ai-voice-cloning

belt CLI スキルをインストール： npx skills add belt-sh/cli

AI 音声生成

inference.sh CLI を使って自然な AI 音声を生成します。

クイックスタート

inference.sh CLI（belt）が必要です。インストール手順

belt login

# Generate speech
belt app run falai/kokoro-tts --input '{
  "prompt": "Hello! This is an AI-generated voice that sounds natural and engaging.",
  "voice": "af_sarah"
}'

利用可能なモデル

モデル	アプリ ID	最適な用途
Inworld TTS-2	inworld/text-to-speech-2	100 以上の言語、感情や非言語表現の制御、話し方のモード
Inworld TTS 1.5 Max	inworld/text-to-speech-1-5-max	低レイテンシ（<200ms）、15 言語
Inworld TTS 1.5 Mini	inworld/text-to-speech-1-5-mini	超低レイテンシ（~120ms）、15 言語、リアルタイム
ElevenLabs TTS	elevenlabs/tts	プレミアム品質、22 以上の音声、32 言語
ElevenLabs Voice Changer	elevenlabs/voice-changer	既存の音声録音を変換
Kokoro TTS	falai/kokoro-tts	自然な音声、複数の声
DIA	infsh/dia-tts	会話向け、表現豊か
Chatterbox	infsh/chatterbox	カジュアル、エンターテインメント向け
Higgs	infsh/higgs-audio	プロフェッショナルなナレーション
VibeVoice	infsh/vibevoice	幅広い感情表現

Kokoro 音声ライブラリ

アメリカ英語

音声 ID	性別	スタイル
af_sarah	女性	温かく、親しみやすい
af_nicole	女性	プロフェッショナル
af_sky	女性	若々しい
am_michael	男性	威厳がある
am_adam	男性	会話調
am_echo	男性	明瞭でニュートラル

イギリス英語

音声 ID	性別	スタイル
bf_emma	女性	上品
bf_isabella	女性	温かい
bm_george	男性	クラシック
bm_lewis	男性	モダン

Inworld TTS — キャラクターと感情を表現する音声

Inworld TTS-2 は、キャラクターの声、ゲーム、表現豊かな音声向けに特化しています。感情、非言語表現、話し方を制御するには、インラインで [brackets] を使います。

# Expressive character voice with emotion steering
belt app run inworld/text-to-speech-2 --input '{
  "text": "[excited] Oh wow, you actually found the ancient artifact! [gasp] I cannot believe it... [whisper] We need to keep this between us.",
  "voice_id": "Sarah",
  "delivery_mode": "CREATIVE"
}'

# Calm narrator with stable delivery
belt app run inworld/text-to-speech-2 --input '{
  "text": "The sun set behind the mountains, casting long shadows across the valley. A new chapter was about to begin.",
  "voice_id": "Sarah",
  "delivery_mode": "STABLE"
}'

話し方のモード： STABLE（一貫性があり、ナレーション向け）、BALANCED（自然、デフォルト）、CREATIVE（表現豊か、キャラクター向け）

制御例： [laugh]、[sigh]、[whisper]、[excited]、[sad]、[angry]、[pause]、[gasp]

組み込み音声（15 言語で 271 以上）：Sarah、Alex、Ashley、Dennis、Hana、Blake、Luna、Clive など。すべての音声はInworld TTS Playgroundで確認できます。

リアルタイム／会話型 AI 向けの低レイテンシ

# Ultra-fast response for chatbots & game NPCs (~120ms)
belt app run inworld/text-to-speech-1-5-mini --input '{
  "text": "Welcome, traveler. What brings you to our village?",
  "voice_id": "Clive",
  "speaking_rate": 0.9
}'

音声生成の例

プロフェッショナルなナレーション

belt app run falai/kokoro-tts --input '{
  "prompt": "Welcome to our quarterly earnings call. Today we will discuss the financial performance and strategic initiatives for the past quarter.",
  "voice": "am_michael",
  "speed": 1.0
}'

会話調

belt app run infsh/dia-tts --input '{
  "text": "Hey, so I was thinking about that project we discussed. What if we tried a different approach?",
  "voice": "conversational"
}'

オーディオブックのナレーション

belt app run falai/kokoro-tts --input '{
  "prompt": "Chapter One. The morning mist hung low over the valley as Sarah made her way down the winding path. She had been walking for hours.",
  "voice": "bf_emma",
  "language": "british-english",
  "speed": 0.9
}'

動画のボイスオーバー

belt app run falai/kokoro-tts --input '{
  "prompt": "Introducing the next generation of productivity. Work smarter, not harder.",
  "voice": "af_nicole",
  "speed": 1.1
}'

ポッドキャストのホスト

belt app run falai/kokoro-tts --input '{
  "prompt": "Welcome back to Tech Talk! Im your host, and today we are diving deep into the world of artificial intelligence.",
  "voice": "am_adam"
}'

