Loading...
Loading...
共找到 112 个 Skills
使用StepFun的stepaudio-2.5-asr进行音频转写——这是一个SSE端点（而非/v1/audio/transcriptions），具备32K上下文窗口，长音频处理速度约为实时速度的85-101倍（RTF），单次调用上限约为30分钟（无需客户端分片）。适用于以下场景：使用StepFun进行中英音频转写、需要通过单次请求处理5-30分钟的长时长录音、从step-asr/step-asr-1.1迁移时，或是遇到误导性错误`model stepaudio-2.5-asr not supported`（实际表示端点错误）时。触发关键词：阶跃ASR、StepFun ASR、stepaudio-2.5-asr、转录、语音识别、长音频转写、语音转文字。如需使用同系列的stepaudio-2.5-tts模型进行TTS（文本转语音），请改用stepfun-tts技能。
在FrameVideo HTML中创建视频合成、动画、标题卡、叠加层、字幕、旁白、音频响应式视觉效果和场景转场。当需要构建任何基于HTML的视频内容、添加与音频同步的字幕或副标题、生成文本转语音旁白、创建音频响应式动画（节拍同步、发光、随音乐脉动）、添加动画文本高亮（标记扫过、手绘圆圈、爆发线条、涂鸦、草图效果）或添加场景间转场（淡入淡出、擦除、揭示、着色器转场）时使用本技能。涵盖合成创作、时间控制、媒体处理以及完整的视频制作工作流。有关开发循环CLI命令（init、lint、inspect、preview、render）请查看framevideo-cli技能；有关资产预处理命令（tts、transcribe、remove-background）请查看framevideo-media技能；有关Chanjing数字人、OAuth和网站项目合成请查看chanjing-digital-human技能。
通过inference.sh CLI创建AI虚拟形象（AI avatar）和会说话的头部视频。推荐使用：P-Video-Avatar（速度最快、成本最低，内置TTS）。其他可选模型：OmniHuman、Fabric、PixVerse。功能特性：音频驱动虚拟形象、文本生成虚拟形象、唇形同步视频、会说话头部生成、虚拟主持人。适用场景：AI主持人、讲解视频、虚拟网红、配音、营销视频。相关关键词：ai avatar、talking head、lipsync、avatar video、virtual presenter、ai spokesperson、audio driven video、heygen alternative、synthesia alternative、talking avatar、lip sync、video avatar、ai presenter、digital human
使用ElevenLabs API生成AI旁白、音效和音乐。适用于为视频、播客或游戏创建音频内容的场景。可触发的任务包括生成旁白、解说、对话、根据描述生成音效、背景音乐、配乐生成、语音克隆或任何音频合成任务。
万物皆可解释——将想法转化为播客、解说视频或语音旁白。 适用于用户想要「制作播客」「创建解说视频」「朗读这段内容」「生成图片」或以音频/视觉形式分享知识的场景。 支持：主题描述、YouTube链接、文章URL、纯文本和图片提示词。
使用ElevenLabs语音AI将文本转换为语音。适用于从文本生成音频、制作旁白、构建语音应用或在70多种语言中合成语音的场景。
借助Kokoro或Noiz将文本转换为语音，支持简单模式和时间轴对齐模式。
通过填充词、情感调节和预设说话风格，让生成的语音具备同伴般的亲切感。
使用Chanjing TTS API，通过用户提供的声音将文本合成为语音
使用系统TTS（macOS/Linux上的say命令）或通过Chrome DevTools Protocol的浏览器TTS将文本朗读出来。适用场景：(1) 任务完成后需要播报结果；(2) 用户要求朗读内容；(3) 需要音频提醒的通知；(4) 无障碍功能——将内容朗读出来。
使用Chanjing TTS API将文本转换为语音
使用Sarvam AI的Bulbul v3模型将文本转换为自然语音。支持11种印度语言、30+种音色，可处理音频生成、旁白和语音交互场景。支持REST、HTTP流式传输、WebSocket协议以及发音词典功能。适用于将文本转换为有声音频的需求场景。