text-to-speech

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

テキスト読み上げ

inference.sh CLI を使って、テキストを自然な音声に変換します。

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 infsh/kokoro-tts --input '{"text": "Hello, welcome to our product demo."}'

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、[角括弧]による感情調整、話し方のモード
Inworld TTS 1.5 Max	inworld/text-to-speech-1-5-max	低レイテンシー（<200ms）、15 言語
Inworld TTS 1.5 Mini	inworld/text-to-speech-1-5-mini	超低レイテンシー（約 120ms）、15 言語
ElevenLabs TTS	elevenlabs/tts	プレミアム品質、22 以上の音声、32 言語
DIA TTS	infsh/dia-tts	会話向け、表現豊か
Kokoro TTS	infsh/kokoro-tts	高速で自然
Chatterbox	infsh/chatterbox	汎用
Higgs Audio	infsh/higgs-audio	感情の制御
VibeVoice	infsh/vibevoice	ポッドキャスト、長尺コンテンツ

すべての音声アプリを見る

belt app list --category audio

例

基本的なテキスト読み上げ

belt app run infsh/kokoro-tts --input '{"text": "Welcome to our tutorial."}'

Inworld TTS-2 — 感情の調整

Inworld TTS-2 は [角括弧] を使った自然言語による調整に対応しており、テキスト内で感情、音量、速度、非言語音声を制御できます。

belt app run inworld/text-to-speech-2 --input '{
  "text": "I have some [exciting] news to share with you! [pause] We just hit one million users. [laugh]",
  "voice_id": "Sarah",
  "delivery_mode": "CREATIVE"
}'

話し方のモード：STABLE（一貫性重視）、BALANCED（自然、デフォルト）、CREATIVE（表現豊か）。

組み込み音声（15 言語で 271 以上）：Sarah、Alex、Ashley、Dennis、Hana、Blake、Luna、Clive など、多数あります。Inworld TTS Playgroundですべての音声を確認するか、GET https://api.inworld.ai/voices/v1/voices を使ってプログラムから一覧表示できます。

Inworld TTS 1.5 — 低レイテンシー

速度が重要なリアルタイムアプリケーション向けです。

# Max quality at low latency (<200ms)
belt app run inworld/text-to-speech-1-5-max --input '{
  "text": "Welcome back! How can I help you today?",
  "voice_id": "Ashley"
}'

# Ultra-low latency (~120ms) for conversational AI
belt app run inworld/text-to-speech-1-5-mini --input '{
  "text": "Sure, let me look that up for you.",
  "voice_id": "Dennis"
}'

DIA による会話音声

belt app sample infsh/dia-tts --save input.json

# Edit input.json:
# {
#   "text": "Hey! How are you doing today? I'm really excited to share this with you.",
#   "voice": "conversational"
# }

belt app run infsh/dia-tts --input input.json

長尺音声（ポッドキャスト）

belt app sample infsh/vibevoice --save input.json

# Edit input.json with your podcast script
belt app run infsh/vibevoice --input input.json

Higgs による表現豊かな音声

belt app sample infsh/higgs-audio --save input.json

# {
#   "text": "This is absolutely incredible!",
#   "emotion": "excited"
# }

belt app run infsh/higgs-audio --input input.json

ユースケース

• ナレーション：製品デモ、解説動画
• オーディオブック：テキストを音声に変換
• ポッドキャスト：ポッドキャストのエピソードを生成
• アクセシビリティ：コンテンツを利用しやすくする
• IVR：電話システムの音声プロンプト
• 動画ナレーション：動画にナレーションを追加
• ゲーム／NPC：感情を調整したキャラクター音声（Inworld TTS-2）
• 会話型 AI：超低レイテンシーの応答（Inworld TTS 1.5 Mini）
• アバター／UGC 動画：トーキングヘッドアバター向けの音声を生成

動画と組み合わせる

トーキングヘッド動画を作成する最も簡単な方法は、TTS が組み込まれた P-Video-Avatar を使うことです。音声を別途用意する必要はありません。

belt app run pruna/p-video-avatar --input '{
  "image": "https://portrait.jpg",
  "voice_script": "Your script here",
  "voice": "Zephyr (Female)"
}'

TTS が組み込まれていないモデル（OmniHuman、PixVerse）では、先に音声を生成します。

# 1. Generate speech with Inworld TTS-2 (emotion steering)
belt app run inworld/text-to-speech-2 --input '{
  "text": "[friendly] Your script here. [excited] This is the best part!",
  "voice_id": "Sarah",
  "delivery_mode": "CREATIVE"
}' > speech.json

# 2. Use the audio URL with OmniHuman for avatar video
belt app run bytedance/omnihuman-1-5 --input '{
  "image_url": "https://portrait.jpg",
  "audio_url": "<audio-url-from-step-1>"
}'

関連スキル

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

# ElevenLabs dialogue (multi-speaker)
npx skills add inference-sh/skills@elevenlabs-dialogue

# Full platform skill (all apps)
npx skills add inference-sh/skills@infsh-cli

# AI avatars (combine TTS with talking heads)
npx skills add inference-sh/skills@ai-avatar-video

# AI music generation
npx skills add inference-sh/skills@ai-music-generation

# Speech-to-text (transcription)
npx skills add inference-sh/skills@speech-to-text

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

すべてのアプリを見る：belt app list

ドキュメント

• アプリの実行 - CLI を使ってアプリを実行する方法
• 音声文字起こしの例 - 音声処理のワークフロー
• アプリの概要 - アプリのエコシステムについて