菜单
This skill should be used when the user asks to convert text to speech, generate audio, create TTS voice, or do voice synthesis. Activates with phrases like 语音合成, TTS, 文字转语音, 生成语音, 配音, 朗读. Provides text formatting, text splitting, TTS generation, and audio merging workflow.
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
基于 SOC 职业分类
| name | pix-audio-index-tts |
| description | This skill should be used when the user asks to convert text to speech, generate audio, create TTS voice, or do voice synthesis. Activates with phrases like 语音合成, TTS, 文字转语音, 生成语音, 配音, 朗读. Provides text formatting, text splitting, TTS generation, and audio merging workflow. |
| 属性 | 值 |
|---|---|
| 名称 | pix-audio-index-tts |
| 版本 | 1.0.0 |
| 类型 | 简单技能 |
| 核心功能 | 将文本转换为语音，包括文本格式化、分片、生成、合并的完整工作流 |
| 适用环境 | Trae / opencode |
将非标准化的书面文本转换为适合 TTS 模型朗读的口语脚本，并通过 IndexTTS MCP 生成自然流畅的语音输出。
当用户请求以下内容时，skill 会自动激活：
当 AI 执行任务时，按以下步骤进行，并在每步完成后向用户汇报进度：
format_tts_text() 格式化输入文本text_split() 拆分成片段 ⚠️ 默认 max_length=100tts_generate() 生成每个片段audio_merge() 合并所有片段💡 重要提示: 文本分片默认每个片段最大 100 字符。对于长文本，会自动拆分为多个片段分别生成，最后合并。如需调整，可通过
max_length参数修改。
1. 文本格式化 → 2. 文本分片 → 3. 语音生成 → 4. 音频合并 → 5. 返回结果
将书面文本转换为口语化表达：
| 规则 | 示例 | 处理结果 |
|---|---|---|
| 数字+单位 | 2022 年, 100 % | 2022年, 100% |
| 日期格式 | 2023-10-01 | 2023年10月1日 |
| 时间格式 | 12:30 | 12点30分 |
| 特殊符号 | &, @, # | 和, 在, 去除 |
| Markdown | **加粗**, ## 标题 | 去除符号 |
| URL | https://... | 去除 |
| 多音字 | 行长 | 银行行长 |
将长文本拆分为适合 TTS 处理的短片段，智能断句。
使用参考音频生成语音，支持参数覆盖。
将多个音频片段合并为一个完整音频。
| 工具名 | 功能 | 耗时操作 | 返回 |
|---|---|---|---|
text_split | 文本分片 | - | JSON (chunks) |
reference_list | 列出参考音频 | - | JSON (data) |
tts_generate | 语音生成 | ✓ | JSON + download_url |
audio_merge | 音频合并 | - | JSON + download_url |
async def text_to_speech(
text: str,
reference_name: str = "liuyandong3",
output_dir: str = "output",
language: str = "Auto",
emo_alpha: float = None,
temperature: float = None,
emo_text: str = None,
use_emo_text: bool = False,
max_length: int = 100, # ⚠️ 默认每个片段最大 100 字符
) -> dict:
"""将文本转换为语音的完整工作流"""
# 1. 文本格式化
formatted_text = format_tts_text(text)
# 2. 文本分片
split_result = await text_split(formatted_text, max_length=max_length)
chunks = split_result.get("chunks", [])
if not chunks:
return {"success": False, "error": "文本分片失败"}
# 3. 语音生成
audio_files = []
download_url = None
for i, chunk in enumerate(chunks):
result = await tts_generate(
text=chunk,
reference_name=reference_name,
ref_text="", # 会自动从参考音频获取默认值
language=language,
emo_alpha=emo_alpha,
temperature=temperature,
emo_text=emo_text,
use_emo_text=use_emo_text,
output_dir=output_dir,
)
if result.get("success"):
audio_files.append(result["file_path"])
download_url = result.get("download_url") # 最后一个片段的 URL
if not audio_files:
return {"success": False, "error": "语音生成失败"}
# 单片段直接返回，多片段合并
if len(audio_files) == 1:
return result # tts_generate 已包含 download_url
# 4. 音频合并
merged = await audio_merge(files=audio_files, output_dir=output_dir)
return merged
def format_tts_text(text: str) -> str:
"""格式化文本为适合 TTS 朗读的口语化脚本"""
import re
# 1. 数字与单位连接
text = re.sub(r'(\d+)\s*([年日月时分秒公斤千克克米厘米毫米%])', r'\1\2', text)
text = re.sub(r'(\d+)\s*([0-9]+)', r'\1\2', text)
# 2. 日期与时间标准化
text = re.sub(r'(\d{4})-(\d{1,2})-(\d{1,2})', r'\1年\2月\3日', text)
text = re.sub(r'(\d{1,2}):(\d{2})', r'\1点\2分', text)
# 3. 特殊符号处理
text = text.replace('&', '和').replace('@', '在')
text = re.sub(r'[#*~]', '', text)
# 4. 去除 Markdown 格式
text = re.sub(r'\*\*([^*]+)\*\*', r'\1', text)
text = re.sub(r'#+\s*', '', text)
text = re.sub(r'\[([^\]]+)\]\([^)]+\)', r'\1', text)
# 5. 去除 URL
text = re.sub(r'https?://[^\s]+', '', text)
# 6. 去除注脚
text = re.sub(r'\[\d+\]', '', text)
text = re.sub(r'\(注[：:]?[^)]*\)', '', text)
return text.strip()
用户: "将这段文字生成语音：今天天气真好，适合出去散步。"
AI 执行步骤:
- [x] 1. 文本格式化 → "今天天气真好，适合出去散步。"
- [x] 2. 文本分片 → ["今天天气真好，适合出去散步。"]
- [x] 3. 语音生成 → "output/tts_123.wav"
- [x] 4. 音频合并 → (单片段跳过合并)
