mcpField
H
hume-octave

hume-octave

github.com/calesthio创意与媒体219102 次安装15 周前更新
代码仓库

关于 hume-octave

面向使用 Hume Octave 的语音合成与声音工作流指南，适合制作富有表现力的旁白或交互音频。内容涵盖模型和端点选择、声音设计、表演指导、流式输出及时间戳。

主要功能

  1. 01Octave 模型与端点选择
  2. 02声音设计与克隆指导
  3. 03情感表达与语速控制
  4. 04流式和文件合成选项
  5. 05词级与音素级时间戳

适用场景

  1. 01制作角色旁白
  2. 02构建实时语音播放
  3. 03生成字幕或口型同步时间点

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/calesthio/generative-media-skills --skill hume-octave

安装后在 Claude Code 中输入/hume-octave确认已加载。

附带文件EVAL.md

详细介绍

Hume Octave 生产指南

当语音表现与话语内容同样重要时，使用 Hume Octave：例如角色旁白、情感丰富的配音、交互式播放、品牌声音、多语言旁白、经同意的语音克隆、语音转换，或需要单词／音素时间戳的音频。

不要把 Octave 当作通用的平调 TTS 引擎。它最擅长处理需要语义上下文、情感表达、声音身份或相关话语间连贯性的请求。

不要将 Octave 用于音乐、歌唱、非语音音效、完整音频混音／母带处理、音源分离或视频生成。请使用单独的音频后期处理工具来调整响度、清理噪声、压低背景音、添加淡入淡出、统一文件音量并交付最终混音。

核实说明：本技能中的提供方信息已于 2026-07-10 对照 Hume 官方文档、API 参考、定价、更新日志、条款、隐私政策和 API 数据使用页面核实。引用确切价格、套餐限制、语言列表、模型状态或数据保留控制项前，请重新核实易变信息。

Octave 能做什么，不能做什么

已记录的事实：

模型和端点选择

构建请求前，请按以下路径进行选择：

  1. 需要根据文本提示词设计声音？
    • 使用 Octave 1 生成设计，因为 Hume 文档说明，声音设计需要使用 Octave 1。
    • 生成多个候选声音，试听后将胜出的生成结果保存为自定义声音。
    • 在后续的 Octave 1 或 Octave 2 合成中使用该保存的声音。
  2. 需要最新的多语言支持、时间戳或更低的模型延迟？
    • 对保存的声音或声音库中的声音使用 version: "2"。
    • 不要省略声音。
  3. 需要通过 description 提供自然语言表演指令？
    • 如果指令需要直接通过 description 改变情绪表达，请使用 Octave 1。
    • 对于 Octave 2，请使用声音选择、脚本措辞、标点、speed、trailing_silence 和上下文；在 Hume 将 description 表演指令支持记录为可用功能之前，不要承诺其支持该功能。
  4. 需要立即播放？
    • 如果播放器需要字节流，请使用 /v0/tts/stream/file。
    • 如果应用需要音频和分块元数据，请使用 /v0/tts/stream/json。
    • 当文本逐步到达且音频需要持续返回时，请使用 WebSocket /v0/tts/stream/input。
  5. 需要字幕、卡拉 OK 高亮、虚拟形象口型同步或精确剪辑点？
    • 在 Octave 2 中使用 include_timestamp_types: ["word"] 或 ["word", "phoneme"]。
  6. 需要多个试听候选声音？
    • 将 num_generations 设为最高 5。
    • 如果请求使用流式处理，且采用动态声音生成或多个生成结果，请禁用即时模式。
  7. 需要简单的成品文件？
    • 使用非流式 /v0/tts/file 获取音频文件响应，或使用 /v0/tts 获取带元数据的 base64 JSON。

声音策略

将声音身份与表演指导分开。

声音身份回答的是：谁在说话？年龄印象、口音、音域、个性、角色、品牌感、音色质感、默认活力、可信度，以及与听众的关系。

表演指导回答的是：这句话此刻该如何表达？低声耳语、语气急切、如释重负、心存怀疑、神秘兮兮、难以置信地笑出声、按冥想节奏控制语速、揭晓后停顿，或在号召行动时语气明快起来。

