tts

核心用法

tts 是一款功能全面的文本转语音（TTS）技能，提供双后端架构满足不同场景需求：

1. 简单模式（快速语音合成）

• 基础用法：tts.py -t "文本内容" -o 输出.mp3
• 支持文件输入、多种音频格式（MP3/WAV/OPUS/OGG）
• 可通过 --ref-audio 实现声音克隆（本地文件或URL）

2. 时间轴模式（精准配音）

• SRT生成：自动将长文本按语速切割为字幕格式
• 语音映射（Voice Map）：JSON配置文件支持逐片段指定音色、语速、语言、情绪
• 动态参考音频：--ref-audio-track 可从原视频自动截取对应时段音频作为克隆参考
• 渲染输出：通过 ffmpeg 精确拼接，实现口型同步级配音

3. 后端选择策略

| 需求场景 | 推荐后端 |

|---------|---------|

| 快速朗读、离线使用 | Kokoro（本地） |

| EPUB/PDF有声书、多音色混合 | Kokoro |

| 声音克隆、情绪控制、精确时长 | Noiz（云端） |

4. 访客模式
无API密钥时自动降级，支持15种预设音色，但禁用克隆、情绪、时间轴渲染等高级功能。

显著优点

• 双引擎灵活切换：本地隐私优先 vs 云端效果优先
• 专业级时间轴控制：SRT驱动的精准音频对齐，适合影视配音
• 零配置声音克隆：参考音频支持本地路径或URL，一键克隆任意声音
• 情绪维度精细调节：Noiz后端支持Joy/Calm等情绪强度参数
• 多语言无缝切换：中英文及日语支持，单文件内可混排

潜在局限

• 云端依赖：Noiz高级功能需网络及API密钥，存在服务可用性风险
• 隐私考量：Noiz后端需上传文本及参考音频至第三方服务器
• 本地资源占用：Kokoro需本地模型运行，大文本合成可能占用显著内存
• ffmpeg依赖：时间轴模式需外部工具，Windows环境配置较复杂

适合人群

• 内容创作者（短视频配音、有声书制作）
• 影视后期制作（多角色自动配音、口型同步）
• 无障碍服务开发者（屏幕阅读、辅助语音）
• 多语言内容本地化团队

常规风险

• API密钥泄露：存储于 ~/.config/noiz/api_key，需确保权限 0600
• 参考音频版权：克隆他人声音需获得合法授权
• 云端数据留存：Noiz服务端可能临时存储合成请求
• 合成内容合规：生成的语音内容需符合平台政策及法律法规
• 临时文件清理：异常中断可能导致 /tmp 残留音频片段

核心用法

本TTS技能提供两套完整的工作流：Simple模式适用于快速文本转语音，通过speak子命令（可省略）直接生成音频，支持从文件读取、语音克隆（本地文件或URL）、以及多种输出格式（MP3、OPUS、OGG等）。Timeline模式则专为专业配音场景设计，需先将文本转换为SRT字幕文件，再创建JSON格式的声线映射（voice map）控制每段的音色、语速、语言甚至情感参数，最终通过render命令生成时间轴精准对齐的音频。

后端选择方面，Kokoro为完全离线的本地引擎，适合隐私敏感内容；Noiz为云端服务，提供情感控制（emo参数）、精确时长控制和真人级语音克隆能力，无API Key时自动降级为Guest模式（15种内置音色，功能受限）。

显著优点

1. 双后端灵活架构：本地Kokoro保障数据隐私，云端Noiz提供商业级音质，用户可按场景自由切换
2. 专业级配音能力：时间轴渲染模式支持SRT导入、逐片段声线映射、动态参考音频切片，满足影视配音、有声书制作等专业需求
3. 零门槛Guest模式：无需注册即可体验15种跨语种高质量音色（中/英/日）
4. 精细化情感控制：Noiz后端支持Joy、Calm等情绪参数调节，超越传统TTS的机械感
5. 完善的第三方集成：内置Feishu、Telegram、Discord等平台的语音消息格式支持

潜在缺点与局限性

1. 功能分散门槛高：双后端、双模式的设计虽灵活，但参数体系差异大（如Kokoro用voice，Noiz用voice_id/emo），新手易产生混淆
2. 云端依赖的隐私权衡：Noiz的情感控制、语音克隆等核心亮点功能必须上传数据至云端，无法本地完成
3. Guest模式功能受限：无API Key时无法使用语音克隆、时间轴渲染、情感控制等高级功能
4. ffmpeg依赖：时间轴模式需要外部ffmpeg工具链，增加了部署复杂度
5. 语言支持不均衡：Kokoro的中文音色丰富，但Noiz的Guest模式仅提供有限的日文和中文选项

适合的目标群体

• 内容创作者：需要将文章、EPUB、PDF快速转换为有声内容的主播、博主
• 影视后期工作者：需要精确时间轴对齐的多角色配音、字幕同步制作
• 隐私敏感用户：选择Kokoro后端处理机密文档、个人日记等内容的用户
• 多语言项目团队：需要中/英/日三语统一声线风格的企业培训、国际化产品
• 技术爱好者：希望深度定制声线映射、探索语音克隆边界的开发者

常规使用风险

性能风险：Noiz云端合成受网络延迟影响，长文本可能触发超时；Kokoro本地运行则依赖设备算力，大规模批处理需预留足够资源。

依赖项风险：时间轴模式强制依赖ffmpeg，若系统PATH配置不当或版本不兼容会导致渲染失败；requests库未预装时会阻断Noiz后端功能。

数据残留风险：虽然临时文件清理机制完善，但在异常中断（如强制终止进程）情况下，/tmp目录可能残留音频片段。

API配额风险：Noiz免费额度耗尽后服务将中断，需关注用量或准备备用后端方案。

声权合规风险：语音克隆功能需确保对参考音频拥有合法使用权，避免侵犯他人声音权益。