语音合成与识别
覆盖文字转语音、语音转文字、声音克隆和实时语音 Agent,集成多家主流服务。
功能与用途
这个技能覆盖语音 AI 的四大块:文字转语音、语音转文字、声音克隆和实时对话式 Agent。集成的服务包括 ElevenLabs 与 OpenAI 的 TTS、Whisper 与 Deepgram 的转写、以及 Vapi、Bland、Retell 这类实时语音 Agent 平台,音频处理用 pydub。典型用途有视频和播客的配音、语音客服、会议与访谈转写、以及有声书生成。
适用场景
- 视频与播客多角色配音:输入解说文案或对话脚本,调用 ElevenLabs 与 OpenAI TTS 生成多角色自然语音,结合音频工具完成配音混剪。
- 会议与访谈录音转写:上传会议录音或采访音频,利用 Whisper 与 Deepgram 快速生成带时间戳的高精度文字纪要。
- 专属音色克隆与有声书制作:上传数分钟真人清晰音频样本完成声音克隆,将长篇文章或出版书籍批量转化为指定音色的有声内容。
- 实时对话式语音助手:通过 Vapi、Bland 等平台对接大模型与语音服务,搭建支持实时打断与低延迟应答的电话客服或智能语音 Agent。
适用人群
- 内容创作者
- 播客主
- 开发者
使用步骤
- 明确是 TTS、转写、克隆还是实时语音 Agent
- 选定对应的服务端并配好凭证
- 准备文本或音频素材
- 生成语音或转写结果
- 需要后期处理时用音频处理库做剪辑
开始使用
将需求和 Skill 名称发送给已连接 SkillPX MCP 的 AI 助手,核对适用工具和安装要求。
技术信息
- 分类
- 自媒体
- 适用工具
- Codex、Claude Code、OpenClaw、Hermes、国内 Agent
- 使用难度
- 进阶
- 版本
- main
- 最近更新
- 2026-09-09
- 文件数
- 3
- 安装包大小
- 自动生成 ZIP
- 安全检查
- 基础检查通过
Use when voice AI — text-to-speech (ElevenLabs, OpenAI TTS), speech-to-text
使用前准备
- 对应服务的账号与 API Key
- 文本或音频素材
依赖与权限
- 读取用户主动提供的内容