voice-matching

# SKILL.md - Voice Matching（声音匹配） ## R (Reading) - 原文引用 > "If you provide a writing sample, Humanizer follows that sample instead of its default style rules." > > "Humanizer follows the sample's rhythm, word choice, punctuation, and deliberate quirks." ## I (Interpretation) - 方法论骨架 **核心思想**：如果提供写作样本，Humanizer 遵循该样本的节奏、用词、标点和刻意怪癖，而不是其默认样式规则。这种"声音匹配"功能让去痕后的文本更贴近作者的真实风格。 **关键要素**： 1. **Writing Sample**: 用户提供 2-3 段自己的写作作为样本 2. **Rhythm**: 跟随样本的节奏（句子长度、段落结构） 3. **Word Choice**: 跟随样本的用词偏好 4. **Punctuation**: 跟随样本的标点习惯 5. **Deliberate Quirks**: 跟随样本的刻意怪癖（如特定的表达方式） ## A1 (Past Application) - 书中作者用过的案例 README 中提供了声音匹配的使用示例： ``` /humanizer Here's a sample of my writing for voice matching: [paste 2-3 paragraphs of your own writing] Now humanize this text: [paste AI text to humanize] ``` Humanizer 会分析样本的节奏、用词、标点和刻意怪癖，然后在去痕时遵循这些特征，而不是使用默认样式规则。 ## A2 (Future Trigger) - 用户在什么情境下会需要这个 **适用场景**： - 用户想让去痕后的文本更像自己写的 - 用户想保持个人写作特色 - 用户有现成的写作样本可以提供 - 用户对默认样式规则不满意 **与相邻 skill 的区分**： - 与 `preserve-style` 的区别：voice-matching 是**主动提供写作样本来匹配风格**，而 preserve-style 是**被动保持作者风格**（个人写作保持风格，技术文本保持中立）。前者更主动，后者更被动。 - 与 `two-pass-rewriting` 的区别：voice-matching 关注**风格匹配**，而 two-pass-rewriting 关注**去痕流程**。前者是风格调整，后者是质量控制。 ## E (Execution) - 可执行步骤 1. **准备写作样本** - 选择 2-3 段自己的写作作为样本 - 确保样本代表自己的真实风格 - 样本应包含不同的句子结构和用词 - 完成标准: 样本不少于 2 段，句式与用词有多样性，能代表真实风格 2. **提供样本给 Humanizer** - 在 `/humanizer` 命令后粘贴样本 - 明确说明这是用于声音匹配的样本 - 然后粘贴需要去痕的 AI 文本 - 完成标准: 样本用途已明确标注为声音匹配，待去痕的 AI 原文已就位 3. **验证匹配效果** - 检查第一次重写结果是否匹配自己的风格 - 如果不满意，提供更详细的样本或反馈 - 确认最终版本符合自己的期望 - 完成标准: 终稿对照样本四要素（节奏/用词/标点/怪癖）逐项核验通过 4. **迭代优化** - 根据反馈调整样本选择 - 尝试不同的样本组合 - 找到最佳的声音匹配效果 - 完成标准: 至少完成一轮样本调整，并给出前后两版匹配效果的对比结论 ## B (Boundary) - 什么时候不适用 **不适用场景**： - 技术文档（需要保持中立和平淡） - 中立参考文本（不需要个性化风格） - 用户没有现成的写作样本 - 用户希望使用默认样式规则 **作者的盲点**： - Blader 假设所有用户都有现成的写作样本，但实际上某些用户可能没有 - humanizer 缺少对样本质量的评估机制（样本是否足够代表性） - 没有提到如何处理样本与 AI 文本风格差异过大的情况