 → 用户确认 → 生成

输入预处理： 如果用户发的是聊天文本（非文件路径），Agent 必须先写入 {output_dir}/input.txt，再调用脚本。

Step 1：Agent 分析章节 + 提取角色

Agent 收到小说文本后：

1. 拆分章节 — 按「第X章/回/节」拆分，无章节标记则作为单章
2. 提取角色 — 用 LLM 分析每个章节，输出角色表：

角色名	性别	年龄段	性格	说话风格	出场频率
许七安	男	青年	机智幽默	活泼偶尔深沉	高

分析要点：从称谓推断性别/年龄，从对话推断性格，从行为推断风格。

Step 2：Skill 提供音色库

Agent 根据当前后端向用户展示可用音色（详见 音色选择引导）：

• Edge TTS（默认）：28 个中文音色（女声7/男声6/方言9/粤语3/台湾腔3）
• MiMo TTS：9 个音色（冰糖/茉莉/苏打/白桦/mimo_default/Mia/Chloe/Milo/Dean）

Step 3：Agent 自动匹配音色

Agent 根据角色特征自动匹配最佳音色：

• 性别严格区分（男→男声，女→女声）
• 年龄影响选择（少年→少年音，老年→老年音）
• 性格匹配声线（活泼→阳光，冷淡→低沉）
• 主角 > 配角 > 龙套（辨识度递减）
• 性别不确定 → 询问用户或使用中性音色，禁止猜测

输出模板（Edge TTS 后端）：

text

🎭 角色音色方案（Edge TTS）：

| 角色 | 音色 | VoiceID | Style | 理由 |
|------|------|---------|-------|------|
| 旁白 | 云扬 | zh-CN-YunyangNeural | narration-professional | 浑厚播音，适合叙事 |
| 张三 | 云健 | zh-CN-YunjianNeural | serious | 冷笑/威胁→低沉硬汉 |
| 李四 | 云希 | zh-CN-YunxiNeural | fearful | 发抖/害怕→少年惊恐 |

确认？可修改，如「旁白换晓晓」「李四用云夏」。

输出模板（MiMo TTS 后端）：

text

🎭 角色音色方案（MiMo TTS）：

| 角色 | 音色 | 风格描述 | 理由 |
|------|------|----------|------|
| 旁白 | mimo_default | 中性平稳 | 默认旁白 |
| 张三 | Dean | 低沉磁性 | 冷笑/威胁→成熟反派 |
| 李四 | Milo | 清亮紧张 | 发抖/害怕→少年感 |

确认？可修改，如「张三换白桦」。

Step 4：用户确认

🔴 CHECKPOINT · 🛑 STOP — 必须等待用户回复后才能继续生成。禁止未经确认直接执行脚本。

展示推荐方案 + 完整音色列表，用户可修改。

用户回复方式：

• 「可以」→ 直接生成
• 「旁白换成云扬」→ 修改后生成
• 「全部用晓晓」→ 统一音色后生成
• 「你推荐吧」→ 跳过确认，直接生成
• 用户未回复 → 不生成，不跳过，等待

Step 5：Skill 生成音频

路径变量默认值：

• {output_dir} = {baseDir}/output/（或用户指定路径）
• {input_file} = 用户提供的文件路径；若为聊天文本，Agent 先写入 {output_dir}/input.txt

bash

# Edge TTS 模式（默认，推荐）
python3 {baseDir}/scripts/generate_audiobook.py --auto {input_file} {output_dir} --async --concurrent 5

