核心用法
Text-to-Speech (HeyGen Starfish) 是 HeyGen 官方提供的文本转语音技能，基于自研 Starfish TTS 模型生成高质量语音音频。主要工作流为三步：首先调用 mcp__heygen__list_audio_voices 获取支持的音色列表，筛选符合语言、性别需求的音色；随后通过 mcp__heygen__text_to_speech 提交文本及参数（voice_id、speed、pitch、locale 等）；最后获取返回的 audio_url 下载或播放音频。
显著优点
1. 音色丰富度：支持按语言、性别筛选，提供预览音频，便于精准匹配场景需求
2. 参数精细化：语速 0.5-1.5 倍可调，音调 -50 至 +50 级调节，支持多语言口音（locale）切换
3. 高级功能：内置 ElevenLabs 集成接口，可调用第三方高级模型；返回 word_timestamps 支持字幕同步
4. 开发友好：同时提供 MCP 工具封装与原生 REST API，附带 TypeScript/Python 完整示例代码
潜在缺点与局限性
- 端点隔离：TTS 专用音色端点（/v1/audio/voices）与视频端点（/v2/voices）不互通，部分视频音色无法用于 TTS
- API 依赖：需 HEYGEN_API_KEY 环境变量，国内访问可能存在网络延迟
- 成本因素：HeyGen 商业 API 按用量计费，高频调用需关注账单
- 预览限制：部分音色 preview_audio_url 为 null，需盲选或多次测试
适合人群
- 播客/有声书创作者需批量生成旁白音频
- 开发者构建语音交互应用、自动客服系统
- 内容本地化团队需多语言语音输出
- 营销团队快速制作产品演示语音素材
常规风险
- 密钥泄露：HEYGEN_API_KEY 需妥善保管，避免硬编码提交至代码仓库
- 内容合规：生成内容需遵守 HeyGen 使用条款，禁止生成虚假身份语音用于欺诈
- 输出质量波动：极端语速（<0.8 或 >1.2）可能导致发音不自然
- SSML 解析：break 标签需严格遵循格式（空格包围、秒为单位），否则被当作普通文本输出