TTS 语音合成服务

任务目标

• 本 Skill 用于：将文本转换为高质量语音，支持音色克隆、情感适配、流式生成和多语言支持
• 能力包含：
  • 角色音色自动采集与克隆（从参考音频提取音色特征）
  • 拟人化语义适配配音（根据文本情绪自动调整语音语调、语速、音调）
  • 流式实时配音（支持边输入文本边生成语音）
  • 多语言与方言支持（中文、英文及多种方言）
  • 双模型选择（1.7B 高质量模型、0.6B 快速模型）
• 触发条件：当需要将文本转换为语音、克隆特定音色、生成情感化配音时使用

前置准备

• 模型下载：根据选择的 TTS 模型下载对应的权重，详见 references/model_config.md
• 硬件要求：
  • GPU：推荐使用 8GB+ 显存的 GPU（0.6B 模型可在 CPU 上运行）
  • 内存：建议 16GB+ 系统内存
  • 磁盘空间：至少 10GB 可用空间（模型权重约 3-5GB）
• 依赖配置：确保已安装所需的 Python 依赖包