mcpField
V
voicestudio

voicestudio

github.com/debpalash创意与媒体92.9k2.0k 次安装今天更新
代码仓库

关于 voicestudio

voicestudio 是一项操作用户正在运行的 VoiceStudio 后端的技能，面向语音生成、转录和配音等工作流。它优先使用本地处理，并要求核实模型、接口状态和生成结果。

主要功能

  1. 01通过后端 API 生成语音
  2. 02转录音频并生成字幕
  3. 03支持音色克隆与设计工作流
  4. 04通过任务状态跟踪异步操作
  5. 05检查模型、权限和输出文件

适用场景

  1. 01为文本生成语音文件
  2. 02将录音转成文本或字幕
  3. 03制作配音并检查分段和时间
  4. 04通过桌面应用进行语音录制

MCP 相关

VoiceStudio 后端在 `/mcp` 提供 MCP 端点。技能要求客户端使用其支持的 HTTP 传输并在运行时发现工具；仅支持 stdio 的客户端可参考项目 MCP 指南中的 shim。

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/debpalash/voicestudio --skill voicestudio

安装后在 Claude Code 中输入/voicestudio确认已加载。

详细介绍

VoiceStudio

使用用户正在运行的 VoiceStudio 后端。优先使用本地处理；云端翻译、模型下载、远程后端连接和外部集成都需要用户选择。已安装的模型可以离线运行；不要承诺所有已配置的工作流都能离线运行。

连接和发现

默认后端为 http://localhost:3900；遵循用户配置的地址。Electron 的渲染器和开发代理是独立服务，并非公共后端 API。

  1. 检查 GET /health。
  2. 通过 GET /openapi.json 获取运行版本的接口定义，并通过 GET /v1/audio/voices 获取语音和引擎信息。不要臆造配置文件 ID，也不要根据目录列表推断已安装的模型。
  3. 如果服务不可用，请启动已安装的应用。对于已有的源代码检出，请遵循其 Electron README（从仓库根目录运行 bun install、bun run setup:api，然后运行 bun run dev）。不要安装第二个后端，也不要覆盖已有检出。
  4. 本地配置可能允许未经身份验证的调用；受保护的部署需要使用已配置的凭据。将 401/403 视为身份验证失败，而不是禁用身份验证的许可。绝不要打印令牌，也不要将占位密钥当作真实凭据使用。

生成语音

将此 JSON 保存到 speech-request.json；如果用户选择了语音，请将 voice 替换为已发现的配置文件 ID：

{"model":"tts-1","voice":"alloy","input":"Every voice has a story. Let's tell yours.","response_format":"wav"}

curl --fail-with-body --show-error http://localhost:3900/v1/audio/speech \
  -H 'Content-Type: application/json' --data-binary @speech-request.json \
  --output speech.wav

tts-1 和 tts-1-hd 是别名，并不保证音质。OpenAI 语音名称是兼容性别名，并非这些提供商的实际语音。对于可重复的旁白，优先使用已发现的已保存语音。承诺结果前，先检查已安装引擎的语言和语音设计能力。

确认 HTTP 状态并解码或探测输出后，再将其视为音频：错误响应也可能被写入输出路径。报告保存路径以及实际时长和格式。绝不要捏造成功生成、转录结果或任务完成情况。

转录

curl --fail-with-body --show-error http://localhost:3900/v1/audio/transcriptions \
  -F [email protected] -F model=whisper-1 -F response_format=verbose_json

支持时，纯文本转录使用 json 或 text，时间戳使用 verbose_json，字幕使用 srt/vtt。处理长录音前，检查转录模型是否就绪；如果缺少模型，请说明情况并征得下载授权，不要静默安装。

克隆、设计、配音和较长工作流

使用已安装的 OpenAPI 模式发现配置文件创建、参考音频上传、生成、配音和长文本任务操作。这些原生端点的功能范围比 OpenAI 兼容 API 更广，并且独立演进。

  • 仅克隆用户获准使用的语音。保留参考文件和现有配置文件。
  • 进行语音设计时，记录所需的语气、表达方式、语言和示例文本；检查引擎是否支持。
  • 进行配音时，保留原始媒体、说话人分配、片段时间和背景音频要求。翻译完成不代表配音渲染完成。
  • 对于异步任务，使用返回的任务 ID 和文档所述的进度/状态端点。检查终止错误；不要盲目重新提交超时的生成请求。
  • 返回可用文件，并如实说明限制，包括缺失模型或不可用的功能。

MCP 和自动化

运行中的后端在 http://localhost:3900/mcp 挂载了一个 MCP 端点。使用客户端支持的 HTTP 传输，并在运行时发现其工具。复用现有连接，不要再启动一个服务。对于仅支持 stdio 的客户端，请参阅项目的 MCP 指南，了解其适配器。

对于 n8n、调用 Agent、容器或其他主机，请确保这些环境可以访问后端地址：容器中的 localhost 指向容器本身。保留身份验证和明确的远程路由设置。集成目录中的条目不代表该集成已连接。

发生错误时，请读取响应正文，区分后端不可用、缺少模型、不支持的功能、身份验证问题和硬件繁忙。修复报告的问题；未经授权，不要切换到托管服务提供商或下载模型。

桌面工作流和就绪状态

Electron 应用包含语音克隆与设计、已保存的档案和图库、故事/有声读物、配音项目、转录、工具和集成。 优先使用现有的项目和语音 ID，而不是创建重复项。 进行桌面自动化时，请检查实际界面和当前的设置快捷键； 不要假设所有主机上的快捷键绑定或麦克风权限都相同。

开始听写前，请确认已安装语音转文本模型，并且输入设备可正常工作。区分录音、暂停录音、转录处理中和文本已完成这几种状态。复制转录文本和将其插入其他应用是不同的操作；输入前请确认目标位置，并在支持的情况下保留剪贴板内容。转录完成不代表文本已成功发送，切勿如此报告。

对于配音项目，请在导出前检查缺失/失败的片段和时间溢出。用户要求时，请保留音乐和非语音音频；不要悄悄替换整条音轨。保留源文件，并将输出保存为单独的文件。翻译风格提示词应属于所选的翻译操作；远程 Agent 翻译必须使用用户配置的服务提供商选项。

请将集成目录用作发现和设置指南，而非连接正常工作的证明。在说明连接已就绪前，请验证实际凭据、端点可访问性和支持的操作。容器部署需要持久化数据卷，以及调用客户端可访问的后端 URL。

评论

支持 Markdown