核心用法
characteristic-voice 是一款专注于「人性化语音合成」的 AI 技能，核心目标是将机械感十足的 TTS 输出转化为具有真实情感、呼吸感和陪伴特质的语音。它通过两大技术路径实现这一目标：非词汇填充音（Non-lexical fillers）与情感参数调谐（Emotion tuning）。
技能提供 speak.sh 脚本作为统一入口，内置五种场景预设（Good Night / Good Morning / Comfort / Celebration / Just Chatting），每种预设自动配置语速、情感权重与填充词密度。用户可通过 --preset 快速调用，或使用 --emo JSON 参数精细调节 Warmth、Tenderness、Joy 等维度。
进阶功能支持角色声音克隆：当用户请求模仿特定角色（如「用赫敏的语气说」）时，技能引导从 YouTube/影视片段提取音频样本，经 yt-dlp 下载、ffmpeg 剪辑后，通过 --ref-audio 传递至 Noiz 后端完成声纹迁移。这一流程虽需人工介入（获取视频、定位时间戳、裁剪音频），但为个性化语音提供了可行路径。
显著优点
1. 情感颗粒度精细：突破传统 TTS 的「开心/难过」二元分类，支持 0-1 区间的连续情感插值，可实现「疲惫但温柔」「雀跃却克制」等微妙语气。
2. 填充词生态丰富：内置 10 类拟声词（hmm、aww、heh、pfft 等），并规范了使用场景与标点配合（... 表停顿、~ 表拖尾），大幅降低「机器感」。
3. 场景预设开箱即用：针对睡前陪伴、晨间唤醒、情绪安抚等高频场景预置参数，降低用户调参门槛。
4. 角色可扩展性：通过参考音频机制，理论上可克隆任意真人或虚构角色声音，满足同人创作、虚拟主播等需求。
潜在局限与风险
1. 依赖外部 TTS 后端：核心合成能力嫁接于 tts skill 与 Noiz API，本地无自研声码器，意味着需额外配置 API 密钥且受限于服务商的语种/音色库。
2. 角色克隆流程繁琐：从视频下载到精确剪辑需多步命令行操作，对非技术用户门槛较高；且涉及版权内容抓取，存在合规灰色地带。
3. 填充词滥用风险：文档建议「短消息 2-4 个填充词」，但缺乏硬性约束，过度使用可能导致语义碎片化、信息密度下降。
4. 情感标注主观性：Tenderness、Warmth 等维度的 0.9 与 0.7 在实际听感上差异模糊，缺乏客观评测基准。
适合人群
- 虚拟陪伴/社交机器人开发者：需为 AI 助手构建「人格化声音」而非工具化播报。
- 播客/有声书创作者：追求「好友耳边轻语」的亲密感，而非播音腔。
- 同人二创社群：希望让 OC（原创角色）或影视角色「开口说话」的创作者。
- 心理健康/冥想类应用：需通过声音传递安全感、降低用户防御的场景。
常规风险
- 版权风险：角色声音克隆可能侵犯原配音演员或影视公司的声音权/著作权，商业使用前需法律评估。
- 情感依赖：过度拟真的陪伴语音可能加剧用户对 AI 的情感投射，需明确披露「非人类」身份。
- 隐私泄露：参考音频上传至 Noiz 后端时，敏感语音数据存在第三方托管风险。
- 模型幻觉：填充词插入位置由启发式规则决定，可能出现语义断裂（如「hmm... 我爱你」被插入在否定句中造成歧义）。