Back to search
indextts2-voiceover
SkillWorks with Claude CodeGitHub
用 IndexTTS2(HuggingFace Space)以克隆音色给整篇稿件配音:先按读法规则改出「配音版」,再把整篇(或整章)一次交给模型合成,不划小段、不逐句拼接。用户给出配音稿/文案要配音、要用克隆音色生成旁白、或要返修某段配音时使用。
Safety scan
A static text scan, not a guarantee. Select the badge to see what was scanned and every finding.
Badge for your README
Markdown
[](/listings/changyanglei--indextts2-voiceover)HTML
<a href="/listings/changyanglei--indextts2-voiceover"><img src="/api/listings/changyanglei--indextts2-voiceover/badge.svg" alt="findsafeskills safety rating" /></a>Install
i
Install instructions from the README
As written by the repo's author. findsafeskills has not verified these steps.
把本目录放到 `~/.claude/skills/indextts2-voiceover/`(或项目的 `.claude/skills/` 下)。
What was scanned
The files the safety scan read, as written by the repository's author and shown as plain text. Lines with a finding are marked.
SKILL.md · Manifest · 74 lines
- ---
- name: indextts2-voiceover
- description: 用 IndexTTS2(HuggingFace Space)以克隆音色给整篇稿件配音:先按读法规则改出「配音版」,再把整篇(或整章)一次交给模型合成,不划小段、不逐句拼接。用户给出配音稿/文案要配音、要用克隆音色生成旁白、或要返修某段配音时使用。
- ---
- # IndexTTS2 克隆配音
- 拿到稿子**不要直接合成原稿**。依次做:配音版 → 整篇一次合成 → 交审听。
- **为什么整篇一次合成**:2026-11 实测对比,同一段稿子「两三句一段分开合成再去静音拼接」听着赶、停顿不自然、机械味重;「整篇一次交给模型」更自然,是用户选定的做法。模型会自己在内部分句(`max-seg` 120),句间停顿和语气衔接都由模型给,不要再人为拆碎、补停顿。
- 脚本在本 skill 的 `scripts/`,用 `python -I` 运行(需要 ffmpeg;拼接时需要 numpy)。
- ## 0. 准备
- - **后端**:默认 `modelscope`(魔搭创空间 `IndexTeam/IndexTTS-2-Demo`,平台免费 GPU,不占用户配额),需环境变量 `MODELSCOPE_API_TOKEN`(https://modelscope.cn/my/myaccesstoken)。备用 `hf`(HuggingFace Space,占用户 ZeroGPU 每日配额,需 `HF_TOKEN`):`--backend hf`。两边接口与参数一致。脚本会自动从用户级环境变量读 Token;Token 由用户用 `[Environment]::SetEnvironmentVariable('名字','值','User')` 自己设置,不进聊天、不进文件。
- - **魔搭速度**:2026-11 实测冷启动约 8 分钟、热态一句短句约 1.5 分钟(含排队),整篇合成要用 `run_in_background` 跑,别占着前台;超时报错先重试一次再换 `--backend hf`。
- - 参考音频默认 `01_公用素材/02_音频/克隆参考音频.mp3`;语速默认 1.0,不加速(2026-11-21 用户改定;需要变速时传 `--speed`,合成后 ffmpeg atempo,音调不变);`--max-seg` 默认 120(用户认可版本所用值)。
- - 放置位置:单期目录下 `01_稿件/配音版.md`;工作文件在 `02_配音/_work/`;整条配音为 `02_配音/配音_候选.wav`。用户审听确认前一律是候选。
- - 用 `hf` 后端时:免费账号 ZeroGPU 每天时长有限,报错 `null` 基本是配额用完(可用一句短文本探测),一天大约十几次合成,别把额度花在反复试小句上。
- ## 1. 改出「配音版」(读法规则)
- 先把稿子复制一份,按下面规则改成「配音版」。**原稿不动;字幕文字取定稿,配音版换了词的地方跟念法走(2026-11-21 用户决定),所以改动清单要完整,做字幕时照它替换。**
- 1. **型号里的数字写成汉字,前后留空格**:GPT-6 写成「 GPT六 」,Gemini-3.8 写成「 Gemini三点八 」。否则容易被读成英文数字,或者名字被读断。
- 2. **普通数字保持阿拉伯数字,单位简写改成中文**:450nm → 450纳米,20min → 20分钟,3h → 3小时。
- 3. **容易读错的多音字,换一个意思一样的词**:「空白」→「空的」,「好处」→「优点」。见下方多音字替换表;改配音版时逐句扫一遍表里的字和常见多音字(行、重、差、长、处、空),疑似读错处列进改动清单;审听发现新的读错,就把它补进表里。
- 4. **长句加逗号**:两个标点之间超过 26 个字,就按意思加一个逗号,让它有地方换气。不要在词中间加。
- 5. **删掉不该读出来的东西**:Markdown 符号、标题行、括号里的注释或来源、表情、链接;「/」按意思改成「或」或「每」;破折号改逗号。
