Marketing & content · Conversion & formats
indextts
/indextts
使用本机 IndexTTS2.5 进行参考音色文字转语音、情感配音、时长系数调整与 WAV 导出。用户指定 IndexTTS、本地文字转语音或本插件时使用;不用于音乐生成或现有音频剪辑。
- Author
- YZ2020CHINA ↗
- Repository
- indextts-mcp ↗
- Licence
- MIT
- Last repository change
- 11.11.2026
Assessment and security
88/ 100Class: good
Format25 / 25
Frontmatter with name and description, valid name, description up to 1,024 characters, name matching the folder.
Discoverability25 / 25
Description explains when to use the skill, has a reasonable length and uses third person.
Content25 / 35
At least 150 words and at most 500 lines, headings, step lists, examples or code.
Hygiene13 / 15
No placeholders such as TODO, no Windows paths, with a licence.
Riskno signals detected in the scan
- Files in this package
- 4
- Scripts
- 0
- HTML comments
- 0
- URLs in SKILL.md
- 0
Deprecation
No signals detected. Repository changed on 11.11.2026, without references to retired models or APIs.
Licence
MIT, open: use and modify while retaining author attribution.
What it does and when to use it
使用本机 IndexTTS2.5 进行参考音色文字转语音、情感配音、时长系数调整与 WAV 导出。用户指定 IndexTTS、本地文字转语音或本插件时使用;不用于音乐生成或现有音频剪辑。
Original author description
使用本机 IndexTTS2.5 进行参考音色文字转语音、情感配音、时长系数调整与 WAV 导出。用户指定 IndexTTS、本地文字转语音或本插件时使用;不用于音乐生成或现有音频剪辑。
How it works
- 操作流程
- 情感与节奏
- 发音和高级参数
- 路径与生命周期
Original SKILL.md headings · 45 lines, 169 words
SKILL.md preview
---
name: indextts
description: 使用本机 IndexTTS2.5 进行参考音色文字转语音、情感配音、时长系数调整与 WAV 导出。用户指定 IndexTTS、本地文字转语音或本插件时使用;不用于音乐生成或现有音频剪辑。
---
# 粉红小鸟 · 本地配音
使用 `indextts_*` MCP 工具操作本机程序。模型与用户音频留在本地;首次生成前需加载模型。不要把安装成功、任务排队或模型加载成功描述为语音生成成功。
## 操作流程
1. 调用 `indextts_environment` 查看安装、模型缺失、语言和当前状态。默认安装为 `D:\IndexTTS2.5`,以工具返回为准。文件缺失时报告具体路径,不自动下载或替换模型。
2. 离线时调用 `indextts_start` 一次,再通过 `indextts_status` 查询。`phase=loading` 时等待并隔一段时间查询,不重复启动。`phase=failed` 时读取返回的 backend.log 找出原因;不要循环重启。
3. 先用 `indextts_references` 发现插件命名音色、WebUI预设(返回 `voices`)与自带示例。已收录用户指定的“哈基米”,直接用 `voice="哈基米"`。同名时插件音色优先;WebUI预设只提供音色参考,不自动套用其情感或采样设置。只有指定音色不在列表且没有参考时,才询问音频位置。支持 WAV、MP3、FLAC、M4A、OGG;建议清晰单人、无伴奏片段。官方模型只使用参考音频前15秒。
4. 调用 `indextts_generate`,传 `text`,并在 `voice`(命名音色)和 `reference_audio`(绝对路径)中选一个。中文默认 `language=ZH`。例如 `{"text":"今天也是美好的一天","voice":"哈基米","language":"ZH"}`。其他界面语言代码为 `EN/JA/AR/ES`。不要自动翻译原文。
5. 保存返回的 `job_id`,用 `indextts_job` 查询 queued/running/succeeded/failed,`stage` 为真实模型阶段、`progress` 为阶段值,长文本分段时可能重置,不代表整体完成百分比或ETA。`elapsed_seconds` 为运行耗时,成功后 `rtf` 为耗时/音频时长。失败时根据具体错误修复,最多进行一次有明确依据的重试;不盲目重复生成。
6. 成功后用返回的绝对 WAV 路径交付可播放音频,并说明所用音色、语言和时长。Codex 支持 ``。成功依据是工具验证后的实际非空 WAV。
## 情感与节奏
- `emotion_audio`、`emotion_vector`、`emotion_text` 三选一;缺省沿用音色参考的情感。
- 八维向量顺序:喜、怒、哀、惧、厌恶、低落、惊喜、平静。每项 0–1;后台会按原程序方法应用偏置并把总强度归一到不超过 0.8。
- `emotion_weight` 为 0–1,默认 0.65;语气过重时降低它。
- `emotion_text` 需要 `config.json` 中启用 `use_qwen_emo` 并重启后台,消耗额外显存。本机约 10GB 显存,默认关闭;可用向量或情感参考音频实现情感控制。
- 传 `use_emotion_text=true` 且省略 `emotion_text`,可按官方API从朗读文本自动推断情感,同样要求QwenEmotion。显式 `emotion_text` 会自动启用该模式;文本模式不能再与向量/情感音频混用。官方建议文本情感权重约0.6或更低;`random_emotion=true` 会降低音色克隆保真度,保持默认false,除非用户想要随机变化。
- `duration_factor` 为 0.5–2,越大通常越慢;只近似控制时长。需要精确秒数时先生成并检查实际长度,再决定是否调整,不承诺精确时长。
- 默认分段为 120 tokens,长文本由模型分段。低显存或内存错误时减少文本长度、分段 token 或 beams,先确认同一显卡上是否有其他模型占用。
- `seed` 帮助复现,GPU 不保证逐字节一致。
