text-to-speech

Text-to-Speech 是一个基于 inference.sh 平台的语音合成技能，通过 CLI 工具提供对多种先进 TTS 模型的统一访问。用户只需安装 inference.sh CLI 并登录，即可通过简单的命令行调用包括 DIA TTS（对话式）、Kokoro TTS（快速自然）、Chatterbox（通用）、Higgs Audio（情感控制）和 VibeVoice（播客长文本）在内的多个模型，将文本转换为自然流畅的语音。

该技能的核心优势在于模型丰富度和场景覆盖能力。不同于单一 TTS 服务，它提供了从快速语音生成到情感丰富的对话式语音，再到长形式播客内容生成的完整解决方案。特别值得一提的是，DIA TTS 支持多说话人对话模式，VibeVoice 擅长处理长文本播客脚本，而 Higgs Audio 则允许用户控制情感表达，这些特性使其在专业内容创作领域具有显著优势。此外，该技能还能与 OmniHuman 等视频生成工具结合，实现从文本到虚拟人视频的一站式工作流。

然而，该技能也存在明显的局限性。首先，它完全依赖 inference.sh 第三方云服务，所有文本数据必须上传至远程服务器进行处理，这对处理敏感或机密内容的用户构成隐私顾虑。其次，需要稳定的网络连接才能正常使用，离线环境无法工作。再者，作为个人开发者维护的项目（T3 来源），长期维护的稳定性与官方商业服务相比存在一定不确定性。

该技能特别适合内容创作者（如播客制作人、视频博主、有声书作者）、需要快速原型语音功能的开发者，以及关注无障碍访问的实施人员。对于企业级应用，特别是涉及敏感数据处理的场景，建议谨慎评估数据出境和隐私合规要求。

使用风险主要包括：数据隐私风险（文本内容需上传至 inference.sh 服务器）、服务可用性风险（依赖第三方云服务稳定性）、网络延迟问题（实时性要求高的场景可能受影响），以及 CLI 工具链的维护风险。建议用户避免使用此技能处理包含个人敏感信息或商业机密的文本内容。

核心用法

Text-to-Speech Skill 提供通过 inference.sh CLI 调用多种先进 TTS 模型的统一入口。核心工作流为：infsh login 认证 → infsh app run <model> 执行合成。支持五种差异化模型：Kokoro TTS（快速自然）、DIA TTS（对话式表现）、Chatterbox（通用场景）、Higgs Audio（精细情感控制）、VibeVoice（播客长音频）。

使用方法采用 JSON 输入模式：先通过 infsh app sample <app> 生成输入模板，编辑后传入 --input 参数执行。支持基础文本转语音、多说话人对话、情绪标签调节（如 excited/sad）、播客脚本生成等高级特性。输出为音频 URL，可直接用于下游视频生成（如 OmniHuman 数字人）或下载使用。

显著优点

1. 模型多样性：覆盖从快速响应到情感表现的全谱系需求，避免单一模型局限
2. 零基础设施：无需本地 GPU 或模型部署，云端推理按需计费
3. 工作流整合：与 AI 视频生成、语音识别等 Skill 形成完整内容生产链
4. 无障碍友好：为视障用户、内容无障碍化提供标准化解决方案
5. 权限最小化：仅申请 Bash(infsh *)，不索取系统级权限

潜在局限

• 网络依赖：必须保持 inference.sh 服务可用，离线场景无法使用
• 成本累积：高频调用产生 API 费用，长音频/播客生成成本需预估
• 中文支持未明确：文档示例均为英文，中文语音质量需实际验证
• 输出格式限制：返回 URL 而非直接文件，需二次下载处理
• 情感控制精度：Higgs Audio 等模型的情绪标签实际效果存在主观差异

适合人群

• 内容创作者（YouTube/B 站 UP 主、播客制作人）
• 企业培训/营销团队（产品演示配音、IVR 系统）
• 无障碍开发者（视障辅助工具、有声读物平台）
• 教育机构（课件配音、语言学习应用）
• AI 工作流构建者（需语音-视频联动生产的自动化场景）

常规风险

1. 远程脚本执行：安装指引包含 curl | sh 模式，虽来源可信但存在理论供应链风险，建议先下载审查
2. 数据隐私：文本内容上传至 inference.sh 云端处理，敏感信息需谨慎
3. 服务连续性：依赖单一外部平台，需关注服务 SLA 与隐私政策变更
4. 音频滥用风险：生成的 AI 语音存在深度伪造滥用可能，使用者需遵守平台伦理规范