eSpeak NG 多语言语音合成器

为什么需要这个技能

在本地跑 TTS 时，开发者常面临两个选择：调用云端 API，或者部署一个重量级的神经声学模型。前者依赖网络和 API key，后者对内存和算力要求不低。eSpeak NG 走的是第三条路——基于共振峰（formant）合成的经典算法，不需要训练数据，不依赖神经网络，就能在低配置环境里跑出可用的语音。

这个技能把 eSpeak NG 封装成 Agent 可用的工具，适合在需要快速验证语音输出、批量生成语音原型，或者在离线环境中做无障碍语音集成的场景。

核心能力与工作方式

技能的核心是调用 eSpeak NG 的 CLI 与 library API 完成文本转语音，关键能力包括：

• 多语言覆盖：支持超过 100 种语言和口音，这是共振峰合成相比神经模型的一个天然优势——不需要为每种语言训练声学模型。
• 音素输出：除了波形，还能拿到音素（phoneme）层面的中间结果，便于做发音调试或自定义发音规则。
• SSML 支持：可以用 <speak> 标签控制语速、音高、停顿和发音方式，适合需要精细控制的场景。
• MBROLA 集成：通过 MBROLA 语音库可以显著改善合成语音的自然度，代价是需要额外下载对应语言的 MBROLA 数据。

调用路径大致是：Agent 拿到文本 → 通过 CLI 或 API 传给 eSpeak NG → 根据参数选择语言、音色和 SSML 控制 → 输出波形或音频文件。

适用边界

共振峰合成的音质天然偏“电子感”，达不到 Neural TTS 的自然度。如果目标是播客级语音或高保真人声，这个方案不合适。

另一个注意点：SKILL.md 中没有自动提取到完整的安装与使用说明，上游仓库为 https://github.com/1991513ccie-png/skills。在把语音输出放进敏感工作流之前，建议先审查上游代码，确认没有意料之外的行为。

MBROLA 集成虽然能改善音质，但它是可选依赖。如果没有对应的 MBROLA 语音数据，合成结果会退回到 eSpeak NG 的默认共振峰音色。