要打造可重复使用的制作声音：

  1. 编写声音描述，描绘一个人或角色，而不是堆砌一串形容词。
  2. 搭配一段示例台词，自然地展现预期表达方式。
  3. 生成多个候选版本。
  4. 保存最佳版本。
  5. 后续制作都固定使用已保存的声音 ID 或名称。
  6. 表演指导应简短，并针对每段话单独编写。

好的声音描述通常包括：

  • 角色：旁白、客服 Agent、产品向导、民间故事讲述者、田野研究员、疲惫的宇航员。
  • 与听众的关系：值得信赖的同事、私密倾诉对象、导师、主持人、淘气的朋友。
  • 音色：温暖的中低音、清脆的男中音、沙哑、气声、浑厚、鼻音、清亮、略带沙哑。
  • 口音和语言：仅在必要且恰当时注明。
  • 语速和清晰度：平稳、快速、从容、精准、自然交谈般。
  • 情绪基调：平静好奇、克制的兴奋、讽刺式愉悦、踏实的共情。
  • 表演场景：耳机里的亲密旁白、体育场播报、低声讲解的博物馆语音导览、紧张的任务控制中心通报。

避免使用以下声音描述：

  • 要求模仿真人、名人、政治人物、在世表演者或受版权保护的角色，除非已明确取得权利和同意，且该用途符合法律规定。
  • 堆叠彼此矛盾却未说明优先级的特征，例如“平淡但情感强烈，语速很快却有长时间停顿”。
  • 只描述视觉特征，却不将其转化为声音特征。
  • 依赖表情符号、Markdown、HTML 或非语音标记。Hume 建议提示词采用简洁、规范的格式。

表演、节奏与对话指导

文档所述的控制项：

  • description：针对一段话的自然语言表达指导，文档中将其列为 Octave 1 的表演指导。
  • speed：非线性的语速控制，范围为 0.5 到 2.0。
  • trailing_silence：一段话结束后的静音秒数。
  • 标点和脚本文字：模型将其用作表演提示。
  • context：用于引导风格和韵律的先前生成内容或上下文话语，但这些内容本身不会转换为输出。

制作经验法则：

  • 将稳定的身份特征放在声音中，将当下的情绪放在话语描述中。
  • 具体描述演员能够演绎的内容，而不是使用抽象标签。“报告坏消息时努力不流露担忧”比“焦虑”更好。
  • 不要过度控制每个分句。告诉模型情绪变化的走向，让标点承担较小的节奏变化。
  • 使用逗号、破折号、句子分隔和短段落来组织表演节奏，同时确保文本读起来仍然流畅。
  • 用 trailing_silence 设置节奏点之间的刻意停顿，而不要用它控制整个剪辑的时间安排；最终的静音和淡出应在音频后期处理中完成。
  • 对于喜剧或讽刺，说明社交情境和针对对象。缺少上下文的讽刺往往会变成泛泛的挖苦。
  • 对于无障碍内容和培训旁白，应优先保证清晰，而非戏剧效果；富有表现力不等于矫揉造作。

连贯性与长篇语音

当听众需要感受到跨段落、场景或轮次的连贯演绎时，请使用连贯生成功能。

文档中说明的选项：

  • 在同一个请求中加入多段话语。每段话语都会承接紧邻的上一段。
  • 使用 context.generation_id 从先前的调用继续生成。
  • 提供用于引导演绎、但不会转换为语音的上下文话语。来源：https://dev.hume.ai/docs/text-to-speech-tts/continuation

制作经验法则：

  • 有声书、播客、多场景旁白、反复出现的角色，以及发音含义取决于前文的歧义内容，都适合使用连贯生成功能。
  • 避免使用过长的单段话语。使用多段话语，以便于审核和替换。
  • 如果上下文可能将不需要的情绪带入新场景，请在不带上下文的新请求中重置。
  • 如果脚本中有多个说话者，请将每个说话者的台词分成独立话语，并明确指定语音。
  • 对每个已批准的版本，保存 generation_id、语音 ID、文本、模型版本、格式和时间戳设置，以便日后修补。

