DubbingX TTS 配音技能

通过 DubbingX 智声云配 API 为角色台词生成高质量 TTS 配音音频。

基础路径

本 skill 的脚本位于: {SKILL_DIR}/scripts/

前置依赖

pip install requests

认证配置

脚本需要 DubbingX 平台的 API Key，在环境变量中配置：

• DUBBINGX_API_KEY: DubbingX API Key

API Key 在 DubbingX 客户端中生成。如未配置环境变量，可通过 --api-key 参数传入。

工作流程

第一步：查询音色列表

运行 list_voices.py 筛选合适音色：

python {SKILL_DIR}/scripts/list_voices.py --grade premium --gender 1 --age-group 青年
python {SKILL_DIR}/scripts/list_voices.py --grade premium --gender 0 --age-group 青年

参数说明：

• --grade: premium(全情绪) / ordinary(单情绪) / custom(多情绪)
• --gender: 0(女) / 1(男)
• --age-group: 孩童/少年/青年/中年/老年
• --keyword: 关键字搜索

用户确认每个角色对应的 voiceId 后，进入下一步。

第二步：单条试听（可选）

使用 generate_tts.py 生成单条台词试听：

python {SKILL_DIR}/scripts/generate_tts.py \
  --voice-id 30002 \
  --text "都交给我。" \
  --emotion "常规-日常说话-2" \
  --language zh \
  --format mp3

参数说明：

• --voice-id: 音色 ID（从 list_voices.py 获取）
• --text: 台词文本，支持 停顿标签和 段 音素标注
• --emotion: 情绪格式，全情绪音色为 类型-风格-档位（如 常规-日常说话-3），详见 emotion-map.md
• --language: zh/en/jp/yue
• --audio-speed: 语速 0.7-1.3，默认 1.0
• --audio-pitch: 语调 0.7-1.3，默认 1.0
• --format: wav/mp3，默认 mp3

脚本返回 task_id，然后用 query_tts.py 查询和下载。

第三步：查询与下载

# 单个任务
python {SKILL_DIR}/scripts/query_tts.py \
  --task-id <TASK_ID> --output-dir ./output/

# 批量任务（传入 task_map.json）
python {SKILL_DIR}/scripts/query_tts.py \
  --task-map task_map.json --output-dir ./output/

• 状态 Completed: 自动下载音频
• 状态 Generating/Ready: 提示等待
• 状态 Failed: 显示错误

第四步：批量配音

准备 JSON 配置文件，格式如下：

{
  "voice_map": {
    "红狼": {"voice_id": "30002", "language": "zh"},
    "露娜": {"voice_id": "30010", "language": "zh"},
    "牧羊人": {"voice_id": "30005", "language": "zh"}
  },
  "dialogues": [
    {
      "shot_id": "E1-S1-03",
      "character": "红狼",
      "emotion": "常规-日常说话-2",
      "text": "都交给我。"
    }
  ]
}

运行批量生成：

python {SKILL_DIR}/scripts/batch_generate.py \
  --config dialogue_config.json \
  --output-dir ./赛博朋克/配音/

脚本会输出 task_map.json，用 query_tts.py --task-map 批量下载。

情绪映射

详见 references/emotion-map.md。

DubbingX 全情绪音色支持 8 大类情绪（常规/开心/恐惧/厌恶/惊喜/生气/悲伤/哭泣），每类有多种风格，全情绪音色支持 1-5 档强度。格式为 类型-风格-档位，如 开心-大声-4。

注意事项

1. 异步 API 提交后需要轮询状态，通常几秒内完成
2. 全情绪（premium）音色效果最好，支持丰富情绪控制
3. V4 版本模型支持 emotionCustom 参数，可用自然语言描述情绪
4. 文本中的停顿使用 标签控制，最长 20 秒