Generate Natural Reply Tts

指定声音的直播日常接话 TTS

使用指定声音生成自然、轻快、不带促销腔的接话短音频。

工作流

1. 将文案限制为 2–3 个汉字；默认使用“对的”。批量迁移 1–100 字话术时加入 --allow-unvalidated-length。
2. 用 --gender=male 或 --gender=female 选择对应情绪参数。gender 不决定音色，实际音色必须显式指定。
3. 二选一指定声音：
   • 已有当前模型的克隆音色：传入 --voice-id。
   • 只有参考声音：传入可匿名访问的 --reference-audio-url 和持久化的 --voice-profile。
4. 先运行 --dry-run 核对音色来源、模型、提示词和处理参数，再正式生成。

node /absolute/path/to/this-skill/scripts/generate.mjs \
  --dry-run --gender=male --voice-id='cosyvoice-voice-id' \
  --text='对的' --output=/absolute/output.wav

node /absolute/path/to/this-skill/scripts/generate.mjs \
  --gender=male \
  --reference-audio-url='https://example.com/reference.wav' \
  --voice-profile=/absolute/path/male-voice-profile.json \
  --text='对的' --output=/absolute/output.wav

指定声音规则

• 不使用 preset 固定音色，不读取旧的男女声 voice ID 环境变量，也不静默回退。
• 跨三个情绪 skill 使用同一声音时，复用同一个 --voice-profile；脚本按模型创建或复用该声音的 CosyVoice/Qwen-Audio 克隆音色。
• voice-profile 只保存音色 ID 和参考声音指纹，不保存 API Key 或参考 URL。
• 不替换模型、情绪提示词、rate、pitch 或后处理参数。
• 不用普通倍速滤镜；只执行 preset 中的保音高、保共振峰处理。
• 保留自然气口和尾音，不贴着末字切割。
• 使用 DASHSCOPE_API_KEY，绝不输出或写入密钥。
• 需要核对完整参数时读取 references/preset.json。

输出约束

• 默认输出 24 kHz、单声道 WAV，并归一化到 -16 LUFS。
• 除非用户明确要求诊断原始返回，否则不要使用 --raw-only。