# MiMo TTS 模式
python3 {baseDir}/scripts/generate_audiobook.py --auto {input_file} {output_dir} --tts-backend mimo

生成完成后 verify 音频文件是否存在且可播放。

失败处理

失败场景	检测方式	一线修复	仍失败兜底
单条 TTS 超时(>30s)	脚本返回 timeout/error	重试 1 次	跳过该条，标记 [SKIPPED]，继续后续
角色性别无法判断	分析结果 gender=unknown	询问用户	使用中性音色（晓晓/mimo_default）
用户文本为空或无对话	提取角色数=0	告知用户"未检测到对话"	全文作为旁白朗读
Edge TTS 端点不可达	HTTP 连接失败	自动切换备用端点	提示用户检查网络，无法降级
输出文件为 0 字节	verify 检查文件大小	删除空文件，重新生成该段	报告失败段落编号，让用户决定是否重试
ffmpeg 缺失	Preflight 检查	告知用户仅输出 WAV	跳过 MP3 转换步骤
用户发的是聊天文本非文件	输入无文件路径	Agent 先写入 {output_dir}/input.txt	—
Windows 编码乱码（角色名）	日志中角色名显示为乱码	用 python（非 python3）执行	手动构建 segments.json 绕过自动解析

大文件处理（>50 章）

1. 按 10-20 章为一批分批生成
2. 每批完成后告知用户进度（如「已完成第1-15章，共3批中的第1批」）
3. 全部完成后合并为完整有声书

---

Input Handling

自动识别并处理以下输入格式：

输入	处理
纯文本段落	直接作为小说原文
.txt 文件	读取后处理
复制粘贴片段	自动识别为小说片段
章节标题开头	自动识别为章节内容
.srt / .ass	字幕模式，按时间轴对齐

触发关键词

有声书、音频、朗读、配音、TTS、转语音、生成语音、语音合成、字幕转语音

---

Style Control

在文本中嵌入风格标签：

text

(温柔)晚安，好梦。
(东北话)哎呀妈呀，这天儿也忒冷了吧！
(紧张)[深呼吸]呼……冷静。
(唱歌)原谅我这一生不羁放纵爱自由。

支持：基础情绪、复合情绪、语调、音色、人设、方言、角色扮演、唱歌。 完整标签列表见 references/voice-catalog.md。

---

TTS 后端

后端	端点	Key	音色数	优先级
Edge TTS	tts.kalaok.cc.cd/v1/audio/speech	公开 sk-1234567890	500+（支持 style/speed/pitch/role）	高（默认）
MiMo TTS	api.xiaomimimo.com/v1	需要 MIMO_API_KEY	9 种	低（需手动切换）

后端选择

1. 默认使用 Edge TTS（无需 key，开箱即用）
2. 用户可通过 --tts-backend mimo 切换到 MiMo TTS
3. MiMo key 不存在或失效 → 自动回退 Edge TTS

Agent 行为：首次使用必须询问

1. 检查 {baseDir}/.env 是否存在 MIMO_API_KEY
2. 不存在 → 询问用户是否配置
3. 用户提供 key → 保存到 {baseDir}/.env
4. 用户跳过 → 默认使用 Edge TTS
5. 后续使用自动读取已保存的 key

环境变量

变量	说明	默认
TTS_BACKEND	强制后端 (mimo/edge/auto)	edge
EDGE_TTS_ENDPOINT	Edge TTS 端点	tts.kalaok.cc.cd/v1/audio/speech
EDGE_TTS_KEY	Edge TTS Key	公开默认值
MIMO_API_KEY	MiMo TTS Key	空

---

字幕转语音工作流（SRT/ASS）

当用户上传字幕文件并要求生成语音时，按以下流程执行。

触发条件

用户输入	触发
上传 .srt 文件	✅
上传 .ass / .ssa 文件	✅
说"字幕转语音"/"按字幕生成音频"	✅
说"subtitle to audio"	✅

Step S1：解析字幕文件

bash

python3 {baseDir}/scripts/subtitle_parser.py subtitle.srt

自动执行：

1. 多编码检测 — utf-8 → gbk → big5 → shift_jis → euc-kr → latin-1
2. 语言检测 — CJK→中文, 假名→日语, 谚文→韩语, 拉丁→英语
3. 说话人提取 — ASS {Actor:角色名} 或 Dialogue 行
4. 时间轴解析 — 提取 start_ms / end_ms