- [x] 5. 返回结果 → "语音已生成: http://localhost:8002/audio/tts_123.wav"
用户: "将这篇文档生成语音并保存到 /tmp/audio 目录"
AI 执行步骤:
- [x] 1. 文本格式化 → 格式化后的文本
- [x] 2. 文本分片 → ["片段1", "片段2", "片段3"] (3个片段)
- [x] 3. 语音生成 → output/1.wav, 2.wav, 3.wav
- [x] 4. 音频合并 → "/tmp/audio/merged.wav"
- [x] 5. 返回结果 → "语音已保存到 /tmp/audio/merged.wav"
用户: "用更快更活泼的语音风格生成这段文字"
AI 执行步骤:
- [x] 1. 文本格式化
- [x] 2. 文本分片
- [x] 3. 语音生成 (emo_alpha=0.8)
- [x] 4. 音频合并
- [x] 5. 返回结果
reference_list 先查看可用的参考音频，选择最符合场景的max_length=100，每个片段最多 100 字符max_length 参数 (建议范围: 50-200)emo_alpha: 情感强度，值越大情感越丰富temperature: 采样温度，值越大随机性越高emo_text: 情感描述文本，描述期望的情感风格success 字段，确保流程正常download_url 直接下载音频，无需手动拼接 URLbash /Volumes/data/dev/code/ai/index-tts-api/start.sh &
uv run uvicorn src.index_tts_api.main:app --host 0.0.0.0 --port 8002
curl http://localhost:8002/health无需手动启动，opencode 配置中声明 command 即可。
如需在其他机器通过 MCP 访问：
TTS_BASE_URL=http://<本机局域网IP>:8002 uv run python start_mcp_http.py --host 0.0.0.0 --port 9330 &
每次调用 TTS 接口前，按以下步骤检查服务状态：
import httpx
import subprocess
import time
async def check_and_start_service():
"""检查服务状态，必要时启动服务"""
try:
async with httpx.AsyncClient() as client:
response = await client.get(
"http://localhost:8002/health",
timeout=3.0
)
if response.status_code != 200:
raise Exception("Service not healthy")
print("✓ TTS service is running")
return True
except Exception as e:
print(f"⚠ Service not available: {e}")
print("Starting TTS service...")
# 启动服务（后台运行）
subprocess.Popen(
["bash", "/Volumes/data/dev/code/ai/index-tts-api/start.sh"],
stdout=subprocess.DEVNULL,
stderr=subprocess.DEVNULL,
start_new_session=True
)
# 等待服务启动
for i in range(20):
await asyncio.sleep(2)
try:
async with httpx.AsyncClient() as client:
response = await client.get(
"http://localhost:8002/health",
timeout=3.0
)
if response.status_code == 200:
print(f"✓ Service started successfully (waited {i*2}s)")
return True
except:
pass
raise Exception("Failed to start TTS service")
如果在调用 TTS 接口时遇到以下错误：
meta tensor 错误说明服务可能已崩溃退出。下次调用前检查会发现服务已停止，自动启动。
bash /Volumes/data/dev/code/ai/index-tts-api/start.sh &trae_mcp.json.demo）tts_generate 为耗时操作，MCP 超时设置为 20 分钟output 目录，通过 download_url 即可下载TTS_BASE_URL 设置为局域网可访问的 IPThis skill should be used when the user asks to generate or process images. Activates with phrases like generate image, create icon, make logo, design illustration, cut image, remove background. Provides image generation and processing capabilities via ComfyUI through n8n workflow service.
Transform text content into professional Mermaid diagrams for presentations and documentation. Use when users ask to visualize concepts, create flowcharts, or make diagrams from text. Supports process flows, system architectures, comparisons, mindmaps, and more with built-in syntax error prevention.
This skill should be used when the user asks to understand new concepts or technologies. Activates with phrases like explain, teach, learn, concept, technology, how to, what is, understanding, tutorial, guide. Provides structured 5-step explanations following Problem-Based Learning principles: Scenario, Limitation, Concept, Core Mechanics, Implementation. Uses storytelling approach to create complete "problem-exploration-answer" cognitive loop with practical examples and code samples.
Automatically save chat conversations to individual markdown files with unique filenames containing timestamps. Each conversation is saved to /Users/pix/dev/code/ai/pixai/chat-history directory. Use when user wants to preserve chat history, save conversation logs, or maintain a record of discussions.
Automatically save chat conversations to individual markdown files with unique filenames containing timestamps. Each conversation is saved to /Users/pix/dev/code/ai/pixai/chat-history directory. Use when user wants to preserve chat history, save conversation logs, or maintain a record of discussions.
规范化和结构化的问题回答流程，适用于概念解释、技术术语说明等场景。使用当用户提出概念性问题或需要详细解释技术术语时。