Text-to-Speech Skill

将文本转换为语音，支持播客脚本解析、情绪标记处理和 voice-changer 后处理。

使用说明

当用户请求将文本转换为语音时，使用以下命令：

# 基本用法
python3 ~/.claude/skills/text-to-speech/scripts/text_to_speech.py <文本文件>

# 指定输出文件
python3 ~/.claude/skills/text-to-speech/scripts/text_to_speech.py script.txt -o output.mp3

# 指定声音
python3 ~/.claude/skills/text-to-speech/scripts/text_to_speech.py script.txt -v zh-CN-XiaoxiaoNeural

# 启用后处理（voice-changer）
python3 ~/.claude/skills/text-to-speech/scripts/text_to_speech.py script.txt --post-process

# 列出所有可用声音
python3 ~/.claude/skills/text-to-speech/scripts/text_to_speech.py --list-voices

核心功能

1. 脚本解析

自动识别并移除播客脚本中的注释和标记：

• 时间戳：(00:00)
• BGM 注释：[BGM渐入：...]
• 舞台指示：(主播声音：...) (停顿 1秒)
• 情绪标记：(语速放慢，加重语气)
• Markdown 标记：**文本**

2. 多种声音支持

支持 18+ 种中文声音，包括：

• 男声：YunyangNeural（新闻播音）、YunxiNeural（年轻活力）、YunjianNeural（成熟稳重）
• 女声：XiaoxiaoNeural（温柔亲切）、XiaoyiNeural（活泼开朗）、XiaoyanNeural（新闻播音）

3. 语音参数调整

• 语速调整：--rate "+20%" 或 --rate "-10%"
• 音调调整：--pitch "+5Hz" 或 --pitch "-3Hz"
• 音量调整：--volume "+20%" 或 --volume "-10%"

4. 后处理集成

可选集成 voice-changer skill 进行变声处理。

配置文件

配置文件位于：~/.claude/skills/text-to-speech/config/tts_config.json

主要配置项

{
  "edge_tts": {
    "voice": "zh-CN-YunyangNeural",
    "rate": "+0%",
    "pitch": "+0Hz",
    "volume": "+0%"
  },
  "script_parsing": {
    "enabled": true,
    "remove_timestamps": true,
    "remove_bgm_notes": true,
    "remove_stage_directions": true,
    "remove_markdown": true
  },
  "emotion_processing": {
    "enabled": true,
    "use_ssml": true
  },
  "output": {
    "format": "mp3",
    "default_output_dir": "same_as_input",
    "filename_suffix": "_tts"
  },
  "post_processing": {
    "enabled": false,
    "voice_changer": {
      "enabled": false,
      "voice_type": "female_1",
      "pitch_shift": 0
    }
  }
}

工作流程

输入文本/文件
    ↓
脚本解析（移除注释和标记）
    ↓
情绪标记处理（可选）
    ↓
Edge TTS 语音合成
    ↓
后处理（voice-changer，可选）
    ↓
输出 MP3 文件

依赖安装

# 安装 Edge TTS
pip install edge-tts

# 如果需要后处理，确保 voice-changer skill 已安装

使用示例

示例 1：转换播客脚本

python3 ~/.claude/skills/text-to-speech/scripts/text_to_speech.py podcast_script.txt

脚本会自动：

• 移除时间戳和 BGM 注释
• 移除舞台指示
• 只保留实际要朗读的文本
• 生成 podcast_script_tts.mp3

示例 2：使用女声并调整语速

python3 ~/.claude/skills/text-to-speech/scripts/text_to_speech.py script.txt \
  -v zh-CN-XiaoxiaoNeural \
  --rate "+10%"

示例 3：启用后处理

python3 ~/.claude/skills/text-to-speech/scripts/text_to_speech.py script.txt \
  --post-process

会先生成语音，然后调用 voice-changer 进行变声处理。

注意事项

1. 网络要求：Edge TTS 需要网络连接
2. 文本长度：建议单次转换不超过 10000 字
3. 脚本格式：支持纯文本和带注释的播客脚本
4. 后处理：需要先安装 voice-changer skill

技术实现

• TTS 引擎：Microsoft Edge TTS（免费、高质量）
• 脚本解析：正则表达式匹配
• 音频格式：MP3（默认）
• 后处理：可选集成 voice-changer

性能参考

• 1000 字文本：约 10-20 秒
• 5000 字文本：约 30-60 秒
• 网络速度影响较大

许可

MIT