mcpField
Q
qwen-voice

qwen-voice

github.com/ada20204创意与媒体6229 次安装29 周前更新
代码仓库

关于 qwen-voice

这项技能提供由 DashScope 支持的 Qwen 脚本，用于云端语音识别和语音合成，并可选进行声音克隆。适用于使用云 API 而非本地语音工具的音频任务。

主要功能

  1. 01云端音频转写
  2. 02可选分段时间戳
  3. 03预设音色语音合成
  4. 04可选声音克隆配置
  5. 05输出 OGG 音频

适用场景

  1. 01使用云端 ASR 转写音频文件
  2. 02使用预设音色生成语音
  3. 03创建声音克隆配置
  4. 04制作适用于 Telegram 的 OGG 语音消息

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/ada20204/qwen-voice --skill qwen-voice

安装后在 Claude Code 中输入/qwen-voice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。

README.md
.gitignore
requirements.txt
requirements.in
.qwen-voice/
.env.example
scripts/
qwen_voice_clone.py
qwen_common.py
qwen_asr.py
qwen_tts.py
qwen_tts_realtime.py

详细介绍

qwen-voice

使用由 DashScope 支持的 Qwen 语音脚本进行云端 ASR、云端 TTS 和可选的语音克隆。

在适合的情况下使用此技能

  • 当 local-whisper 或 local-qwen-tts 不适合时，优先使用此技能。
  • 用于对音频文件进行云端 ASR。
  • 用于云端 TTS 音色或克隆配置。
  • 请预期需要网络/API 依赖，并可能产生费用。

配置

请确保 DASHSCOPE_API_KEY 位于以下某个位置：

  • ~/.config/qwen-voice/.env
  • <repo>/.qwen-voice/.env

如果缺少此密钥，请停止并报告缺少身份验证信息，不要猜测。

脚本

# ASR
python3 "$SKILL_DIR/scripts/qwen_asr.py" --in /path/to/audio.ogg
python3 "$SKILL_DIR/scripts/qwen_asr.py" --in /path/to/audio.ogg --timestamps --chunk-sec 3

# preset voice TTS
python3 "$SKILL_DIR/scripts/qwen_tts.py" --text '你好，我是 Pi。' --voice Cherry --out /tmp/out.ogg

# create clone profile
python3 "$SKILL_DIR/scripts/qwen_voice_clone.py" --in ./voice_sample.ogg --name george --out "$SKILL_DIR/work/qwen-voice/george.voice.json"

# synthesize with clone profile
python3 "$SKILL_DIR/scripts/qwen_tts.py" --text '你好，我是 George。' --voice-profile "$SKILL_DIR/work/qwen-voice/george.voice.json" --out /tmp/out.ogg

操作说明

  • 输出的 .ogg 适用于 Telegram 语音消息。
  • 时间戳模式基于分块，不是真正的词级对齐。
  • 脚本会在 $SKILL_DIR/work/ 中创建工作文件和 venv（而非项目的当前工作目录）。
  • 如果可行，优先发送较大的批量请求，而不是许多零散的 API 调用。

故障处理规则

  • 如果缺少 API 密钥：报告缺少身份验证信息。
  • 如果音频转换失败：首先检查 ffmpeg 和输入格式。
  • 如果克隆创建失败：将克隆配置失败与常规预设音色 TTS 区分开来。
  • 如果 ASR 正常但时间戳杂乱：说明这些是粗略的分块时间戳，而非精确的词级时间。

评论

支持 Markdown