text-to-speech

Text-to-Speech 是一个基于 inference.sh 平台的语音合成技能，通过 CLI 工具提供对多种先进 TTS 模型的统一访问。用户只需安装 inference.sh CLI 并登录，即可通过简单的命令行调用包括 DIA TTS（对话式）、Kokoro TTS（快速自然）、Chatterbox（通用）、Higgs Audio（情感控制）和 VibeVoice（播客长文本）在内的多个模型，将文本转换为自然流畅的语音。

该技能的核心优势在于模型丰富度和场景覆盖能力。不同于单一 TTS 服务，它提供了从快速语音生成到情感丰富的对话式语音，再到长形式播客内容生成的完整解决方案。特别值得一提的是，DIA TTS 支持多说话人对话模式，VibeVoice 擅长处理长文本播客脚本，而 Higgs Audio 则允许用户控制情感表达，这些特性使其在专业内容创作领域具有显著优势。此外，该技能还能与 OmniHuman 等视频生成工具结合，实现从文本到虚拟人视频的一站式工作流。

然而，该技能也存在明显的局限性。首先，它完全依赖 inference.sh 第三方云服务，所有文本数据必须上传至远程服务器进行处理，这对处理敏感或机密内容的用户构成隐私顾虑。其次，需要稳定的网络连接才能正常使用，离线环境无法工作。再者，作为个人开发者维护的项目（T3 来源），长期维护的稳定性与官方商业服务相比存在一定不确定性。

该技能特别适合内容创作者（如播客制作人、视频博主、有声书作者）、需要快速原型语音功能的开发者，以及关注无障碍访问的实施人员。对于企业级应用，特别是涉及敏感数据处理的场景，建议谨慎评估数据出境和隐私合规要求。

使用风险主要包括：数据隐私风险（文本内容需上传至 inference.sh 服务器）、服务可用性风险（依赖第三方云服务稳定性）、网络延迟问题（实时性要求高的场景可能受影响），以及 CLI 工具链的维护风险。建议用户避免使用此技能处理包含个人敏感信息或商业机密的文本内容。