核心功能
HeyGen Text-to-Speech 技能基于其自研的 Starfish TTS 模型，专注于纯音频生成场景，与视频生成功能分离。核心能力包括：
- 语音合成：将文本转换为自然语音音频，输出 WAV 格式文件
- 音色管理：通过
/v1/audio/voices端点获取可用音色，支持按语言、性别筛选 - 精细控制：调节语速（0.5-1.5倍）、音高（-50至+50）、地区口音（如 pt-BR）
- 高级参数：对 ElevenLabs 集成音色提供模型选择、相似度、稳定性、风格强度等进阶设置
- 时间戳输出：返回逐词时间戳（
word_timestamps），便于字幕同步 - SSML 支持：通过
<break time="1s"/>标签插入停顿
显著优点
1. 企业级音质：HeyGen 自研模型，非简单封装第三方服务
2. 开发者友好：提供 MCP 工具优先调用模式，同时保留完整 REST API 和 TypeScript/Python 示例
3. 多场景适配：播客旁白、产品演示、多语言内容本地化
4. 精确时序数据：内置单词级时间戳，无需额外对齐处理
5. 灵活的参数体系：从简单速度调节到 ElevenLabs 专业参数全覆盖
局限性与风险
| 方面 | 说明 |
|------|------|
| **成本** | 商业 API 按需计费，高频调用成本累积 |
| **网络依赖** | 完全云端处理，无离线能力 |
| **音色一致性** | 不同 `voice_id` 表现差异大，建议先预览 |
| **API 版本分离** | 视频音色（/v2/voices）与 TTS 音色（/v1/audio/voices）不互通，易混淆 |
| **ElevenLabs 依赖** | 部分高级功能依赖第三方服务，增加链路复杂度 |
| **速率限制** | 未文档说明具体限额，大流量场景需提前沟通 |
适合人群
- 内容创作者（播客、有声书、视频旁白）
- 产品经理/开发者构建语音交互应用
- 多语言内容运营团队
- 需要精确字幕同步的媒体制作流程
使用建议
- 始终先用
mcp__heygen__list_audio_voices确认音色支持情况 - 正式生产前通过
preview_audio_url验证音色质量 - 语速建议保持在 0.8-1.2 区间以保证自然度
- 妥善保管
HEYGEN_API_KEY，避免硬编码