核心用法
本 Skill 封装 OpenAI TTS 能力，通过 scripts/text_to_speech.py CLI 工具将文本转换为语音。核心流程：判定单条/批量需求 → 收集文本、音色、风格、格式等参数 → 调用 CLI 执行生成 → 输出至 output/speech/。批量场景需先将任务写入临时 JSONL 文件，执行后清理。
关键参数与默认：
- 模型：
gpt-4o-mini-tts-2025-12-15（可切换） - 默认音色：
cedar；明亮风格首选marin - 仅支持内置音色，不支持自定义声线克隆
- 单请求上限 4096 字符；RPM 限制 50
- 必须配置
OPENAI_API_KEY环境变量
指令增强机制：将用户模糊描述（如"旁白"）转写为结构化指令模板（Voice Affect / Tone / Pacing / Emphasis 等），但不改写原文、不虚构未提及的风格。
显著优点
- 工程化完整：提供 CLI 工具、临时文件管理、批量 JSONL 流水线，降低重复开发成本。
- 多场景模板：内置 narration、voiceover、IVR、accessibility 四类参考模板，快速对齐行业惯例。
- 可控迭代：支持通过 instructions 微调音色、语速、情感，且遵循"单变量迭代"原则，便于 A/B 对比。
- 合规内置：强制要求 RPM 限速、AI 生成声源披露，降低合规风险。
潜在缺点与局限
- 供应商锁定：仅支持 OpenAI Audio API，无 Azure、Google Cloud 等替代后端。
- 无自定义声线：无法基于个人录音克隆专属音色，限制品牌声效差异化。
- 长度与速率限制：4096 字符上限需手动分片；50 RPM 对大规模批量生产（如数万条 IVR）仍显不足。
- 网络依赖：需实时 API 调用，离线环境不可用；sandbox/网络白名单环境需额外配置（见
references/codex-network.md）。 - 安全提示：文档未提及输入文本的 XSS/注入过滤，需调用方自行校验。
适合人群
- 产品经理/开发者需快速生成 Demo 旁白、产品解说视频配音。
- 客服/运维团队需批量制作 IVR 语音导航、电话提示音。
- 无障碍开发者需为视障用户生成屏幕阅读补充音频。
- 内容创作者需 AI 语音替代人工配音以降低制作成本。
常规风险
- API Key 泄露风险：文档明确禁止在聊天中粘贴密钥，但用户若误操作仍可能导致泄露。
- 版权与标识义务：需向终端用户披露"AI 生成"，否则可能违反平台政策或区域法规。
- 成本波动：TTS API 按字符计费，长文本或高频批量调用需关注用量预算。
- 音色一致性：多批次生成时，同一 voice 参数在不同时间点可能因模型更新产生细微差异，需版本锁定。