文字转语音助手

书面稿直接转语音的三大问题

把文章直接粘贴进 TTS 工具，往往得到机械、断句生硬、专有名词读错的结果。深层原因有三个：

• 书面语结构不适合听：长句、从句、括号补充，在音频里没有视觉锚点，听众很容易跟丢。
• 发音歧义未处理：多音字、数字、英文缩写、人名地名，引擎按字面读，轻则尴尬，重则传达错误信息。
• 节奏没有编排：没有停顿、重音、情绪变化，信息密度再高也像在念说明书。

这个技能解决什么

它不是直接调用某个 TTS API，而是把“让文本听起来自然”拆成一组可检查的中间产物：

1. 口播改写：将书面长句拆成短句，补充连接词，产出带停顿标记的短句稿。
2. 发音校对：识别多音字、数字、英文与专有名词，输出发音表和拼音提示。
3. 声音参数建议：根据内容类型给出语速、音高与情绪倾向的可执行建议。
4. 多角色脚本：需要对话时，分配角色并给出台词，而不是让单一声音读完整篇。
5. 试听修正：基于“听起来太机械”这类反馈，定位问题段落并逐句修订，而不是整体加速。

标准工作流与边界

典型流程是：确认场景、时长、受众和声音角色 → 改短句 → 标注发音 → 安排停顿与重音 → 按试听反馈逐句修正。每一步都要求区分“规划建议”和“已经执行”，未验证的内容不会被描述成已完成。

需要注意：未经授权不得克隆或冒充真实人物声音；健康、金融等内容不能通过声音包装掩盖风险提示；最终合成效果仍取决于具体引擎、声音模型和参数，技能本身不绑定某个 TTS 服务。