| 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
mmx speech synthesize \
--text "你好，欢迎收听今天的播客。" \
--voice "Chinese (Mandarin)_News_Anchor" \
--out output.mp3 \
--quiet
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
mmx speech synthesize \
--text-file script.txt \
--voice "English_expressive_narrator" \
--out narration.mp3 \
--quiet
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
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：
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
