text-to-speech

安装 belt CLI skill： npx skills add belt-sh/cli

文本转语音

通过 inference.sh CLI 将文本转换为自然语音。

快速开始

需要 inference.sh CLI（belt）。安装说明

belt login

# Generate speech
belt app run infsh/kokoro-tts --input '{"text": "Hello, welcome to our product demo."}'

可用模型

模型	App ID	最适用于
Inworld TTS-2	inworld/text-to-speech-2	100 多种语言、通过 [方括号] 调节情绪、多种表达模式
Inworld TTS 1.5 Max	inworld/text-to-speech-1-5-max	低延迟（<200ms）、15 种语言
Inworld TTS 1.5 Mini	inworld/text-to-speech-1-5-mini	超低延迟（约 120ms）、15 种语言
ElevenLabs TTS	elevenlabs/tts	卓越品质、22 种以上音色、32 种语言
DIA TTS	infsh/dia-tts	对话式、富有表现力
Kokoro TTS	infsh/kokoro-tts	快速、自然
Chatterbox	infsh/chatterbox	通用
Higgs Audio	infsh/higgs-audio	情绪控制
VibeVoice	infsh/vibevoice	播客、长篇内容

浏览所有音频应用

belt app list --category audio

示例

基本文本转语音

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

Inworld TTS-2 — 情绪调节

Inworld TTS-2 支持使用 [方括号] 通过自然语言进行调节——可在文本中直接控制情绪、音量、语速和非语言声音：

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"
}'

表达模式：STABLE（一致）、BALANCED（自然，默认）、CREATIVE（富有表现力）。

内置音色（15 种语言，共 271 种以上）：Sarah、Alex、Ashley、Dennis、Hana、Blake、Luna、Clive 等。可在 Inworld TTS Playground 中浏览所有音色，或通过 GET https://api.inworld.ai/voices/v1/voices 以编程方式列出。

Inworld TTS 1.5 — 低延迟

适用于速度至关重要的实时应用：

# 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"
}'

使用 DIA 生成对话式语音

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

长篇音频（播客）

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

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

使用 Higgs 生成富有表现力的语音

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

使用场景

• 配音：产品演示、说明视频
• 有声读物：将文本转换为语音
• 播客：生成播客节目
• 无障碍访问：让内容更易于访问
• IVR：电话系统语音提示
• 视频旁白：为视频添加旁白
• 游戏 / NPC：通过情绪调节生成角色语音（Inworld TTS-2）
• 对话式 AI：生成超低延迟响应（Inworld TTS 1.5 Mini）
• 虚拟形象 / UGC 视频：为说话人头部虚拟形象生成语音

与视频结合使用

创建真人头像视频最简单的方式是使用内置 TTS 的 P-Video-Avatar——无需单独处理音频：

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

对于不带内置 TTS 的模型（OmniHuman、PixVerse），请先生成语音：

# 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>"
}'

相关技能

# 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

浏览所有应用：belt app list

文档

• 运行应用 - 如何通过 CLI 运行应用
• 音频转录示例 - 音频处理工作流
• 应用概览 - 了解应用生态