SkillsAdd

smithery.ai

text-to-speech

文本转语音工?

First seen Mar 31, 2026

Installation

$ npx skills add https://smithery.ai
View on skills.sh ↗ Website ↗

Similar popular skills

Related neighbors and high-traction skills in the same topics — useful to compare before installing.

text-to-speech Similar name
elevenlabs/skills

Convert text to speech using ElevenLabs voice AI. Use when generating audio from text, creating…

11K installs
speech-to-text Similar name
elevenlabs/skills

Transcribe audio to text using ElevenLabs Scribe v2. Use when converting audio/video to text, g…

7.7K installs
speech-engine Similar name
elevenlabs/skills

Add real-time voice conversations to a custom agent runtime with ElevenLabs Speech Engine.

3.2K installs
speech Similar name
openai/skills

Use when the user asks for text-to-speech narration or voiceover, accessibility reads, audio pr…

2.8K installs
nemotron-speech Similar name
nvidia/skills

Routes NVIDIA Nemotron Speech (Riva) NIM tasks — deploys, runs, and tests ASR, TTS, and NMT NIM…

1.9K installs
speech-recognition Similar name
dpearson2699/swift-ios-skills

Transcribe speech to text using Apple's Speech framework.

3.2K installs

Also in this package

Other skills from smithery.ai · top by installs.

npx skills add https://smithery.ai
smithery-ai-cli 7.8K frontend-design 6.2K skill-creator 2.5K ck:ui-ux-pro-max 1.3K pdf 1.2K xlsx 966 pptx 894 docx 884 webapp-testing 1 web-design-reviewer 657

Browse all from smithery.ai

More details

Agent compatibility

Declared targets from SKILL.md / docs. Unmarked agents are not listed — the skill may still install via the CLI.

Claude Code Declared
Cursor Not declared
Codex Not declared
GitHub Copilot Not declared
Windsurf Not declared
Gemini CLI Not declared
Cline Not declared
OpenCode Not declared

Skill metadata

Parsed from SKILL.md frontmatter.

Version3.6.0
Declared agents claude-code

Package contents

Files included with this skill beyond the listing page.

  • skill md SKILL.md 11,378 B
  • docs SUMMARY.md 109 B

History

  1. First seen on skills.sh
  2. First recorded snapshot · 3 installs

SKILL.md

Text-to-Speech Skill

将文本转换为语音。默认使用 MiniMax TTS（在线高质量中文配音），并保留 Kokoro TTS v1.1-zh（本地 Docker，102 个中文音色）和 Edge TTS（在线）作为可配置后备。

引擎对比

特性 MiniMax TTS Kokoro TTS v1.1-zh Edge TTS
质量 默认推荐，中文短视频旁白更自然 本地可用、接近真人 标准 Neural 语音
网络 需要 MiniMax API 不需要（本地 Docker） 需要网络连接
默认音色 Chinese (Mandarin)ReliableExecutive（可靠高管） zm_009 zh-CN-YunyangNeural
语速调节 speed 参数，默认 1.0 speed 参数 rate/pitch/volume
前提 MINIMAXAPIKEY 环境变量 Docker 容器需运行 安装 edge-tts
配置值 minimax kokoro edge

使用说明

# 默认使用 MiniMax TTS（当前配置）
python3 ~/.claude/skills/text-to-speech/scripts/text_to_speech.py <文本文件>

# 指定引擎
python3 ~/.claude/skills/text-to-speech/scripts/text_to_speech.py script.txt --engine minimax
python3 ~/.claude/skills/text-to-speech/scripts/text_to_speech.py script.txt --engine kokoro
python3 ~/.claude/skills/text-to-speech/scripts/text_to_speech.py script.txt --engine edge

# 指定声音
python3 ~/.claude/skills/text-to-speech/scripts/text_to_speech.py script.txt -v zf_094

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

# MiniMax 专属：同时保存经过校验的词级时间戳
python3 ~/.claude/skills/text-to-speech/scripts/text_to_speech.py script.txt \
  -o output.mp3 --subtitle-output output.subtitles.json

