技能介绍

问题

在 Agent 或对话应用里加语音输出，常见三个坎：音色选择少、延迟高、不同厂商的 SDK 接口不统一。这个技能针对的是文本到语音（TTS）这一步——你有一段文本，想把它变成可播放的音频，但不想自己维护多套 SDK 适配层。

工作原理

底层是 Venice 的 POST /api/v1/audio/speech 接口，一个请求就能把文本转成音频流或文件。关键点是 OpenAI 兼容：如果你已经在用 OpenAI SDK，audio.speech.create() 可以直接换端点复用，不需要改调用逻辑。

核心请求字段：

input：必填，最长 4096 字符
model：可选，默认 tts-kokoro，推荐前沿默认 tts-xai-v1
voice：音色与模型强绑定，用错组合会返回 400
response_format：mp3 / opus / aac / flac / wav / pcm，默认 mp3
speed：0.25–4.0，叙事场景建议保持在 0.8–1.3
streaming：true 时按句返回音频流，适合低延迟 UI

模型覆盖九个语音家族：Kokoro（多语言多音色）、xAI（eve、ara 等）、Qwen 3（支持 prompt / temperature / top_p 情绪控制）、Inworld（角色音色如 Craig、Hades）、Chatterbox HD、Orpheus、ElevenLabs Turbo、MiniMax、Gemini 3 Flash（星名音色如 Zephyr、Achernar）。

适用边界

音色列表以 GET /models?type=tts 为准：model_spec.voices 是权威列表，不同模型的音色互不通用，大小写敏感（eve ≠ EVE）。

输入硬上限 4096 字符，长内容（如书籍）需按句拆分后客户端拼接音频。流式模式目前部分 OpenAI SDK 版本未暴露 audio.speech.create 的流式能力，需要直接调用 REST 端点消费 HTTP body；pcm 格式搭配浏览器 Web Audio API 可直接播放。

情绪/风格控制仅限 Qwen 3，其他家族靠音色本身区分情绪（如 Inworld 的 Hades 与 Pixie），传入 prompt 会被静默忽略。错误码 400 多为音色-模型错配或超长输入，429 限流、500/503 建议带抖动重试。