- 配音版是一整段连续正文(去掉标题和空行分隔即可)。改完在聊天里列出改动的地方(原文 → 配音版),一行一条,方便用户扫一眼。
- ### 多音字替换表
- | 原词 | 换成 | 原因 |
- | --- | --- | --- |
- | 空白 | 空的 | 「空」易读错调 |
- | 好处 | 优点 | 「处」易读成 chù |
- | 一行一行/每一行(指代码、文字的行) | 逐字逐句 | 「行」被读成 xíng(2026-11-20 第5期审听) |
- ## 2. 整篇一次合成
- **一次只出一版,验收不过再出下一版**(2026-11-22 用户决定,原“默认抽 3 版一起交”作废):每次生成都有随机差异(同参数同文本也会有好有坏),所以第一版不行就原文本再抽一版,通过就停,不多出。用 `run_in_background` 跑,不传 `--draws`(默认 1)。
- ```powershell
- python -I .claude/skills/indextts2-voiceover/scripts/indextts2_space.py 01_公用素材/02_音频/克隆参考音频.mp3 第XX期_主题/02_配音/配音_候选_v01.wav "@第XX期_主题/02_配音/_work/配音版.txt"
- ```
- - 文本参数以 `@` 开头表示从 UTF-8 文本文件读入(配音版正文先存成纯文本,去掉标题和 Markdown),避免长文本命令行转义。
- - 第 N 版输出名用 `配音_候选_v0N.wav`,旧版不覆盖;失败自动重试一次。
- - 用户通过后,把那版登记为采用(或按本期表登记),未采用的版本移到 `_work/` 不删。
- ### 稿子太长时
- 单次调用文本能有多长还没实测到上限。若整篇一次调用超时或报错(非配额原因),**只在章节/小节边界切开**,每块尽量长(整章一块),绝不按两三句切小段。然后:
- 1. 写 `02_配音/_work/segments.json`,每块一条,`next` 一律 `topic`(章节之间),最后一块 `end`:
- ```json
- {"reference": "01_公用素材/02_音频/克隆参考音频.mp3", "speed": 1.0,
- "segments": [{"id": "01", "text": "第一章配音版全文", "subtitle": "第一章字幕文字(定稿,换词处按念法)", "next": "topic"},
- {"id": "02", "text": "……", "subtitle": "……", "next": "end"}]}
- ```
- 2. `python -I scripts/batch_synth.py segments.json`(断点续跑,改过的块才重生成)。
- 3. `python -I scripts/assemble.py segments.json 配音_候选.wav`:只裁每块首尾多余静音,章节间补约 0.95s 停顿(用该块自身底噪填,不用绝对静音),段内停顿保留。会出拼接报告和时间轴。
- 4. 配音采用后派生字幕(没有 ASR 时):`python -I scripts/subtitle_from_voice.py --wav 02_配音/配音_采用.wav --segments 02_配音/_work/segments.json --timeline 02_配音/配音_采用_timeline.json --out 02_配音/字幕_v01.srt --spoken <念法替换.json> [--numbered]`。每块内按字数估切点再吸附真实停顿;`念法替换.json` 来自配音版改动清单(定稿写法 → 实际念法)。时间是估计,仍要 1× 看。
- ## 3. 交审听
- - 每出完一版就用 SendUserFile 直接发给用户,附时长,请用户验收。
- - 某处读错:先查是不是读法问题 → 改配音版(新的读错补进多音字替换表)→ **重生成整篇(或该处所在的整章)**,不要只补生成一句再插进去,否则那一句语气接不上。
- - 不通过且不是读法问题:同样整篇(或整章)再抽一版(文本不改也可以),出完再交,直到通过。
- - 某版明显差,不代表平台有问题:2026-11 核对过魔搭与 HF 两边部署代码、模型和精度一致,差异来自随机抽样。
- - 用户确认后再登记为采用配音;字幕用定稿文字,配音版换词处按实际念法替换。
README.md · README · 24 lines
- # indextts2-voiceover
- Claude Code skill:用 IndexTTS2 以克隆音色给整篇中文稿件配音。流程:按读法规则改出「配音版」→ 整篇一次合成 → 交审听。详见 [SKILL.md](SKILL.md)。
- ## 安装
- 把本目录放到 `~/.claude/skills/indextts2-voiceover/`(或项目的 `.claude/skills/` 下)。
- ## 依赖
- - Python 3、ffmpeg;拼接时需要 numpy
- - 后端 Token(设为环境变量,不要写进文件):
- - 默认魔搭创空间:`MODELSCOPE_API_TOKEN`
- - 备用 HuggingFace Space:`HF_TOKEN`
- - 一段你自己的克隆参考音频(本仓库不含)
- ## 脚本
- | 脚本 | 用途 |
- | --- | --- |
- | `scripts/indextts2_space.py` | 调用 IndexTTS2 合成整篇 |
- | `scripts/batch_synth.py` | 长稿按章节分块合成(断点续跑) |
- | `scripts/assemble.py` | 拼接分块,章节间补停顿 |
- | `scripts/subtitle_from_voice.py` | 由配音派生字幕 SRT |
Ratings and comments
Sign in to rate this skill.
Sign inFree to use. If it’s helped, pass it on.