概述
Text-to-Speech 技能基于 inference.sh 平台，提供命令行工具（infsh）调用多款先进 TTS 模型，将文本转换为自然语音。集成模型涵盖 Kokoro TTS（快速自然）、DIA TTS（对话式表达）、VibeVoice（播客长音频）、Higgs Audio（情感控制）及 Chatterbox（通用场景），满足不同应用需求。
核心用法
安装 CLI 后，通过 infsh app run <app-id> 执行推理，支持 JSON 参数配置文本、音色、情感等。典型流程：
1. 安装并登录：curl -fsSL https://cli.inference.sh | sh && infsh login
2. 运行模型：infsh app run infsh/kokoro-tts --input '{"text": "内容"}'
3. 复杂配置：使用 infsh app sample 生成模板，编辑后提交
显著优点
- 多模型选择：5+ 专业模型覆盖从快速 TTS 到情感化播客生成
- 高级特性：支持多说话人对话、语音克隆、情感参数调节
- 生态整合：可与 OmniHuman 等视频生成模型联动，实现"语音+数字人"工作流
- 便捷 CLI：单命令安装，SHA-256 校验，无需 root 权限
局限性与风险
- 平台依赖：必须注册 inference.sh 账号，受平台服务可用性制约
- 成本模型：基于云端 API 调用，高频使用产生费用（具体定价需查阅平台）
- 语音克隆合规：未明确提及授权验证，商业使用需注意肖像权与版权
- 网络要求：纯云端推理，需稳定网络，不支持离线
适合人群
内容创作者（视频旁白、播客）、开发者（构建语音交互应用）、无障碍需求场景（视障辅助）、企业 IVR 系统集成者。
常规风险
- 生成内容需符合平台 AUP（可接受使用政策）
- 语音克隆技术存在深度伪造滥用风险
- 长音频生成任务可能因队列延迟失败，建议实现重试机制