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
- 声纹克隆：上传音频样本 → 生成声纹 ID
- 语音合成：文本 + 声纹 → 音频文件
- 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
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
输入: text + voice_id + 参数
↓
调用 TTS API
↓
输出: 音频文件
流程 C：批量生成
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）
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
voice:
id: "voice_abc123"
backend: minimax
name: "我的声音"
status: ready
created_at: "2024-01-01T00:00:00Z"
语音合成
audio:
path: "./output/scene_01.mp3"
duration: 3.5
format: mp3
sample_rate: 44100
批量生成
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
- 安静环境录制
- 保持语速稳定
- 内容覆盖常用音节
- 避免口水音/换气声
- 使用高质量麦克风
使用示例
克隆声纹
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
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
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
# 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
- 声纹克隆需遵守各平台使用条款
- 不要用他人声音做误导性内容
- 商用需确认版权协议
- 批量生成建议控制并发，避免 rate limit
- 保存 voice_id，避免重复克隆
