ElevenLabs 长格式内容旁白生成器

它解决什么问题

把一篇几千字的博客或脚本直接丢给 ElevenLabs 的 TTS 接口，通常不会成功，因为文本长度超过了单次请求的字符上限。即使没有硬限制，超长文本也会让首句和末句之间的等待时间变得不可接受，而且一旦中间某个片段失败，整个请求都要重来。手工拆段虽然可行，但很容易在句子中间切断，导致拼接后的音频在断句处出现重复、停顿过长或音色突然变化的问题。长内容旁白还需要最后把散落的音频文件合并、上传，并生成一个可访问的链接，这些琐碎步骤会打断创作流程。

技能是如何工作的

这个技能把上述过程封装成一条流水线。它会先读取整段内容，并按照 ElevenLabs 的字符限制把文本切成若干片段，切分时尽量保证语义完整。每个片段会被交给 v2 Multilingual 模型做语音合成，返回一段 MP3。接下来，pydub 负责把这些 MP3 按顺序拼接成一个完整的音频文件。最后，技能把成品上传到 Cloudflare R2，并返回一个签名 URL，方便直接嵌入页面或交付给下游。

在音色层面，技能支持使用已经创建好的 Voice ID 来调用自定义克隆声音。针对每个片段，你还可以单独调整 stability 和 similarity 参数，让不同段落之间的人声保持连贯，避免长文常见的“换人”感。

使用边界与注意点

• 上游依赖：整体流程依赖 ElevenLabs 的 API 可用性、账号配额以及 v2 Multilingual 模型的支持范围。
• 切分正确性：虽然技能会自动分块，但极端格式（例如超长单行、没有标点的文本）仍可能导致某个片段超出限制。
• 自定义音色：使用 Voice ID 前需要在 ElevenLabs 侧完成音色创建与授权，否则合成请求会被拒绝。
• 签名 URL 时效：R2 返回的签名链接有有效期，拿到后应尽快保存或转存，否则链接会失效。
• 本地依赖：pydub 拼接音频时依赖运行环境中的 ffmpeg。若环境未安装该命令，拼接步骤会直接报错。

整体上，这个技能适合批量生成播客、有声文章、课程旁白这类长格式内容。它不适合实时对话或要求极低延迟的场景，因为每个片段都需要一次独立的 API 调用和文件合并。