# 调整语速（MiniMax/Kokoro）
python3 ~/.claude/skills/text-to-speech/scripts/text_to_speech.py script.txt --speed 1.2

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

MiniMax TTS

默认配置：

  • 引擎：tts_engine = "minimax"
  • 模型：speech-2.8-hd
  • 音色：Chinese (Mandarin)ReliableExecutive（可靠高管）
  • 语速：1.0
  • 输出：MP3

MiniMax 词级时间戳

--subtitle-output <path> 会为 MiniMax 请求启用词级时间戳，下载官方 sidecar 后校验文本、字符范围和时间单调性，再写入本地 JSON。sidecar 只保留 provider/model/voice/subtitle_type/segments，不会记录官方返回的短期签名 URL。该参数属于 MiniMax 专属能力；Edge/Kokoro 会失败关闭，避免下游误把估算时间当成官方时间戳。

整期表达一致性（默认）

minimaxtts.deliveryconsistency 默认启用 friendly_tutorial。它用于面向普通大众的免费教程：像真人耐心讲解，允许正文自然使用“好、其实、这里呢、别急”等连接词，但不靠逐句变调制造表演感。同一期视频内所有句子固定使用相同的音色、速度、音量和音调，避免逐 beat 割裂。

  • 默认档：friendly_tutorial，speed 1.0、volume 1.0、pitch 0
  • 显式选择：--delivery-profile friendly_tutorial
  • 保留档：commercial_narration，仅用于公告、品牌声明等确需正式表达的内容
  • 克隆音色选择顺序：--voice > MINIMAXVOICEID > 已激活的本机克隆档 > 仓库系统音色
  • 本机档：~/.config/duanku/minimax-voice.json，必须为 0600，不提交仓库

MiniMax 专属语境适配（兼容回退）

minimaxtts.contextadaptation 只在 MiniMax 分支生效。Edge 和 Kokoro 不读取此配置，也不会改变原请求参数。

  • 仅当 deliveryconsistency 关闭时，根据文本自动识别 opening、summary、explanation、instruction、warning、resource、conclusion、callto_action、neutral
  • 语境档只轻量调整 MiniMax 的语速、音量和音高，不修改原文、不注入 emotion、不自动插入声音标签
  • 未命中规则时使用 explanation
  • 可用 --context warning 等参数显式覆盖自动识别；选择 Edge/Kokoro 时该参数被忽略
  • 调用方无需理解语境规则。视频流水线只需继续提交文本并使用返回音频，音频时长仍由下游实测
# 自动识别语境
python3 ~/.claude/skills/text-to-speech/scripts/text_to_speech.py script.txt

# MiniMax 显式指定风险提醒语境
python3 ~/.claude/skills/text-to-speech/scripts/text_to_speech.py script.txt --context warning

MiniMax 声音克隆

声音克隆分为不收费的创建阶段和首次 TTS 激活阶段。首次使用新克隆音色合成会产生官方克隆费及试听字符费，脚本要求 quote ID 和精确金额确认，不能用布尔参数绕过。

引擎边界：克隆 profile、克隆 voiceid、--delivery-profile 和克隆样本门禁只允许在实际 ttsengine=minimax 时读取。切换到 Edge 或 Kokoro 后必须完全跳过这些配置，即使本机仍保留已激活的 MiniMax profile，也不得影响非 MiniMax 的音色、请求参数或预检结果。

# 样本检查，不联网、不收费
python3 scripts/minimax_voice_clone.py inspect --sample /path/to/source.m4a

# 输出激活报价，不联网、不收费
python3 scripts/minimax_voice_clone.py quote \
  --voice-id DuankuNarrator20260801 \
  --text "试听文案"

# 上传并创建克隆，不执行 TTS；必须确认拥有声音授权
python3 scripts/minimax_voice_clone.py clone \
  --sample /path/to/source.m4a \
  --voice-id DuankuNarrator20260801 \
  --rights-confirmed

# 首次付费激活并生成试听，必须使用上一步 quote 的 ID 和金额
python3 scripts/minimax_voice_clone.py activate \
  --text "试听文案" \
  --output /path/to/preview.mp3 \
  --confirm-quote-id '<quote_id>' \
  --confirm-amount-usd '<estimated_total_usd>'

