技能介绍

它解决的问题

本地文本转语音常卡在模型下载、依赖版本、设备兼容和多人脚本格式上。这个技能把 VibeVoice-1.5B 的本地推理封装成可直接执行的脚本，目标不是调用云端 API，而是在已有 uv 的环境中生成 .wav 音频。

工作方式与关键步骤

技能目录内含 setup.sh、tts_generate.py、虚拟环境、9 个内置声音和输出目录。首次使用会创建 Python 3.11 虚拟环境，并从 GitHub 安装 vibevoice；后续使用本地缓存模型。生成时先判断输入：纯文本按单说话人处理；多人脚本需写成 Speaker N: ...，其中 N 为 1 到 4。再选择声音预设，如默认 zh-Xinran_woman、中文男声 zh-Bowen_man、英文 en-Alice_woman 等。最后通过技能自身的虚拟环境调用脚本，输出到 outputs/tts_TIMESTAMP.wav。

支持参数包括 --text、--txt_path、--speaker_names、--output、--device、--seed、--ddpm_steps、--voices_dir 和 --checkpoint_path。设备策略上，CUDA 使用 bfloat16 与 flash_attention_2，不可用时回退 sdpa；Mac MPS 使用 float32 与 sdpa，约需 6 GB 统一内存。模型首次下载约 3 GB，支持最长约 90 分钟音频。

适用边界与注意点

短文本用 --text 即可；多行或长段落应先写入 .txt 文件并用 --txt_path，避免 shell 吃掉换行。
中文文本建议用英文标点 , 和 .，减少发音不稳定。
多说话人格式必须严格，且最多四位。
生成速度在 Apple Silicon 上大约为 2 到 5 倍实时，30 秒音频可能耗时 60 到 150 秒。
自定义声音通过 --voices_dir 指定 .wav 文件；微调模型可通过 --checkpoint_path 加载 LoRA 适配器。