mcpField
E
ez-tts

ez-tts

github.com/araa47创意与媒体144 次安装16 周前更新
代码仓库

关于 ez-tts

ez-tts 是基于 Kyutai Pocket TTS 的本地文本转语音技能，适用于需要离线生成语音的场景。它支持多种语言、预设音色和从音频样本克隆音色。

主要功能

  1. 01本地文本转语音
  2. 02初次下载模型后可离线运行
  3. 03支持六种语言
  4. 04提供预设音色
  5. 05支持音频样本克隆音色

适用场景

  1. 01离线生成语音音频
  2. 02为不同语言的文本选择语音
  3. 03使用预设音色合成语音
  4. 04从清晰语音样本克隆音色

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/araa47/ez-voice --skill ez-tts

安装后在 Claude Code 中输入/ez-tts确认已加载。

附带文件scripts/tts.py

详细介绍

ez-tts - 本地文本转语音

使用 Kyutai 的 Pocket TTS 实现本地文本转语音。初次下载模型后 完全离线。在 CPU 上约为实时速度的 10 倍，无需 GPU。

支持 英语、法语、德语、葡萄牙语、意大利语、西班牙语（pocket-tts 2.x）。

用法

# Basic English (outputs to /tmp/tts_output.wav)
uv run scripts/tts.py "Hello, this is a test"

# Specify preset voice
uv run scripts/tts.py "Hello world" --voice marius

# Other languages (default voice picked per language)
uv run scripts/tts.py "Hola mundo" --language spanish
uv run scripts/tts.py "Bonjour le monde" --language french
uv run scripts/tts.py "Ciao mondo" --language italian --voice giovanni

# Custom output file
uv run scripts/tts.py "Hello world" --out ~/my_audio.wav

# Output as OGG (for voice messages, requires ffmpeg)
uv run scripts/tts.py "Hello world" --ogg

# Voice cloning from a local sample (requires HF_TOKEN + HF access to kyutai/pocket-tts)
uv run scripts/tts.py "Hello world" --voice /path/to/sample.ogg

语言

语言说明默认语音
english（默认）与 english_2026-04 相同alba
english_2026-01 / english_2026-04英语模型变体alba
spanish / spanish_24l_24l = 更高音质，速度更慢lola
german / german_24ljuergen
italian / italian_24lgiovanni
portuguese / portuguese_24lrafael
french_24l法语仅提供 24 层模型（french 别名可用）estelle

预设语音

英语：alba、marius、javert、jean、fantine、cosette、eponine、azelma、anna、vera、charles、paul、george、mary、jane、michael、eve、bill_boerst、peter_yearsley、stuart_bell、caro_davy

其他语言：giovanni（意大利语）、lola（西班牙语）、juergen（德语）、rafael（葡萄牙语）、estelle（法语）

可以将克隆的自定义语音放入该技能的 voices/ 目录，并通过名称使用（例如，如果 voices/myvoice.ogg 存在，则使用 --voice myvoice）。

语音克隆

从清晰的语音样本克隆任意语音：

uv run scripts/tts.py "Hello world" --voice ~/voices/my_voice.ogg

要求：

无需克隆权重即可使用预设目录中的语音；通过文件路径克隆则需要完整模型。

选项

  • --voice/-v — 语音名称或用于克隆的音频文件路径（默认值取决于 --language）
  • --language/-l — 模型语言（默认值：english）
  • --out/-o — 输出文件路径（默认值：/tmp/tts_output.wav）
  • --ogg — 将输出转换为 OGG（需要 ffmpeg）
  • --quiet/-q — 不显示进度消息

环境变量

变量用途
HF_TOKEN用于下载模型 / 克隆语音的 Hugging Face 令牌

评论

支持 Markdown