多语言与发音工作流

文档中说明的事实：

  • 截至 2026-07-10，Octave 2 预览版支持列出的 11 种语言；Octave 1 支持英语和西班牙语。
  • 在请求时，Octave 2 会提供单词和音素时间戳。
  • Hume 的 Octave 2 发布资料称，Octave 2 改进了对生僻词、重复词、数字和符号的发音。来源：https://www.hume.ai/blog/octave-2-launch

制作经验法则：

  • 对于非英语内容，请使用 Octave 2，并搭配兼容的已保存语音或语音库中的语音。
  • 确认所选语音在目标语言中听起来自然，或带有预期的口音。不要假设某个语音 ID 在所有语言中的表现都一样出色。
  • 对于姓名、品牌、首字母缩略词和领域术语，请先生成一个发音测试句，再渲染完整脚本。
  • 如果需要精准呈现，请按实际读法写出数字、日期、URL 和单位。
  • 使用单词时间戳对齐字幕；仅在需要唇形同步或音素级计时时使用音素时间戳。
  • 如果某个词始终无法正确发音，请在该次脚本中用注音方式改写，并记录替换内容，同时确认转录文本或字幕仍使用正确拼写。

语音克隆和语音转换

只有在明确确认权利和同意后，才能进行克隆或转换。

必需的安全检查：

  • 确认说话者拥有该语音样本，或已获得说话者／权利持有者的许可。
  • 确认预期用途、分发方式、适用地区、使用期限和商业属性。
  • 不得将语音克隆或转换用于冒充、欺骗、欺诈、政治性失实呈现、骚扰、涉及未经同意身份的露骨内容，或规避平台安全措施。
  • 对于付费／商业客户项目，请在生成资产文件夹之外保存同意记录：说话者姓名或化名、同意范围、允许使用的渠道、是否有期限，以及是否支持撤回同意。
  • 如果请求提及名人、政治人物、同事、私人个体，或要求“听起来像 X”，请停止并要求提供权利证明，或引导对方改用具有相似非身份识别特征的新合成语音。

语音克隆制作说明：

  • 使用干净、无混响的语音，尽量减少背景噪声、音乐、混响、重叠说话或房间回声。
  • 文档所述的 UI 录音时长较短，但用于制作的克隆最好采用清晰样本，包含丰富的元音、正常的语速；除非需要克隆特定风格，否则不要刻意夸张表演。
  • 确定用于活动前，应在多种情绪语境下试听克隆语音。

语音转换制作说明：

  • 如果源表演的时序和情绪表达很有价值，而需要更改语音身份，请使用语音转换。
  • 遵守 Hume 的输入指南：人类语音、音频清晰、时长至少 12 秒且少于 3 分钟、采用支持的格式，推荐 44.1 kHz。
  • 先测试 12-30 秒的片段，再扩大处理范围。
  • 检查时序漂移、呼吸声／擦音处的瑕疵、口音不匹配，以及清晰度下降。

请求构建模式

示例：试听并保存设计的语音

意图：创建可复用的品牌旁白，之后使用已保存的语音进行渲染。

模型选择：语音设计使用 Octave 1，因为 Hume 文档说明语音设计需要 Octave 1。生成多个候选项，并将选中的 generation_id 保存为语音。

示例请求：

curl https://api.hume.ai/v0/tts \
  -H "X-Hume-Api-Key: $HUME_API_KEY" \
  --json '{
    "version": "1",
    "num_generations": 3,
    "instant_mode": false,
    "utterances": [
      {
        "text": "Here is the part most teams miss: speed is not the same thing as momentum.",
        "description": "The speaker is a calm, sharp product strategist in their late 30s with a warm, precise voice. They sound trusted by founders: quietly confident, conversational, never salesy, with a slight smile when revealing an insight."
      }
    ],
    "format": { "type": "mp3" }
  }'

然后保存最佳生成结果：

curl https://api.hume.ai/v0/tts/voices \
  -H "X-Hume-Api-Key: $HUME_API_KEY" \
  --json '{
    "generation_id": "WINNING_GENERATION_ID",
    "name": "quiet-strategist-brand-narrator"
  }'