複数の声による会話

# Generate dialogue between two speakers
# Speaker 1
belt app run falai/kokoro-tts --input '{
  "prompt": "Have you seen the latest AI developments? Its incredible how fast things are moving.",
  "voice": "am_michael"
}' > speaker1.json

# Speaker 2
belt app run falai/kokoro-tts --input '{
  "prompt": "I know, right? Just last week I tried that new image generator and was blown away.",
  "voice": "af_sarah"
}' > speaker2.json

# Merge conversation (no inference.sh app concatenates audio; use ffmpeg locally)
curl -L -o speaker1.mp3 "<speaker1-url>"
curl -L -o speaker2.mp3 "<speaker2-url>"
ffmpeg -i speaker1.mp3 -i speaker2.mp3 -filter_complex "acrossfade=d=0.3" conversation.mp3

長文コンテンツ

分割処理

5000 文字を超えるコンテンツは、分割して処理します。

# Process long text in chunks
TEXT="Your very long text here..."

# Split and generate
# Chunk 1
belt app run falai/kokoro-tts --input '{
  "prompt": "<chunk-1>",
  "voice": "bf_emma",
  "language": "british-english"
}' > chunk1.json

# Chunk 2
belt app run falai/kokoro-tts --input '{
  "prompt": "<chunk-2>",
  "voice": "bf_emma",
  "language": "british-english"
}' > chunk2.json

# Merge chunks (no inference.sh app concatenates audio; use ffmpeg locally)
curl -L -o chunk1.mp3 "<chunk1-url>"
curl -L -o chunk2.mp3 "<chunk2-url>"
ffmpeg -i chunk1.mp3 -i chunk2.mp3 -filter_complex "acrossfade=d=0.1" narration.mp3

音声＋動画のワークフロー

動画にボイスオーバーを追加

# 1. Generate voiceover
belt app run falai/kokoro-tts --input '{
  "prompt": "This stunning footage shows the beauty of nature in its purest form.",
  "voice": "am_michael"
}' > voiceover.json

# 2. Merge with video
belt app run infsh/video-audio-merger --input '{
  "video_file": "https://your-video.mp4",
  "audio_file": "<voiceover-url>"
}'

トーキングヘッドを作成

# 1. Generate speech
belt app run falai/kokoro-tts --input '{
  "prompt": "Hi, Im excited to share some updates with you today.",
  "voice": "af_sarah"
}' > speech.json

# 2. Animate with avatar
belt app run bytedance/omnihuman-1-5 --input '{
  "image": "https://portrait.jpg",
  "audio": "<speech-url>"
}'

速度とペース

速度	効果	用途
0.8	ゆっくり、落ち着いた話し方	オーディオブック、瞑想
0.9	ややゆっくり	教育、チュートリアル
1.0	通常	一般用途
1.1	やや速い	コマーシャル、勢いのある表現
1.2	速い	短いアナウンス

# Slow narration
belt app run falai/kokoro-tts --input '{
  "prompt": "Take a deep breath. Let yourself relax.",
  "voice": "bf_emma",
  "language": "british-english",
  "speed": 0.8
}'

ペース調整のための句読点

句読点を使って、話すリズムを調整します。

句読点	効果
ピリオド .	完全な間
カンマ ,	短い間
...	長めの間
!	強調
?	疑問のイントネーション
-	短い区切り

belt app run falai/kokoro-tts --input '{
  "prompt": "Wait... Did you hear that? Something is coming. Something big!",
  "voice": "am_adam"
}'

ベストプラクティス

1. 内容に合わせて声の雰囲気を調整する - ビジネスにはプロフェッショナルな声、ソーシャル向けにはカジュアルな声を使います
2. 句読点を使う - 句点や読点で話すテンポを調整します
3. 文を短くする - 生成しやすく、より自然に聞こえます
4. さまざまな声を試す - 同じテキストでも、声によって聞こえ方が変わります
5. 速度を調整する - 少し遅めのほうが自然に聞こえることがよくあります
6. 長いコンテンツを分割する - 一貫性を保つため、いくつかのチャンクに分けて処理します

使用例

• ナレーション - 動画のナレーション、コマーシャル
• オーディオブック - 書籍全編のナレーション
• ポッドキャスト - AI のホストやゲスト
• E ラーニング - コースのナレーション
• アクセシビリティ - スクリーンリーダー向けコンテンツ
• IVR - 電話システムのメッセージ
• コンテンツのローカライズ - 翻訳と音声化

関連スキル

# ElevenLabs TTS (premium, 22+ voices)
npx skills add inference-sh/skills@elevenlabs-tts

# ElevenLabs voice changer (transform recordings)
npx skills add inference-sh/skills@elevenlabs-voice-changer

# All TTS models
npx skills add inference-sh/skills@text-to-speech

# Podcast creation
npx skills add inference-sh/skills@ai-podcast-creation

# AI avatars
npx skills add inference-sh/skills@ai-avatar-video

# Video generation
npx skills add inference-sh/skills@ai-video-generation

# Full platform skill
npx skills add inference-sh/skills@infsh-cli

オーディオアプリを閲覧：belt app list --category audio