Voice Clone TTS

声纹克隆和语音合成。上传音频样本克隆声纹，用克隆声纹或预设声纹生成语音。支持多个后端：MiniMax、ElevenLabs、Fish Audio、Azure TTS、OpenAI TTS。支持情绪控制、语速调整、批量生成。触发词：语音合成、TTS、声纹克隆、voice clone、text to speech、配音、旁白。

声纹克隆 & 语音合成

何时使用此 Skill

场景	是否需要此 Skill
数字人平台支持声纹克隆（可灵/即梦/HeyGen）	不需要，直接在 digital-avatar 里处理
数字人平台不支持声纹克隆	需要，生成音频后上传
纯音频输出（播客/有声书）	需要
需要更精细的语音控制	可选，MiniMax/ElevenLabs 控制更细

推荐：优先用数字人平台自带的声纹克隆，保持后端一致性。

---

功能

1. 声纹克隆：上传音频样本 → 生成声纹 ID
2. 语音合成：文本 + 声纹 → 音频文件
3. 批量生成：分镜列表 → 多个音频文件

支持的后端

后端	克隆	情绪	多语言	特点
MiniMax	✓	✓	中/英	国内快，中文好
ElevenLabs	✓	✓	30+	质量顶级
Fish Audio	✓	-	中/英/日	开源，便宜
Azure TTS	-	✓	100+	稳定，多语言
OpenAI TTS	-	-	多语言	简单快速

默认使用 MiniMax（如已配置）。

工作流程

流程 A：声纹克隆

text

输入: 音频样本（10s-5min）
  ↓
上传到后端
  ↓
等待训练（即时-几分钟）
  ↓
输出: voice_id

流程 B：语音合成

text

输入: text + voice_id + 参数
  ↓
调用 TTS API
  ↓
输出: 音频文件

流程 C：批量生成

text

输入: scenes[] + voice_id
  ↓
逐条生成（或并行）
  ↓
输出: 音频文件列表

输入参数

声纹克隆

参数	必填	说明
mode	✓	clone
backend	-	minimax / elevenlabs / fish
audio_sample	✓	音频文件路径（10s-5min）
name	-	声纹名称
description	-	声纹描述

语音合成

参数	必填	说明
mode	✓	synthesize
backend	-	同上 + azure / openai
text	✓	要合成的文本
voice_id	✓	声纹 ID 或预设名
output	-	输出路径
speed	-	语速 0.5-2.0（默认1.0）
emotion	-	情绪（见下表）
pitch	-	音调调整
format	-	mp3 / wav / ogg

批量生成

参数	必填	说明
mode	✓	batch
backend	-	同上
scenes	✓	分镜列表（含台词）
voice_id	✓	声纹 ID
output_dir	-	输出目录

情绪控制

情绪	英文	适用场景
neutral	neutral	默认/旁白
happy	happy	轻松/种草
sad	sad	共情/痛点
angry	angry	吐槽/愤怒
excited	excited	惊喜/CTA
serious	serious	专业/严肃
whisper	whisper	悄悄话/ASMR

输入格式（批量）

yaml

mode: batch
voice_id: "voice_abc123"
backend: minimax

scenes:
  - id: 1
    text: "你是不是也遇到过这样的问题？"
    emotion: neutral
    speed: 1.0
    
  - id: 2
    text: "每次做 PPT 都要花好几个小时..."
    emotion: sad
    speed: 0.9
    
  - id: 3
    text: "现在只需要 30 秒！"
    emotion: excited
    speed: 1.1
    
  - id: 4
    text: "链接在评论区，快去试试吧"
    emotion: happy
    speed: 1.0

output_dir: "./audio_output/"
format: mp3

输出格式

声纹克隆

yaml

voice:
  id: "voice_abc123"
  backend: minimax
  name: "我的声音"
  status: ready
  created_at: "2024-01-01T00:00:00Z"

语音合成

yaml

audio:
  path: "./output/scene_01.mp3"
  duration: 3.5
  format: mp3
  sample_rate: 44100

批量生成

yaml

audios:
  - id: 1
    path: "./audio_output/scene_01.mp3"
    duration: 2.8
    
  - id: 2
    path: "./audio_output/scene_02.mp3"
    duration: 4.2
    
  - id: 3
    path: "./audio_output/scene_03.mp3"
    duration: 2.1
    
  - id: 4
    path: "./audio_output/scene_04.mp3"
    duration: 3.0

total_duration: 12.1

后端配置

详见 references/backend-setup.md

音频样本要求

声纹克隆最佳实践

项目	要求
时长	30s-3min（最佳1-2min）
格式	mp3 / wav / m4a
采样率	≥16kHz
内容	清晰朗读，无背景噪音
情绪	自然平稳，不要太夸张

提高克隆质量

1. 安静环境录制
2. 保持语速稳定
3. 内容覆盖常用音节
4. 避免口水音/换气声
5. 使用高质量麦克风

使用示例

克隆声纹

text

用户：用这段音频克隆我的声音 [附音频]

执行：
1. mode=clone, audio_sample=<音频路径>
2. 上传到 MiniMax
3. 返回 voice_id

单条合成

text

用户：用 voice_abc123 合成这句话："大家好，欢迎来到我的频道"

执行：
1. mode=synthesize, voice_id="voice_abc123", text="..."
2. 调用 TTS API
3. 返回音频文件

批量合成分镜

text

用户：根据这个分镜列表生成配音 [附 YAML]

执行：
1. 解析 scenes 列表
2. 逐条调用 TTS
3. 返回音频列表 + 总时长

与上下游对接

上游：video-script-generator 的 scenes[].narration

下游：

• digital-avatar：音频输入生成口播
• scene-video-generator：音频轨道
• video-stitcher：音频合并

Pipeline 集成

yaml

# video-script-generator 输出
scenes:
  - id: 1
    narration: "你是不是也..."
    duration: 3s
    
# 自动提取 narration → voice-clone-tts
# 输出音频 → digital-avatar / video-stitcher

注意事项

1. 声纹克隆需遵守各平台使用条款
2. 不要用他人声音做误导性内容
3. 商用需确认版权协议
4. 批量生成建议控制并发，避免 rate limit
5. 保存 voice_id，避免重复克隆