Step S2：询问用户

检测完成后，告知用户结果并询问：

text

📄 字幕文件已解析：
- 格式：SRT
- 条目数：N 条
- 总时长：X 分钟
- 检测语言：中文（置信度 95%）
- 说话人：张三、李四

请问您想：
1. 直接用原语言生成语音
2. 翻译成其他语言再生成（请告诉我目标语言）

Step S3：时间轴重叠检测与修复

bash

python3 {baseDir}/scripts/generate_audiobook.py --subtitle subtitle.srt output_dir

重叠情况	修复策略
重叠量 < 较短条目 50%	缩短前一条 end_ms
缩短后时长 < 200ms	前一条保留 200ms，后一条后移
重叠量 ≥ 50%	按文本长度比例重新分配
完全包含	合并为一条

修复后保存：output_dir/subtitle_fixed.srt

Step S4：TTS 生成 + 语速适配

逐条生成 TTS，每句自动匹配字幕时间槽：

1. TTS 生成每条音频
2. ffprobe 获取实际时长
3. 与字幕时间槽对比
4. TTS 时长 > 字幕时长 → atempo 加速
5. 加速上限默认 2.0x（--max-speed 可调）

Step S5：时间轴对齐合并

使用 adelay 滤镜精确控制播放位置，空隙填充静音。

Step S6：输出

text

output_dir/
├── subtitle_audio.mp3    # 完整音频
├── subtitle_audio.wav    # WAV 版本
├── subtitle_fixed.srt    # 修复后的字幕
├── timeline.srt          # 时间轴副本
├── segments/             # 单条音频
└── generation_log.json   # 生成日志

命令参考

bash

# 基础用法
python3 {baseDir}/scripts/generate_audiobook.py --subtitle subtitle.srt output_dir

# 指定说话人音色
python3 {baseDir}/scripts/generate_audiobook.py --subtitle subtitle.srt output_dir   --speaker-voices '{"旁白":"冰糖","张三":"Dean","李四":"Mia"}'

# 指定说话人风格
python3 {baseDir}/scripts/generate_audiobook.py --subtitle subtitle.ass output_dir   --speaker-voices '{"旁白":"mimo_default","张三":"Dean"}'   --speaker-styles '{"旁白":"温柔女声 语速适中","张三":"低沉磁性"}'

# 使用默认音色
python3 {baseDir}/scripts/generate_audiobook.py --subtitle subtitle.srt output_dir   --default-voice "冰糖"

# 禁用重叠修复
python3 {baseDir}/scripts/generate_audiobook.py --subtitle subtitle.srt output_dir   --no-fix-overlaps

# 禁用语速适配
python3 {baseDir}/scripts/generate_audiobook.py --subtitle subtitle.srt output_dir   --no-speed-adjust

# 自定义加速上限
python3 {baseDir}/scripts/generate_audiobook.py --subtitle subtitle.srt output_dir   --max-speed 2.5

翻译模式（可选）

bash

# 导出翻译用 JSON
python3 {baseDir}/scripts/generate_audiobook.py --subtitle subtitle.srt output_dir --export-srt

# 导入翻译后的 JSON
python3 {baseDir}/scripts/generate_audiobook.py --subtitle subtitle.srt output_dir   --import-translated translated.json --target-lang en

---

Advanced References

文档	内容
voice-catalog.md	完整音色库（Edge TTS + MiMo）+ 风格标签 + 角色映射
mimo-tts-api.md	MiMo TTS API 详细参数 + 调用示例
edge-tts-annotation-guide.md	Edge TTS 标注指南
generated-long-body.md	长文本处理扩展说明

---

Troubleshooting

问题	解决
生成无声音	检查 ffmpeg 是否安装
Edge TTS 连接失败	脚本自动切换备用端点
中文乱码	确保文件 UTF-8 编码
角色识别不准	手动在 segments.json 中调整
生成太慢	使用 --async --concurrent 5 并发
验证输出	verify 生成的音频文件是否存在且可播放