声音克隆配音

用本人语音样本克隆音色，再合成任意文案。走云端 provider（用户自备 key），本地无需 GPU。 全部走 skills/shared/scripts/voice_clone.py。

不想克隆、用现成公共音色见 tts-voiceover（edge-tts，免费无需 key）； AI 生成音乐/BGM 见 ai-music；合成后与 BGM 混音见 audio-mix。

前置：配置 API key

配置检查路径铁律：先 cd 到 AGENTS.md 末尾给出的 Easel 项目根，确认当前目录有 .env 和 skills/shared/scripts/，再运行注册表、check、enroll 或 clone。不得改用 workspace 的 ./shared/scripts/...，也不得以 env / printenv 没显示变量为由判断 VOICE_BASE_URL/Key 缺失。check 支持时显式传 --env-file .env。

选 provider 并在 .env 填 key，再 check 离线校验：

python skills/shared/scripts/voice_clone.py check --provider minimax --env-file .env

provider	服务	.env 需配
dashscope	阿里 CosyVoice 声音复刻	DASHSCOPE_API_KEY（可选 DASHSCOPE_TTS_MODEL/DASHSCOPE_BASE_URL）
minimax	MiniMax 语音克隆	MINIMAX_API_KEY、MINIMAX_GROUP_ID（可选 MINIMAX_MODEL）
fish-audio	Fish Audio	FISH_API_KEY（可选 FISH_BASE_URL）
openai-compatible	OpenAI 兼容 /audio/speech	VOICE_API_KEY、VOICE_BASE_URL（预置 voice，非零样本克隆）
gemini	Google Gemini TTS	GEMINI_API_KEY（可选 GEMINI_TTS_MODEL/GEMINI_VOICE/GEMINI_BASE_URL）

⚠️ 各 provider 依公开 API 文档实现，端点/模型名可用 env 覆盖以适配实际参数。

执行前先跑 model_registry.py configured --group voice --env-file .env。只有一个可用时显式选择；多个可用且用户没点名时，列出 provider/模型询问本次使用哪个，不按 VOICE_PROVIDER 擅自选择。

输入

字段	必填	说明
语音样本	克隆时必填	本人清晰无噪的语音（一般 10s-1min，具体看 provider 要求）
文案	合成时必填	要用克隆音色说出来的文字

输出（outputs/主题名/）

• 合成的语音音频（mp3/wav）

执行步骤

脚本路径（相对项目根）：skills/shared/scripts/voice_clone.py（各子命令支持 -h）。

1. 登记音色（enroll，得到 voice_id）

# minimax：上传样本文件
python skills/shared/scripts/voice_clone.py enroll --provider minimax \
  --sample me.mp3 --name my_voice
# dashscope：用公网可访问的样本 URL
python skills/shared/scripts/voice_clone.py enroll --provider dashscope \
  --sample-url https://.../me.wav --name myv

（fish-audio 用已有 model_id 或内联参考音频，openai-compatible 用预置 voice 名，无需 enroll。）

2. 合成（clone）

python skills/shared/scripts/voice_clone.py clone --provider minimax \
  --voice-id my_voice --text "大家好，欢迎来到我的频道" --speed 1.0 \
  -o outputs/主题名/vo.mp3

fish-audio 也可直接给参考音频：--sample ref.mp3 --sample-text "参考音频的文字"。

合规红线（必须遵守）

1. 只能克隆你有权使用的声音（本人，或已获明确授权的人）。
2. 不得克隆他人/名人声音用于误导、诈骗、冒充、伪造。
3. 合成内容不得用于虚假信息或侵权用途。 —— 越线不做，并向用户说明。

规则

1. 样本质量决定克隆效果：清晰、无背景噪、语气自然、时长足够。
2. 先 check 确认 key，再 enroll，再 clone。
3. 合成语音可接 audio-mix 加 BGM、接 auto-subtitle 出字幕、接视频。
4. 产物统一进 outputs/主题名/。

参考来源

主流声音克隆云服务：阿里 CosyVoice（声音复刻）、MiniMax（语音克隆 + T2A）、Fish Audio、 OpenAI 兼容 TTS。本地零样本克隆（GPT-SoVITS/CosyVoice 本地）需 GPU，故走云端 provider。