## 发音和高级参数
保留用户提供的 `<文字|发音>`,不要自行删改注解。官方支持中文拼音(如 `银<行|HANG2>`)、英文CMU音素(如 `<minute|M IH1 . N AH0 T>`)、日语假名(如 `<上手|じょうず>`)。仅在用户指定发音或确有多音字问题时添加,遵循所选语言。
`interval_silence_ms` 控制模型分段之间的静音(默认200ms),不能凭它给每个标点设置精确停顿。`text_normalization` 默认true,朗读数字、日期时通常保留。`do_sample` 默认true;高级选项包括 `length_penalty`、`repetition_penalty`、`max_mel_tokens`。后两者和分段token会在提交时检查实际模型容量。不要只提高输出token来解决超长稿;先看文本分段和是否有截断证据。加速选项保持本机已验证设置,不默认开启DeepSpeed或编译扩展。
本机整合包与官方版本有差异:官方传递 `do_sample` 开关,本机代码却写死true。后台会检测 `runtime.sampling_switch_supported`,不支持时拒绝 `do_sample=false`,不会伪称已关闭随机采样。生成结果的 `possibly_truncated=true` 或 `warnings` 提到max_mel_tokens时,要告知用户可能截断,不能只因WAV非空就声称完整朗读。
用户说“添加/记住这个音色”时,用 `indextts_register_voice(name,reference_audio,description)` 保存一份到插件 `voices/`,随后按名字使用;已存在名称会拒绝覆盖。注册即时生效,分享包需要重新构建才包含新参考。只在用户要求添加时注册,普通一次配音直接引用路径。
## 路径与生命周期
运行目录由 `INDEXTTS_MCP_HOME` 指向的项目决定。命名音色在 `voices.json` 注册,对应音频存放 `voices/`;哈基米已复制到 `voices/hajimi.wav`,不依赖原预设目录。音频在 `outputs/`,任务在 `.state/jobs/`,日志在 `.state/backend.log`。插件缓存不保存运行状态和产出。配置修改后需后台重启才生效,已加载的 MCP 配置也可能需要新聊天。
用户请求释放显存或结束语音工作时调用 `indextts_stop`。它仅关闭本插件带认证的后台,并拒绝在加载或任务执行中停止。不要结束其他 Python 或 IndexTTS WebUI 进程。该后台与 WebUI 分别加载模型;显存不足时先说明占用并让用户关闭其不用的实例。
`indextts_status.version_matches=false` 表示后台仍是旧版本;空闲时停止再启动后使用新功能,忙碌时先等待已有任务。`runtime` 包含实际设备、精度、低显存模式和模型token上限。
若 MCP 工具尚未加载,安装插件后开新聊天。排查安装方法见插件根目录 README.md;可用项目 `server.py --call indextts_status` 验证桥接本身,但不要声称当前聊天已获得未注入的工具。
Files in this package (4)
- SKILL.md 6 KB
- agents/openai.yaml 1 KB
- assets/icon.png 25 KB
- assets/logo.png 776 KB
Versions
The database has no other skills named indextts.
Database snapshot: 13.11.2026 · package version 0bbf2b4fd1cf (SHA-256 digest of the entire package)
Downloads in the last 30 days: 0 · ranking
Report a problem with this skill: harmful content, incorrect descriptions or an author’s removal request.
Similar skills
- 95tts
Speak a text aloud with Qwen3-TTS, a machine learning model for text to speech, in a voice described in words, and get a WAV file. Use it to read a text out, to make narration or a voice-over, or to check that the model runs on this machine. - 100video-voiceover
把带时间戳的 narration.json 合成为中文解说音频。使用 MiMo TTS(mimo-v2.5-tts)或 Fish Audio(s2.1-pro-free)或显式配置的通用 IndexTTS HTTP 服务逐段生成语音, 按时间窗动态适配语速并处理响度;输入输出时间线上的旁白,产出 tts_segments 与 tts_meta.json。 外发说明:每段旁白文字会发给所选 TTS 服务(MiMo / Fish Audio / 用户自托管的 IndexTTS),--voice-ref 的参考音频会发给 MiMo。 另含实验性的英译中… - 100video-production
把文案做成带旁白与中英双语字幕的成片:TTS(ModelVerse IndexTTS-2 逐句合成)、ASR(FunASR 验音 / faster-whisper 得时间戳)、字幕对齐、HyperFrames 分段渲染与 ffmpeg 拼接、画面设计走 victor-design。当用户要求「做个视频 / 生成视频 / 出攻略视频 / 配旁白 / 加字幕 / 口播稿转字幕 / 已有音频切时间轴 / 视频渲染太慢要分段」时使用。 - 90create-image-audio
Create AI-generated image or text-to-speech audio files and return local file paths. Use when the user asks to generate raster visuals such as icons, thumbnails, covers, mockups, or posters, or asks to turn plain text into audio formats such as mp3 or wav. - 98speech-synthesis
将文本转换为高质量语音,支持多语言、多种音色,可调节语速、音调和音量,并生成字幕,输出MP3音频文件。当你需要朗读文本(比如文章、消息)、为视频或演示文稿生成配音,或直接提到“TTS”、“文字转语音”、“配音”、“朗读”时,就会使用这个技能。 - 100voice
Turn text, scripts and documents into natural speech, clone the user's own voice, or transcribe recordings, with Voice by Conversion Tools. Use when the user wants narration, a voice-over, an audio version of a document, a podcast or YouTube script read aloud, speech in their…