核心功能与用法
text-to-speech 是一款基于 inference.sh 云平台的文本转语音技能，通过 CLI 工具调用多个开源及商业级 TTS 模型。核心用法极为简洁：安装 CLI 后执行 infsh app run {model-id} --input '{"text": "..."}' 即可生成语音。支持五款差异化模型：
- Kokoro TTS：速度快、音质自然，适合通用场景
- DIA TTS：擅长对话式、富有表现力的语音
- Chatterbox：通用型基础模型
- Higgs Audio：精细化情感控制（excited、sad 等）
- VibeVoice：专为播客、长音频内容优化
显著优点
1. 模型多样性：单技能覆盖从快速响应到情感表达的完整光谱，无需切换平台
2. 场景闭环：内置与 OmniHuman 数字人、视频生成技能的联动示例，形成"语音→视频"工作流
3. 零配置门槛：基于云推理，本地无需 GPU 或模型下载
4. 多模态扩展：配套提供语音转文字、AI 音乐、AI 视频等相关技能矩阵
潜在局限与风险
- 网络依赖：完全依赖 inference.sh 服务可用性，离线无法使用
- 成本不透明：文档未明确 API 定价，可能按量计费产生意外支出
- 输出稳定性：云端模型版本更新可能导致输出音色、语调变化
- 数据隐私：文本内容需上传至第三方云服务商处理，敏感内容需谨慎
适合人群
内容创作者（播客、视频配音）、开发者（构建语音交互应用）、无障碍需求用户、企业 IVR 系统集成者。
常规风险
云服务商单点故障、API 密钥泄露、生成内容版权归属模糊（尤其 voice cloning 功能）、长文本输入可能触发速率限制。