核心用法
Text-to-Speech (HeyGen Starfish) 是HeyGen自研的语音合成技能，专注于独立音频生成（非视频场景）。用户通过调用 /v1/audio 端点，将文本转换为自然流畅的语音输出。
主要功能
1. 语音列表获取：调用 mcp__heygen__list_audio_voices 或直接请求 GET /v1/audio/voices，获取支持Starfish TTS的完整音色库（含语言、性别、预览音频等元数据）
2. 语音合成：通过 mcp__heygen__text_to_speech 或 POST /v1/audio/text_to_speech 提交文本，支持以下参数：
3. SSML断句：支持 <break time="1.5s"/> 标签控制停顿节奏
- 基础调节：语速（0.5-1.5倍）、音高（-50至50）
- 多语言支持：
locale参数指定口音（如en-US、pt-BR） - ElevenLabs高级设置：模型选择、相似度、稳定性、风格强度
响应特性
- 返回可直接播放的
audio_url、音频时长duration - 提供逐词时间戳
word_timestamps，便于字幕同步
显著优点
| 优势 | 说明 |
|------|------|
| **自研模型** | HeyGen Starfish为in-house TTS，非第三方依赖，可控性高 |
| **参数精细** | 语速/音高/口音多维调节，支持专业级音频定制 |
| **时间戳对齐** | 自动输出词级时间戳，降低后期剪辑成本 |
| **MCP工具链** | 提供标准化MCP工具封装，开发集成效率高 |
| **多语言覆盖** | 支持英语、中文、葡萄牙语等多种语言及本地化口音 |
潜在缺点与局限性
1. 音色库边界：GET /v1/audio/voices 与 GET /v2/voices 为不同端点，部分视频可用音色不支持Starfish TTS，需显式筛选
2. 预览音频缺失：部分音色 preview_audio_url 为null，无法提前试听
3. ElevenLabs配置门槛：高级参数需理解TTS模型特性，普通用户上手成本较高
4. 断句标签限制：SSML break标签语法严格（需空格包围、秒级单位），格式错误将直接导致失败
5. API依赖风险：服务稳定性绑定HeyGen基础设施，无离线/本地部署选项
适合人群
- 内容创作者：播客主播、有声书制作人、教育课程开发者
- 产品团队：需要批量生成产品演示配音、IVR语音导航
- 开发者：通过MCP工具快速集成TTS能力至自动化工作流
- 多语言运营：跨境电商、国际化SaaS需本地化语音内容
常规风险
| 风险类型 | 具体表现 | 缓释建议 |
|----------|----------|----------|
| **成本累积** | 高频调用导致API费用上升 | 设置预算告警，缓存常用音频 |
| **内容合规** | 合成语音可能被滥用于虚假信息 | 建立内容审核机制，保留生成日志 |
| **授权隐患** | 商用场景需确认HeyGen授权条款 | 审阅服务条款，必要时购买企业许可 |
| **音频质量波动** | 极端参数（如speed<0.8或>1.2）导致语音 unnatural | 遵循最佳实践建议范围 |
| **密钥泄露** | `HEYGEN_API_KEY` 硬编码或泄露 | 使用环境变量+密钥管理服务，定期轮换 |
认证与工具建议
- 必须配置：
HEYGEN_API_KEY环境变量 - 优先路径：存在
mcp__heygen__*工具时，优先使用MCP而非直接HTTP调用 - 调试技巧：利用返回的
request_id追踪异常请求