语音生成技能Skill "speech"

---

name: “语音” description: “当用户请求文本转语音叙述、旁白、可访问性阅读、音频提示或通过OpenAI音频API批量语音生成时使用；运行捆绑的CLI（scripts/text_to_speech.py）使用内置语音，需要OPENAI_API_KEY进行实时调用。自定义语音创建超出范围。” author: openai

语音生成技能

为当前项目生成口语音频（叙述、产品演示旁白、IVR提示、可访问性阅读）。默认使用gpt-4o-mini-tts-2025-12-15和内置语音，并偏好使用捆绑的CLI进行确定性、可重复的运行。

何时使用

• 从文本生成单个语音片段
• 生成批量提示（多行文本，多个文件）

决策树（单次 vs 批量）

• 如果用户提供多行/提示或想要多个输出 -> 批量
• 否则 -> 单次

工作流程

1. 确定意图：单次 vs 批量（见上方决策树）。
2. 提前收集输入：精确文本（逐字）、期望语音、交付风格、格式和任何约束。
3. 如果批量：在tmp/下写入临时JSONL文件（每行一个任务），运行一次，然后删除JSONL。
4. 将指令增强为简短带标签的规范，而不重写输入文本。
5. 运行捆绑的CLI（scripts/text_to_speech.py）使用合理默认值（见references/cli.md）。
6. 对于重要片段，验证：可理解性、节奏、发音和约束遵守。
7. 通过单一针对性更改（语音、速度或指令）进行迭代，然后重新检查。
8. 保存/返回最终输出，并记录最终文本、指令和使用的标志。

临时和输出约定

• 使用tmp/speech/存储中间文件（例如JSONL批量）；完成后删除。
• 在此仓库中工作时，将最终工件写入output/speech/。
• 使用--out或--out-dir控制输出路径；保持文件名稳定和描述性。

依赖项（如果缺失则安装）

优先使用uv进行依赖管理。

Python包：

uv pip install openai

如果uv不可用：

python3 -m pip install openai

环境

• 必须设置OPENAI_API_KEY进行实时API调用。

如果密钥缺失，给用户这些步骤：

1. 在OpenAI平台UI中创建API密钥：https://platform.openai.com/api-keys
2. 在系统中将OPENAI_API_KEY设置为环境变量。
3. 如果需要，提供指导帮助设置其操作系统/外壳的环境变量。

• 永远不要要求用户在聊天中粘贴完整密钥。请他们在本地设置并确认准备就绪。

如果在此环境中无法安装，告诉用户缺失哪个依赖项以及如何本地安装。

默认值和规则

• 除非用户请求其他模型，否则使用gpt-4o-mini-tts-2025-12-15。
• 默认语音：cedar。如果用户想要更明亮的音调，优先使用marin。
• 仅内置语音。此技能不支持自定义语音。
• 对于GPT-4o mini TTS模型支持instructions，但不支持tts-1或tts-1-hd。
• 每请求输入长度必须≤4096字符。将较长文本分割成块。
• 强制执行50请求/分钟。CLI将--rpm限制在50。
• 在任何实时API调用之前需要OPENAI_API_KEY。
• 向最终用户提供清晰披露，说明语音是AI生成的。
• 所有API调用使用OpenAI Python SDK（openai包）；不要使用原始HTTP。
• 优先使用捆绑的CLI（scripts/text_to_speech.py）而不是编写新的一次性脚本。
• 永远不要修改scripts/text_to_speech.py。如果缺少什么，在采取其他行动前询问用户。

指令增强

将用户指导重新格式化为简短、带标签的规范。只使隐含细节明确化；不要发明新要求。

快速澄清（增强 vs 发明）：

• 如果用户说“演示的叙述”，可以添加隐含的交付约束（清晰、稳定节奏、友好语气）。
• 不要引入用户未请求的新人物、口音或情感风格。

模板（仅包含相关行）：

语音影响：<声音的整体特征和质地>
语气：<态度、正式性、温暖度>
节奏：<慢、稳定、轻快>
情感：<要传达的关键情感>
发音：<要清晰发音或强调的词语>
停顿：<添加有意停顿的位置>
强调：<要强调的关键词或短语>
交付：<韵律或节奏说明>

增强规则：

• 保持简短；只添加用户已经隐含或提供的细节。
• 不要重写输入文本。
• 如果任何关键细节缺失并阻碍成功，提出问题；否则继续。

示例

单次示例（叙述）

输入文本：“欢迎来到演示。今天我们将展示它是如何工作的。”
指令：
语音影响：温暖且沉着。
语气：友好且自信。
节奏：稳定且适中。
强调：强调“演示”和“展示”。

批量示例（IVR提示）

{"input":"感谢您的来电。请稍候。","voice":"cedar","response_format":"mp3","out":"hold.mp3"}
{"input":"销售请按1。支持请按2。","voice":"marin","instructions":"语气：清晰且中立。节奏：慢。","response_format":"wav"}

指令最佳实践（简短列表）

• 结构化指导为：影响 -> 语气 -> 节奏 -> 情感 -> 发音/停顿 -> 强调。
• 保持4到8个短行；避免冲突指导。
• 对于名称/缩写，添加发音提示（例如，“清晰发音A-I”）或在文本中提供音标拼写。
• 对于编辑/迭代，重复不变因素（例如，“保持节奏稳定”）以减少漂移。
• 使用单一更改跟进进行迭代。

更多原则：references/prompting.md。复制/粘贴规范：references/sample-prompts.md。

按用例指导

当请求针对特定交付风格时使用这些模块。它们提供有针对性的默认值和模板。

• 叙述 / 解释器：references/narration.md
• 产品演示 / 旁白：references/voiceover.md
• IVR / 电话提示：references/ivr.md
• 可访问性阅读：references/accessibility.md

CLI + 环境说明

• CLI命令 + 示例：references/cli.md
• API参数快速参考：references/audio-api.md
• 指令模式 + 示例：references/voice-directions.md
• 如果网络批准 / 沙箱设置造成问题：references/codex-network.md

参考映射

• references/cli.md：如何通过scripts/text_to_speech.py运行语音生成/批量（命令、标志、食谱）。
• references/audio-api.md：API参数、限制、语音列表。
• references/voice-directions.md：指令模式和示例。
• references/prompting.md：指令最佳实践（结构、约束、迭代模式）。
• references/sample-prompts.md：复制/粘贴指令食谱（仅示例；无额外理论）。
• references/narration.md：叙述和解释器的模板 + 默认值。
• references/voiceover.md：产品演示旁白的模板 + 默认值。
• references/ivr.md：IVR/电话提示的模板 + 默认值。
• references/accessibility.md：可访问性阅读的模板 + 默认值。
• references/codex-network.md：环境/沙箱/网络批准故障排除。