# speech换了嗓子：声音线四月对账 ## 概述 ## 评测对比表 声音线九件，判例分照录各期存档原文，口径不同处如实并陈、不充任裁判： | 件 | 工位 | 存档判例 | 口径 | 判例出处 | 本机 | |---|---|---|---|---|:---:| | transcribe | 进料转写 | **4.0** | 标准五维加权 | 10-01 定场诗期（装机盘实读） | 已装 | | speech | 出料配音 | **4.12** | 四维归一（社区无数据） | 09-30 出口期（正文实读） | 已装 | | speech（旧账） | 出料配音 | 五维 4/5/3/4/5 | 变现训练营加权 | 05-19 音频期 | — | | podcast（sgasser） | 纯音频 | **4.3** | 变现训练营加权 | 05-23 七引擎期 | 未装 | | ai-podcast-creation | 纯音频 | 五维 5/3/5/4/4 | 变现训练营加权 | 05-19 音频期 | 未装 | | ElevenLabs MCP | 商业 TTS | 五维 5/3/5/3/5 | 变现训练营加权 | 05-19 音频期 | 未装 | | DigitalSamba Toolkit | 配音工程 | **4.5** | 变现训练营加权 | 06-13 视频七引擎期 | 未装 | | course-video-maker-zh | 绕行出片 | **4.3** | 九引擎横评口径 | 06-11 知识变现期 | 已装 | | content-to-video | 绕行出片 | **4.0** | 变现训练营加权 | 05-23 七引擎期 | 未装※ | | openstoryline | 成片旁白 | **3.10 / 3.40 / 4.40** | 三账并陈 | 09-12 / 09-13 / 09-18 | 已装（分体双件） | ## 一、静默换代：四个月里，两件主力换了引擎 这是本期最重要的对账发现，先单独交代。**转写侧**：5 月 19 日的存档里，transcribe 底层是 OpenAI Whisper API，$0.006/分钟、WER 5.2%，卖点是可以拖入音频零学习成本；今天装机盘上实读到的正文，默认模型已经换成 `gpt-4o-mini-transcribe` 快速出纯文本，要说话人标签才切 `gpt-4o-transcribe-diarize` 出带分轨的 JSON。**配音侧**：5 月的 speech 是 tts-1 加 alloy、echo、fable、onyx、nova、shimmer 六音色；9 月 30 日实读的正文已钉死在 `gpt-4o-mini-tts-2025-12-15`，音色只认内置的 cedar 和 marin，且 `instructions` 参数只有新模型支持。09-30 期那句判词是这条线的共同判词：**旧文章的成本账，不能直接抄到今天**——tts-1 时代每百万字符 15 美元的老价目，和今天正文的参数集已经不是一套东西。这条线四个月最大的新闻不在榜单上，在引擎舱里。 ## 二、transcribe：进料口的确定性包装（4.0） 今天凌晨拿到首个五维判例的进料件。它的开篇立场是声音线里最硬的一条：「Prefer the bundled CLI for deterministic, repeatable runs」——能用脚本就不许即兴。整份 SKILL.md 是三段决策规则：默认快速出纯文本；用户要说话人标签才升级到分轨 JSON；音频超过约 30 秒保留 `--chunking-strategy auto`。连「已知说话人」都支持注册参考音频，上限四人，`--known-speaker` 一行一个。密钥纪律写得毫不含糊：缺 `OPENAI_API_KEY` 就让用户本地自己设，特别注明「Never ask the user to paste the full key in chat」。短板也实在：没有本地兜底，断网或无密钥整条产线停摆；音频终归要上传 OpenAI，对数据出境敏感的环境不适用。