mmx-speech

name	mmx-speech
description	Use mmx to synthesize speech via MiniMax TTS (speech-2.8-hd). Use when the user wants text-to-speech, voice narration, audiobook, podcast scripts, subtitle generation, or high-quality audio from text. Triggers on "TTS", "语音合成", "朗读", "配音", "旁白", "生成音频", "文字转语音".

MiniMax 语音合成技能

使用 mmx speech synthesize 生成高质量语音（默认模型：speech-2.8-hd，上限 10000 字符）。

默认原则：先问内容和感觉，再转成专业参数。不要一上来就问 voice ID。

---

工作流总览

用户描述需求
  ↓
【第一步】引导需求（4个问题）
  ↓
【第二步】选择音色
  ↓
【第三步】确认参数（语速/音质）
  ↓
【第四步】生成并验证

---

第一步：引导需求

问题	目的
这段文字是什么类型？（新闻播报/小说旁白/教程讲解/广告配音…）	确定风格
想要男声还是女声？有什么气质要求？	选音色
语速偏快还是偏慢？（正常/讲故事慢/播报快）	控制 speed
需要字幕时间戳吗？（用于视频字幕对齐）	是否加 --subtitles

---

第二步：选择音色

中文常用音色

用户描述	voice_id	特点
播报/新闻/正式	Chinese (Mandarin)_News_Anchor	专业女播音腔
男播报/正式	Chinese (Mandarin)_Male_Announcer	沉稳播报男声
温柔/温暖女声	Chinese (Mandarin)_Warm_Girl	温暖少女
甜美女声	Chinese (Mandarin)_Sweet_Lady	甜美
御姐/成熟女	Chinese (Mandarin)_Mature_Woman	傲娇御姐
温润男声	Chinese (Mandarin)_Gentleman	温润绅士
抒情男声	Chinese (Mandarin)_Lyrical_Voice	抒情感
不羁/个性男	Chinese (Mandarin)_Unrestrained_Young_Man	潇洒不羁
萌/可爱	Chinese (Mandarin)_Cute_Spirit	憨憨萌兽
老人/长辈	Chinese (Mandarin)_Kind-hearted_Elder	花甲奶奶
古风/仙侠	female-yujie-jingpin	御姐精品版

英文常用音色

用途	voice_id
旁白/叙述	English_expressive_narrator（默认）
温柔女声	Serene_Woman
可爱/活泼	Sweet_Girl

运行 mmx speech voices --language chinese 或 --language english 查看完整列表。

---

第三步：参数确认

音质预设

预设	用途	参数
标准（默认）	日常配音	--format mp3 --sample-rate 32000 --bitrate 128000
高质量	正式发布	--format mp3 --sample-rate 44100 --bitrate 256000
无损	专业制作	--format wav --sample-rate 44100

语速参考

用户需求	--speed 值
慢（有声书/老人）	0.7
偏慢（讲故事）	0.85
正常	1.0（默认，可不填）
偏快（播报）	1.15
快（广告）	1.3

---

第四步：生成命令

# 基础用法
mmx speech synthesize \
  --text "你好，欢迎收听今天的播客。" \
  --voice "Chinese (Mandarin)_News_Anchor" \
  --out output.mp3 \
  --quiet

# 高质量 + 字幕
mmx speech synthesize \
  --text "这是一段旁白。" \
  --voice "Chinese (Mandarin)_Warm_Girl" \
  --speed 0.9 \
  --format mp3 \
  --sample-rate 44100 \
  --bitrate 256000 \
  --subtitles \
  --out output.mp3 \
  --quiet

# 从文件读取（长文本）
mmx speech synthesize \
  --text-file script.txt \
  --voice "English_expressive_narrator" \
  --out narration.mp3 \
  --quiet

# 流式输出（实时播放）
mmx speech synthesize \
  --text "Streaming audio test." \
  --stream | mpv --no-terminal -

字幕文件处理

加 --subtitles 后，输出 JSON 同时包含音频（base64）和字幕时间戳：

mmx speech synthesize \
  --text "第一句话。第二句话。" \
  --subtitles \
  --out audio_with_subs.mp3 \
  --output json --quiet > result.json

# 提取字幕
python3 -c "import json,sys; d=json.load(open('result.json')); print(json.dumps(d.get('subtitle_file','')))"

---

验证

ffprobe -v quiet -show_entries format=duration,size -of default=noprint_wrappers=1 output.mp3

---

长文本分段策略

speech-2.8-hd 上限 10000 字符。超出时按段落拆分：

# 分段生成后合并
mmx speech synthesize --text-file part1.txt --out p1.mp3 --quiet
mmx speech synthesize --text-file part2.txt --out p2.mp3 --quiet
ffmpeg -i "concat:p1.mp3|p2.mp3" -acodec copy merged.mp3

---

注意事项

• 默认模型：speech-2.8-hd（可用：speech-2.6、speech-02）
• --subtitles 与 --stream 不能同时使用
• 始终加 --quiet 避免进度条污染输出
• 长文本建议用 --text-file，避免 shell 转义问题