样本要求：mp3/m4a/wav、10 秒至 5 分钟、最大 20 MB。克隆脚本默认请求 MiniMax 降噪和音量归一化。

密钥规则：

  • API Key 只从环境变量读取，默认变量名 MINIMAXAPIKEY
  • 克隆 voice_id、远程 file ID 和激活记录只保存在本机 0600 profile
  • 不要把真实 Key 写进 config/tts_config.json、README、命令行参数或提交历史
  • 如果要换变量名，只改 config/ttsconfig.json 中的 minimaxtts.apikeyenv
export MINIMAX_API_KEY="你的本机 key"
python3 ~/.claude/skills/text-to-speech/scripts/text_to_speech.py script.txt -o output.mp3

Kokoro TTS v1.1-zh 声音

使用 --list-voices 查看完整列表（102 个）。

推荐声音

  • zm_009 - 男声（默认）
  • zf_094 - 女声（自然温柔）
  • zf_001 - 女声
  • zm_050 - 男声

英文声音

  • af_maple - 女声（Maple）
  • af_sol - 女声（Sol）
  • bf_vale - 男声（Vale）

声音命名规则

  • zf_XXX - 中文女声（55 个）
  • zm_XXX - 中文男声（44 个）
  • af/bf - 英文声音（3 个）

启动 Kokoro 服务

Kokoro TTS 需要 Docker 容器运行：

# 启动
cd /Users/m/document/QNSZ/project/kokoro-tts && ./start.sh

# 停止
cd /Users/m/document/QNSZ/project/kokoro-tts && ./stop.sh

# Web UI 试听
# http://localhost:8880/web/

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)
  • Markdown 标记：文本

2. 中英文混合朗读

v1.1-zh 模型支持中英文混合文本的自然朗读。

3. 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

关键配置项：

  • tts_engine: "minimax"、"kokoro" 或 "edge"（默认引擎）
  • minimax_tts: MiniMax 引擎配置（API URL、模型、默认音色、语速；Key 仅从环境变量读取）
  • minimaxtts.contextadaptation: MiniMax 专属语境档和自动识别规则；不影响其他引擎
  • kokoro_tts: Kokoro 引擎配置（API URL、默认声音、语速）
  • edge_tts: Edge 引擎配置（声音、语速、音调、音量）
  • available_voices: 按引擎分组的可用声音列表

工作流程

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

代理绕过（重要）

Kokoro TTS 运行在 localhost:8880。如果系统配置了 HTTP 代理（httpproxy/httpsproxy），请求 localhost 会被代理拦截导致连接失败（curl 返回 HTTP 000）。

规则：

  • Python 脚本已内置 os.environ.setdefault("no_proxy", "localhost,127.0.0.1")，通过脚本调用无需额外处理
  • 如果 AI 需要直接用 curl 测试或调用 Kokoro API，必须加 --noproxy localhost,127.0.0.1 或设置 no_proxy=localhost,127.0.0.1
  • 如果 AI 直接写 Python requests.post("http://localhost:8880/...";)，必须设置 proxies={"http": None, "https": None}，或使用 requests.Session(); session.trustenv = False，并设置 NOPROXY/no_proxy=localhost,127.0.0.1,::1
  • 禁止不加代理绕过直接 curl/requests localhost；不要先走代理失败再重试，localhost Kokoro 请求默认就必须绕过代理
# 正确：绕过代理
curl --noproxy localhost,127.0.0.1 -X POST http://localhost:8880/v1/audio/speech ...

# 错误：走了代理，返回 HTTP 000
curl -X POST http://localhost:8880/v1/audio/speech ...

依赖

  • MiniMax TTS: MINIMAXAPIKEY 环境变量
  • Kokoro TTS: Docker（容器运行在 localhost:8880）
  • Edge TTS: pip install edge-tts

性能参考

  • Kokoro TTS: 1000字约 3-5 秒（本地 Docker CPU）
  • Edge TTS: 1000字约 10-20 秒（受网络影响）