预期结果：多个各具特色但风格相近的旁白候选项。选择最符合品牌形象的候选项，将其保存，并在制作中使用其 ID。失败情形：描述过于宽泛、候选项过于戏剧化，或示例台词无法代表活动内容。

示例：使用 Octave 2 生成带时间戳的多语言旁白

意图：生成一段西班牙语产品介绍台词，并提供单词时间戳以突出显示字幕。

模型选择：使用 Octave 2 支持多语言和时间戳。请使用已保存的语音或语音库中的语音，因为 Octave 2 请求需要指定语音。

示例请求：

curl https://api.hume.ai/v0/tts/stream/json \
  -H "X-Hume-Api-Key: $HUME_API_KEY" \
  --json '{
    "version": "2",
    "include_timestamp_types": ["word"],
    "utterances": [
      {
        "voice": { "id": "YOUR_COMPATIBLE_VOICE_ID" },
        "text": "En menos de un minuto, tu equipo puede convertir una idea en una campana lista para revisar.",
        "speed": 0.95,
        "trailing_silence": 0.35
      }
    ],
    "format": { "type": "mp3" }
  }'

预期结果：流式分块，包含音频和单词时间戳对象。失败情形：语音不适合西班牙语、标点造成强调异常，或下游字幕代码需要单个完整文件，而不是流式分块。

示例：长篇有声书风格的连贯性

意图：在场景转换时保持旁白的情绪状态。

模型选择：使用已保存的语音，并在一个请求中生成多个话语，或使用上一条已批准录音中的 context.generation_id。

示例请求：

curl https://api.hume.ai/v0/tts \
  -H "X-Hume-Api-Key: $HUME_API_KEY" \
  --json '{
    "version": "1",
    "utterances": [
      {
        "voice": { "name": "quiet-strategist-brand-narrator", "provider": "CUSTOM_VOICE" },
        "text": "The office was silent by then. Even the monitors seemed to be waiting.",
        "description": "Low and restrained, as if holding back the conclusion until the listener leans in."
      },
      {
        "text": "Then the dashboard refreshed, and every number turned green.",
        "description": "Relief arrives slowly at first, then opens into a small, disbelieving smile."
      }
    ],
    "split_utterances": true,
    "format": { "type": "wav" }
  }'

预期结果：两段可供审核、情绪上仍然连贯的片段。失败情形：第二句表演过度、停顿不足，或情绪延续过多，影响后续不相关的场景。

示例：经同意后进行语音转换

意图：将获批配音演员的参考表演转换为已保存的品牌声音，同时保留原有时间节奏。

工作流：

  1. 确认书面同意涵盖语音转换和最终分发。
  2. 准备一段干净的 12-30 秒试播音频，格式为 WAV 或高质量 MP3。
  3. 选择目标已保存声音或 Hume Voice Library 中的声音。
  4. 调用 /v0/tts/voice_conversion/file。
  5. 对试播音频进行质量检查，评估时间节奏、清晰度、瑕疵和情感保留情况。
  6. 只有试播通过后，才转换其余音频。

请求示例：

curl --location "https://api.hume.ai/v0/tts/voice_conversion/file" \
  -H "X-Hume-Api-Key: $HUME_API_KEY" \
  --output converted-pilot.wav \
  -F "[email protected]" \
  -F "voice[name]=Inspiring Man" \
  -F "voice[provider]=HUME_AI"

