mcpField

happy-audio-gen

github.com/iamzhihuix创意与媒体146 次安装
代码仓库

关于 happy-audio-gen

happy-audio-gen 是通过六种提供商将文本转换为语音的命令行技能，适用于制作旁白、配音和朗读音频，并支持长文本分段处理。

主要功能

  1. 01通过六种提供商进行文本转语音
  2. 02选择提供商和语音
  3. 03调节语速和语音指令
  4. 04自动拆分长文本
  5. 05输出 MP3、WAV、OGG 和 FLAC

适用场景

  1. 01将长篇脚本制作成旁白
  2. 02生成中文或英文语音
  3. 03使用指定语音制作配音

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/iamzhihuix/happy-claude-skills --skill happy-audio-gen

安装后在 Claude Code 中输入/happy-audio-gen确认已加载。

包含的文件

除 SKILL.md 外，安装时一起下载的参考资料和脚本。

package.json
assets/
EXTEND.template.md
references/
error_codes.md
providers.md
voices.md
references/config/
extend-schema.md
first-time-setup.md
scripts/
main.ts
types.ts
scripts/providers/
bailian.ts
elevenlabs.ts
minimax.ts
openai.ts
playht.ts
siliconflow.ts
scripts/utils/
output.ts
text_chunk.ts

详细介绍

happy-audio-gen

通过一个 CLI 使用 6 家服务商将文本转换为语音。除 Bailian 的声音设计流程（仍受支持，但轮询窗口较长）外，所有服务商均为同步处理（TTS 速度很快，通常不到 10 秒）。

快速使用

# Shortest path — OpenAI default voice
bun scripts/main.ts --text "Hello, world" --out ./hello.mp3

# Chinese, MiniMax
bun scripts/main.ts --provider minimax --text "大家好" --voice male-qn-qingse --out ./hello.mp3

# Long-form, Bailian (auto-splits by sentence)
bun scripts/main.ts --provider bailian --textfiles ./script.md --out ./narration.mp3

何时调用此技能

  • 用户要求合成语音、使用 TTS、朗读、旁白、配音或制作画外音。
  • 用户要求将脚本、文本或文章转换为音频。
  • 用户指定了 TTS 语音或模型。

如果用户想要将音频转录为文本（这是 STT，属于不同领域），或编辑／混音音频文件（请使用专用音频编辑器），不要将请求路由到此处。

第 0 步：预检（阻塞）

  1. 查找 EXTEND.md：

    • ./.happy-skills/happy-audio-gen/EXTEND.md
    • $XDG_CONFIG_HOME/happy-skills/happy-audio-gen/EXTEND.md
    • ~/.happy-skills/happy-audio-gen/EXTEND.md

    如果均未找到，请运行 bun scripts/main.ts --setup，并引导用户完成 references/config/first-time-setup.md 中的设置。

  2. 确认至少一家服务商已配置凭据（环境变量或 1Password 引用）。

  3. 确认 Bun 可用。备用方案：npx -y bun。

第 1 步：选择服务商

优先顺序：

  1. --provider <id>
  2. EXTEND.md 中的 default_provider
  3. 自动检测环境变量：openai > elevenlabs > bailian > minimax > siliconflow > playht

根据语言／语音需求选择：

  • 英语，自然且快速 → openai（gpt-4o-mini-tts / tts-1）。
  • 多语言、语音克隆 → elevenlabs。
  • 中文、长文本 → bailian（qwen-tts 会自动将长脚本分块）或 minimax。
  • 中文方言／声音设计 → bailian（使用 qwen3-tts-vd 进行声音设计）或 siliconflow（CosyVoice2）。
  • 极其逼真、短文本 → playht（2.0）。

第 2 步：填写参数

  • --text 或 --textfiles：输入内容。始终加引号。
  • --out <path>：必填。扩展名决定格式（.mp3 / .wav / .ogg / .flac）。
  • --voice <id>：服务商专属。常用语音列表见 references/voices.md。
  • --rate 0.5..2.0：语速。
  • --instruction "..."：语音指导（仅 openai 的 gpt-4o-mini-tts 和 siliconflow 支持此参数）。
  • --language <code>：en、zh、ja — 仅少数服务商明确支持此参数。

第 3 步：运行

bun scripts/main.ts \
  --provider openai \
  --model gpt-4o-mini-tts \
  --voice alloy \
  --text "..." \
  --out ./out.mp3

JSON 模式：

{ "success": true, "provider": "openai", "model": "gpt-4o-mini-tts", "voice": "alloy", "output": "/abs/out.mp3", "size_bytes": 76032, "format": "mp3" }

第 4 步：处理长文本

  • happy-audio-gen 会自动拆分长输入，以适配单次调用长度受限的服务商（Bailian 每次最多处理 200 个汉字）。输出时会逐字节拼接各个片段。
  • 为了尽可能保证拼接后的 MP3 音质，建议之后使用 ffmpeg 拼接片段，而不要依赖字节拼接。

第 5 步：错误处理

  • [openai] OpenAI TTS 400 并提示 invalid voice → 该语音名称不受模型支持。请使用 alloy、ash、coral、echo、fable、onyx、nova、sage、shimmer 之一。
  • [minimax] ... 2049 invalid api key → 尝试设置 MINIMAX_BASE_URL=https://api.minimaxi.com/v1（不同区域）。
  • [bailian] ... 400 DataInspectionFailed → 阿里云内容过滤。请告知用户。
  • [elevenlabs] 401 → 密钥无效或订阅已过期。

参考资料

  • references/providers.md — 各服务商的环境变量、默认模型和语音列表。
  • references/voices.md — 各服务商精选语音。
  • references/error_codes.md — 常见错误及解决方法。
  • references/config/first-time-setup.md
  • references/config/extend-schema.md
  • assets/EXTEND.template.md

评论

支持 Markdown