语音旁白与叙述

将文字脚本转化为自然流畅的口语音频，实现精准的情感表达、语速控制、重音处理和声音选择，适用于视频旁白、广告、有声书或 IVR 提示音。核心在于使用方括号 [bracket] 内的指令标签来引导每一行的朗读方式，而不仅仅是文字本身。

输入信息收集

• 脚本内容：需要朗读的完整文本。（若未提供，请主动询问。）
• 声音选择：预设声音 ID，或“选择一个合适的”。如需自定义或克隆声音，请参考 voice-cloning。
• 演绎说明：明确情绪基调、能量水平、语速节奏及目标受众（如平静的有声书、活泼的广告、中性的 IVR、紧急提示等）。这些将决定方括号标签的使用。
• 应用场景：视频旁白、广告、有声书章节、IVR/电话提示音。不同场景影响整体语气，以及是否允许填充词和非语言表达。
• 可选参数：语言类型；以及源文本是否为原始 LLM 输出，需进行规范化处理（如数字、日期、缩写等）。

支持模型

• 默认情感丰富叙述模型：Fish Audio S2.1 Pro (fishaudio:s2.1@pro)

领先的多语言 TTS 模型，支持丰富的方括号标签控制情感与副语言特征，覆盖 80+ 种语言，支持快速流式传输。是通用旁白任务的最佳选择。

• 对话式 / 实时播报模型：Inworld Realtime TTS-2 (inworld:tts@2)

支持自由形式的自然语言指令标签，并内置 settings.textNormalization 功能，可直接处理原始文本生成清晰语音。适用于智能助手、IVR、客服系统等场景。

• 预设高端音色：Qwen3-TTS CustomVoice (alibaba:qwen@3-tts-1.7b-customvoice)

提供九种预设声音，通过 positivePrompt 添加风格提示。已针对 Runware 进行优化。

• 流式对话风格 TTS：Dia2 2B (runware:dia2@2b)

支持实时流式传输，包含非语言表达和说话人标记。已针对 Runware 进行优化。

• 调用前请确认模型状态为 live，并通过 runware-models 和 runware-run 检查其具体字段。切勿硬编码过时模型。

工作流程

1. 解析模型结构（使用 runware-run），确认字段名称。标准结构为 audioInference，包含 speech.text 和 speech.voice（部分模型支持 speech.language）。
2. 将脚本放入 speech.text，并在每行前插入对应的 [bracket] 方括号指令标签，标签应紧贴所作用的文本之前。
3. 若输入为原始 LLM 输出（含数字、日期、货币符号 $1,249.99、缩写等），启用文本规范化功能以确保发音准确：在 Inworld TTS-2 中设置 settings.textNormalization: true。
4. 异步调用 audioInference，并轮询 getResponse 直至完成。音频生成是耗时操作，不可阻塞同步调用。
5. 从 audioURL 获取结果，回听音频，核对演绎效果是否符合需求，对表现不佳的片段进行重试。

技巧指南

• 方向标签具有延续性，向前生效

放置在文本前的 [bracket] 标签会持续影响后续内容，直到遇到下一个标签或输入结束。无需关闭或重置。当情绪变化时，直接添加新标签即可：

[speak cheerfully] Great news, the build passed! [lower voice, more serious] But we need to talk about the memory leak.

• 书写舞台说明，而非关键词

“像深夜里向亲密朋友倾诉”比“亲密”更有效。模型对描述性语言响应更好。可在单个标签中叠加多个维度：情绪 + 语速 + 音量 + 表达方式，例如：

[say sadly with deliberate pauses in a low voice and hushed style]

而仅写“sad”则无法产生真实效果。

• 核心标签 vs 自由表达

Fish S2.1 Pro 提供一组稳定的核心标签（如 [excited]、[sad]、[whisper]、[laughs]、[angry]、[surprised]），也接受任意描述性短语（如 [whispers sweetly]、[laughing nervously]）。建议优先使用核心标签保证一致性，仅在需要细微差别时使用自由表达。

• 副语言用于时间与质感控制

在合适位置插入具体的音频事件。Fish S2.1 Pro 支持括号内提示：(break)、(long-break)、(breath)、(sigh)、(laugh)、(cough)，但需设置 settings.normalize: false 才能生效。Inworld TTS-2 使用内联非语言表达：[laugh]、[sigh]、[breathe]、[clear throat]、[cough]、[yawn]。应放置在人类实际发声的位置。