预期结果：保留源音频的时间节奏和表达方式，同时使用目标声音身份。严重问题：没有同意记录、源音频含有音乐或噪声、转换后丢失关键字词，或输出造成欺骗性冒充风险。

质量检查清单

接受生成语音前，请进行以下检查：

  • 权利：已获得声音、脚本、参考素材、克隆样本、转换后音频和商业计划所需的授权。
  • 模型/版本：所选版本符合需求；Octave 2 请求包含有效声音。
  • 语言：所选版本支持该语言；声音在该语言中听起来自然合适。
  • 表达：情绪具体且有用，而非泛泛的“戏剧化”。
  • 清晰度：姓名、数字、缩写、技术术语和品牌名称均正确。
  • 连贯性：长篇内容的各片段在能量、口音、语速、环境音或角色意图上没有突兀变化。
  • 时间节奏：时长与剪辑需求相符；停顿安排合理；开头和结尾没有被截断。
  • 格式：输出格式适合后续用途；如有需要，在后期处理中处理采样率和声道需求。
  • 元数据：保存请求 ID、生成 ID、声音 ID/名称/提供方、版本、端点、时间戳设置和最终文件路径。
  • 流式传输：播放器能正确处理分块顺序、标头、二进制/base64 格式以及最终分块状态。
  • 时间戳：仅在需要时请求；根据实际音频核对对齐情况。
  • 隐私：敏感文本和音频符合账户设置及客户政策；除非已签署所需协议，否则不得发送 PHI。
  • 披露：对于合成或克隆声音，请遵守项目、司法管辖区、平台和客户的披露要求。

费用、限制和隐私处理

定价和限制可能随时变化。截至 2026-07-10，Hume 的定价页面列出了因套餐而异的每月 TTS 字符数、额外字符费用、每分钟请求限制、所列套餐中不限次数的声音克隆创建/使用，以及仅 Creator 及以上套餐提供的商业许可。在确定报价或制作预算前，请重新核实。来源：https://www.hume.ai/pricing

预算规划：

  • 在生成前，根据最终脚本估算字符数。
  • 为候选声音和不同版本预留试验预算。
  • 批量渲染使用可干净重试的非流式文件输出。
  • 将 num_generations 用于试听，不要在大规模最终制作中使用。
  • 仅归档已批准的音频版本，以及重新生成所需的元数据。

隐私：

  • Hume 的 API Data Usage Policy 表示，不会使用 API 客户数据训练或改进 Hume 模型。来源：https://www.hume.ai/api-data-usage-policy
  • Hume 的隐私文档介绍了数据保留/退出训练的账户控制选项，主要针对 EVI；文档还指出，Playground/Demo 等非 API 消费级产品可能有所不同。来源：https://dev.hume.ai/docs/resources/privacy
  • Hume 的 Terms 包含许可和限制；必须针对具体项目进行审核，尤其是在使用非 API 工具、克隆、PHI 或商业部署时。来源：https://www.hume.ai/terms-of-use
  • 对于受监管或机密工作，请在上传敏感音频/文本前确认客户是否要求 DPA、BAA、零保留行为、不得使用 Playground 或企业套餐。

常见故障模式与修复方法

  • 语音生成一次听起来不错，但无法复现：将选定的生成结果保存为语音，并引用语音 ID。
  • Octave 2 请求失败：检查是否提供了语音，以及该语音是否兼容 Octave 2。
  • Octave 2 忽略表演指示：description 中的表演指示仅针对 Octave 1 编写文档；切换到 Octave 1 生成该段内容，或调整脚本、语速、静音、语音和上下文。
  • 交互式用户体验的延迟过高：使用流式传输、即时模式、预定义语音，且只生成一次；缩短话语，并避免使用过多上下文。
  • 动态语音生成无法与即时模式配合使用：关闭即时模式，或使用已保存的语音。
  • 即时模式下生成多个候选结果失败：关闭即时模式，并将 num_generations 保持在 1 到 5 之间。
  • 缺少字幕对齐信息：使用 include_timestamp_types 请求 Octave 2 时间戳。
  • split_utterances: false 时长话语失真：重新启用分段，或将文本拆分成较短的话语。
  • 发音不正确：测试一条短句，改写有问题的词以便语音合成，使用上下文，并记录字幕中应采用的拼写。
  • 语音转换产生瑕疵：缩短源音频，改善源音频质量，去除背景音乐或噪声，并尝试不同的目标语音。
  • 存在权利风险：将可识别的克隆或模仿请求替换为根据非识别性特征描述的新合成语音。

来源索引

已核实的官方来源（2026-07-10）：

评论

支持 Markdown