tts-voice-synthesis

支持音色克隆、情感化与流式实时的高质量 TTS 语音合成服务。

把文本转换成高质量语音，支持从参考音频克隆音色、根据情绪自动调整语调并能流式实时输出，覆盖多语言和方言。需要配音、角色配音或拟人化、有情感的语音输出时用，并可在高质量（1.7B）与快速（0.6B）模型之间选择。特点是支持音色自动采集与克隆、情感化语义适配和边输入边播的流式生成，适合直播或交互式场景。

# TTS 语音合成服务

## 任务目标
- 本 Skill 用于：将文本转换为高质量语音，支持音色克隆、情感适配、流式生成和多语言支持
- 能力包含：
  - 角色音色自动采集与克隆（从参考音频提取音色特征）
  - 拟人化语义适配配音（根据文本情绪自动调整语音语调、语速、音调）
  - 流式实时配音（支持边输入文本边生成语音）
  - 多语言与方言支持（中文、英文及多种方言）
  - 双模型选择（1.7B 高质量模型、0.6B 快速模型）
- 触发条件：当需要将文本转换为语音、克隆特定音色、生成情感化配音时使用

## 前置准备
- 模型下载：根据选择的 TTS 模型下载对应的权重，详见 [references/model_config.md](references/model_config.md)
- 硬件要求：
  - GPU：推荐使用 8GB+ 显存的 GPU（0.6B 模型可在 CPU 上运行）
  - 内存：建议 16GB+ 系统内存
  - 磁盘空间：至少 10GB 可用空间（模型权重约 3-5GB）
- 依赖配置：确保已安装所需的 Python 依赖包

## 操作步骤

### 模式一：基础语音合成
1. 文本准备
   - 确认待合成的文本内容
   - 智能体将分析文本情绪和语义特征

2. 选择音色
   - 使用预置音色（见 references/model_config.md）
   - 或使用已克隆的自定义音色

3. 执行合成
   - 调用 `scripts/tts_generate.py` 进行语音生成
   - 根据情绪分析结果自动设置