melo-tts-metadata-creator

当用户需要为 **MeloTTS** 训练或微调生成 metadata.list 文件时自动触发。 专门处理 .wav 音频文件和对应的 .txt 转录文本，自动生成符合 MeloTTS 官方最新标准的 metadata.list（格式：音频路径|speaker|语言|文本）。 支持单音色和多音色模式： - wav 和 txt 文件可以放在不同目录（目录结构一致） - 多音色时自动按第一级子目录名称提取 speaker - 单音色时可用 --speaker 参数强制指定说话人名称 - 无 txt 文件时可自动调用 Whisper 进行转录（支持 ZH/EN 等语言） 常见触发口语： - “帮我生成 MeloTTS 的 metadata.list” - “为 MeloTTS 训练准备 metadata” - “把这些 wav 和 txt 生成 metadata.list” - “MeloTTS 多音色 metadata” - “用 Whisper 转录音频生成 metadata” - “MeloTTS 数据集 metadata 生成器” - “处理 wav 文件夹生成 MeloTTS 训练文件” - “单音色/多音色 metadata.list” 只处理 MeloTTS 相关的 metadata 生成，其他 TTS 或音频处理一律不触发。

功能：专为 MeloTTS 训练/微调设计的 metadata.list 生成工具。支持单音色与多音色模式，特别适配 wav 文件和 txt 转录文件位于两个不同目录、每个子目录代表一个说话人的场景。

触发时机（Triggers）

• 用户提到 “MeloTTS”“metadata.list”“训练数据准备”“微调数据集”
• 用户有 wav 音频文件夹和对应 txt 转录，需要生成训练所需的 metadata 文件
• 需要自动转录（无 txt 时用 Whisper）
• 想处理多说话人（多音色）数据集

核心优势

• 支持 wav 和 txt 分离存放（目录结构完全一致）
• 自动按第一级子目录名称提取 speaker（多音色模式）
• 支持 --speaker 参数强制统一说话人（单音色模式）
• 内置 Whisper 自动转录功能（无 txt 时自动生成）
• Whisper 模型下载到 ./models/ 目录
• 生成完全符合 MeloTTS 官方最新标准的 metadata.list（UTF-8 无 BOM）
• 转录失败时优雅跳过，继续处理其他文件

支持的模型（推荐顺序）

1. openai/whisper-base（平衡速度与准确率）

参数提取指南

当决定调用此技能时，请从用户消息中提取以下参数：

1. --wav_dir (必填): 音频文件所在目录
2. --txt_dir (选填): 文本转录文件所在目录（若不提供且启用 Whisper，则自动转录）
3. --speaker (选填): 强制指定统一说话人名称（单音色模式）
4. --lang (选填): 语言代码，如 ZH、EN 等
5. --output (选填): 输出 metadata.list 的路径（默认当前目录）
6. --recursive (选填): 是否递归处理子目录
7. --use_whisper (选填): 是否强制使用 Whisper 转录

执行步骤

1. 解析目录：自动识别 --wav_dir 和 --txt_dir，支持多级子目录结构。

2. 默认目标：若未指定 --output，默认在当前工作目录生成 metadata.list。

3. 调用命令：使用以下兼容性命令启动脚本（优先 python3，失败则 python）。脚本会自动检测 Whisper 依赖。

   bash

   (python3 scripts/generate_metadata_list.py --wav_dir "<音频目录>" --txt_dir "<文本目录>" [--speaker <姓名>] [--lang {ZH,EN}] [--output <路径>] [--recursive] [--use_whisper]) || (python scripts/generate_metadata_list.py --wav_dir "<音频目录>" --txt_dir "<文本目录>" [--speaker <姓名>] [--lang {ZH,EN}] [--output <路径>] [--recursive] [--use_whisper])