AI Skill 大全

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

  1. 明确是 TTS、转写、克隆还是实时语音 Agent
  2. 选定对应的服务端并配好凭证
  3. 准备文本或音频素材
  4. 生成语音或转写结果
  5. 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。

查看 MCP 接入说明

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

同类 Skill