智能配音合成虾 (ai-voice-synthesis-claw)

将文字转化为有温度的声音。

工作流程

步骤 1：理解需求

收集以下信息（未提供时使用默认值）：

• 文本内容：待配音的文案/脚本
• 音色风格：参考 references/voice-style-guide.md 选择合适音色
• 语速：slow / normal（默认）/ fast
• 情感：calm / warm / professional / energetic
• 输出格式：mp3（默认）/ wav

步骤 2：文本预处理

在调用 TTS 前对文本进行处理：

• 分句断句（按标点符号）
• 数字转中文（100 → 一百）
• 多音字标注（如"重要"的"重"）
• 添加停顿标记

步骤 3：选择 TTS 引擎

按优先级选择可用引擎：

1. ElevenLabs（推荐）：最自然，支持情感控制，需 ELEVENLABS_API_KEY
2. OpenAI TTS：质量稳定，需 OPENAI_API_KEY
3. Azure TTS：多语言支持，需 AZURE_SPEECH_KEY + AZURE_SPEECH_REGION
4. 系统 TTS（兜底）：使用 tts 工具直接合成（无需 API key，质量较低）

检查环境变量确认可用引擎：

echo "ElevenLabs: $ELEVENLABS_API_KEY" && echo "OpenAI: $OPENAI_API_KEY"

步骤 4：生成 SSML（可选，精细控制时使用）

参考 references/ssml-guide.md 为文本添加 SSML 标注。 简单场景可跳过，直接传纯文本。

步骤 5：调用合成脚本

# 单段文本合成
python3 scripts/synthesize-voice.py 
  --text "你好，欢迎收听本期节目" 
  --voice warm-female 
  --speed normal 
  --output ./output.mp3

# 从文件合成
python3 scripts/synthesize-voice.py 
  --script ./script.txt 
  --voice professional-male 
  --speed fast 
  --output ./output.mp3

# 添加背景音乐
python3 scripts/synthesize-voice.py 
  --script ./script.txt 
  --bgm ./bgm/light-jazz.mp3 
  --bgm-volume 0.1 
  --output ./output.mp3

步骤 6：后期处理

参考 references/audio-processing-guide.md，脚本自动完成：

• 降噪处理
• 音量标准化（-14 LUFS）
• 背景音乐混音（可选）
• 格式转换

步骤 7：交付

将生成的音频文件发送给用户：

合成完成！这是你的配音文件。
MEDIA:./output.mp3

音色快速参考

详细音色库见 references/voice-style-guide.md。

环境依赖

pip install elevenlabs openai pydub requests
brew install ffmpeg  # macOS

注意事项

• 单次合成建议不超过 10 分钟音频
• 音色克隆需至少 1 分钟清晰样本音频
• 使用他人声音克隆需获得授权
• 无 API key 时降级使用系统 tts 工具