核心用法
本技能通过 HeyGen 自研的 Starfish TTS 模型，将文本转换为高质量语音音频，独立于视频生成流程。
标准工作流程：
1. 调用 list_audio_voices 获取支持的 TTS 语音库（注意与视频语音 API 分离）
2. 根据语言、性别筛选目标声音，通过 preview_audio_url 预览
3. 调用 text_to_speech 提交文本及参数，获取音频 URL
关键参数：
speed：0.5-1.5 倍速调节，推荐 0.8-1.2 保持自然pitch：-50 至 50 音调偏移locale：多语言语音的口音选择（如 pt-BR）elevenlabs_settings：接入 ElevenLabs 高级模型时的精细控制
特色功能：
- 字级时间戳（word_timestamps）：支持字幕同步与精准时间轴编辑
- SSML 断点：
<break time="1.5s"/>实现可控停顿 - 多语言支持：部分语音支持
support_locale区域变体
显著优点
| 维度 | 优势 |
|------|------|
| **输出质量** | Starfish 为 HeyGen 自研模型，针对数字人场景优化 |
| **工程友好** | 返回 duration、request_id、word_timestamps 完整元数据 |
| **灵活控制** | 语速、音调、locale、ElevenLabs 扩展参数四层调节 |
| **预览机制** | 多数声音提供 `preview_audio_url` 预听 |
潜在局限
1. API 分离陷阱：/v1/audio/voices 与 /v2/voices 数据不互通，视频语音未必支持 TTS
2. locale 限制：仅 support_locale=true 的语音可用区域参数
3. 预览缺失：部分声音 preview_audio_url 为 null
4. ElevenLabs 依赖：高级设置需外部模型支持，增加复杂度
5. 断点语法严格：必须 <break time="Xs"/> 格式且前后空格
适合人群
- 播客/有声书创作者需批量生成旁白
- 视频制作人分离音频预处理流程
- 开发者构建字幕同步工具（利用 word_timestamps）
- 多语言内容团队需统一语音品牌
常规风险
- API 密钥泄露：
HEYGEN_API_KEY需严格环境隔离 - 成本累积：长文本生成按字符/时长计费，需预算管控
- 音频存储：返回 URL 有效期未明确，需及时下载归档
- ElevenLabs 配置误用：similarity_boost/stability 参数不当导致输出不稳定
- 限速与并发：未文档说明配额，大规模调用需渐进测试