• 无需标签也可实现文本控制

大写单词可强调（I told you NOT to do that），部分大写可强调音节（AbsoLUTEly）。标点符号影响朗读节奏：句号为完整停顿，逗号为短暂停顿，省略号表示犹豫拖长。每句最多强调一两个词。

• 处理 LLM 输出时务必规范化

LLM 输出常包含数字、日期、货币、Markdown 格式。启用 settings.textNormalization: true（Inworld）可将 $1,249.99 展开为“一千二百四十九美元九十九美分”，将 3:45 PM 展开为“三点四十五分 PM”。也可在 LLM 系统提示中要求其输出口语化文本并禁止使用 Markdown（参见 TTS-2 的 LLM 系统提示指南）。日期规范化可能存在歧义，关键场景建议手动处理。

• 根据用途匹配填充词

“Uh”、“um”、“well”等填充词可让旁白更有人味，但在专业 IVR 或客服系统中会显得不连贯。用于非正式叙述时可保留，用于正式旁白则应剔除。

• 避免内容冲突

标签必须与内容一致。在悲伤段落使用 [sound happy] 会造成矛盾，降低语音质量。保持每个标签内部逻辑统一。例如 [whisper] 与 [very loud] 明显冲突。

• 专用于特殊发音的覆盖机制

Fish S2.1 Pro 支持使用 CMU Arpabet 语音标注，在 <|phoneme_start|> 与 <|phoneme_end|> 之间指定发音，适用于同音异义词、品牌名、专业术语等。此功能需配合 settings.normalize: false 使用。仅在模型确实发音错误时才启用。

• 多人对话场景请使用其他技能

本技能不适用于多角色对话。如需多说话人音频，请参考 dialogue-audio。如需非预设声音（如特定人物或品牌声音克隆），请参考 voice-cloning。

内联标签模式

• 情感与引导标签具有延续性。 在文本前放置 [bracket] 标签，将对后续内容持续生效，直到遇到下一个标签或输入结束。仅在情绪发生变化时添加新标签，而非每句话都添加。
• 非语言表达按位置插入。 Fish 使用 (cue) 括号（如 (break)、(breath)、(sigh)），需设置 settings.normalize: false。Inworld 使用内联的 [non-verbal] 方括号（如 [laugh]、[sigh]、[breathe]）。应根据人类自然表达的位置进行放置。
• 文本标准化开关。 Inworld 的 settings.textNormalization: true 会将原始数字、日期和价格展开为口语化表达。Fish 的 settings.normalize（默认为 true）在使用 (cues) 和 <|phoneme|> 覆盖时必须设为 false，否则这些标记会被移除。
• 参考 references/examples.md 获取完整示例（情感广告配音、已归一化的解说、品牌IVR语音）。

重要参数

• speech.text: 语音脚本，包含内联的 [bracket] 引导标签及任何非语言表达提示。必填。
• speech.voice: 语音ID或预设名称。不同语音对相同引导标签的响应强度不同，因此应先选定语音，再调整标签以适配。
• speech.language: 在模型支持的语言场景中（如 Qwen、部分 Inworld 地区）设置，以确保发音准确。
• settings.textNormalization（Inworld TTS-2）：true 表示将原始文本中的数字、日期、缩写展开为口语形式。
• settings.normalize（Fish S2.1 Pro）：使用 (cues) 或 <|phoneme|> 覆盖时必须设为 false，否则这些标记会被过滤掉。
• positivePrompt（Qwen CustomVoice）：可选的风格/情绪提示，例如 "用极大的热情说话"。
• 请以实时 Schema（runware-run）为准确认字段名。不同模型的括号标签与非语言表达语法存在差异，切勿直接将一种模型的提示迁移到另一种模型，务必核对。

质量标准

• 语音读出符合需求：情绪、语速与能量匹配使用场景（如平静有声书、活泼广告、中性IVR）。
• 引导标签正确延续，仅在脚本情绪变化处切换，避免每句都加标签（过度标注会导致语音不自然、抖动）。
• 数字、日期、价格和缩写均以清晰口语方式读出，而非直接念出原始符号（需开启归一化或预先展开）。
• 标签不自相矛盾。非语言表达与音素覆盖仅在 Fish 模型关闭归一化时使用。强调应适度，避免滥用。
• 音频为异步生成，从 audioURL 读取。若出现误读、语速过快或情绪不符，需重试相关片段。

相关技能

runware-run, runware-models, runware-prompting; dialogue-audio（单次生成多角色对话）、voice-cloning（自定义或克隆声音）、talking-avatar（用语音驱动面部动画）、ugc-ad（在完整广告中嵌入语音配音）。