和 5 月那笔「本地 WhisperX 每小时 2 美分、18 倍成本优势」的旧账并排看，进化的是工程质量，没变的是这条线对云端的依赖。 ## 三、speech：把念稿拆成给演员说戏（4.12） 设计分全场最高的一件，09-30 期给它立的物种名叫「导演型」。开头第一段就是决策树——用户给多行就是批量，批量走 tmp/speech/ 下的 JSONL，一行一个活，跑完即删。全桌面最讲究的提示词工程是一段「增强合同」：用户说「给演示配音」，你可以补上稳节奏、友好语气这类**隐含**约束，但明文禁止发明用户没要的新人设、新口音、新情绪。指导音色给了一个八行标签模板：Voice Affect、Tone、Pacing、Emotion、Pronunciation、Pauses、Emphasis、Delivery，一行一条，避免互相打架。安全纪律是三档分级里最严的一档：单次输入不超 4096 字符、每分钟请求封顶 50、必须走官方 SDK、重要配音做可懂度节奏发音三验收、对终端用户要披露这是 AI 生成的声音。上手分因此垫底：要密钥、要装包、按字符付费。 ## 四、纯音频位的三条路线 这个工位上，5 月的实测摆开了三种活法。**零 API 派**：sgasser 的 podcast 件（4.3，800+ 星）用浏览器原生 TTS，流程是文本→脚本结构化（自动加语气词、停顿标记、情绪标签）→角色分配（支持双人对谈）→浏览器合成。它赌的是零成本零配置，代价 05-23 期写得直白：声音的「AI 味」仍可感知，且主要面向英文。**开源引擎派**：inference-sh 的 ai-podcast-creation 用 Kokoro、DIA 两款开源 TTS 支持多角色，选题到混音端到端，一集 15 分钟总成本 $0.17-0.62，是当年「播客即服务」模式（$200-800/月/客户）的成本底座。**商业 API 派**：ElevenLabs MCP 五维里功能、变现、社区三个五星，29 种语言加声音克隆加音效生成，能力天花板；但 Creator 档 $22/月的额度只够约 20 分钟音频，当年算出的结论是 Scale 档 $330/月才够每周一期播客——高价把单人创作者挡在外面，把生意留给代工。 ## 五、配音工程位：DigitalSamba 的迭代说戏（4.5） 声音线里唯一把「配音当工程」做的套件。DigitalSamba Video Toolkit 在 06-13 期拿 4.5，仅次于 Remotion，靠的不是某个引擎，而是一条**迭代式配音工作流**：生成→试听→定位发音/节奏问题→调整音标→重新生成，多轮迭代——这是把 TTS 最常见的痛点（发音不准、节奏不对）变成了 Claude 可以自动修复的闭环。引擎上集成 ElevenLabs 和 Qwen3-TTS 双栈，SSML 精确控制停顿语速，底层 FFmpeg 编排拼接转码烧字幕。代价是配置：FFmpeg 加 API Key 加可选 TTS 配置，初次设置 30-60 分钟。值得注意的是 Qwen3-TTS 的位置——它意味着**中文配音的商用级引擎在 6 月已经进了套件**，这对下一节的空白判词是个关键修正。 ## 六、绕行派：为什么字幕打赢了嗓子 ## 七、成片旁白位：openstoryline 的三本账（3.10/3.40/4.40） 今天凌晨刚销账的分体件。三次开分横跨 1.3 星：新星语境 3.10、件型梯度语境 3.40、装机侧 4.40（形态成熟度满星）——09-30 期方法论的原话是「分差不是翻案，是换尺」。它的 install/use 双件结构（use 件里甚至有一份产出后直接推进飞书的交接脚本）被 09-15 期评为「全清单里我最愿意让初学者抄的一对门牌」。放进声音线里看，它的实战分被一件事压着：**全栏至今没有任何一篇实测过它的出片质量**——旁白位的成品验收，和配音位的三验收纪律比，还是空白。 ## 一张图：声音线合龙 ```mermaid flowchart TD A["原始音频
录音或节目"] --> B["transcribe 转写
4.0"] B --> C["文稿加时间戳"] C --> D["speech 配音
4.12"] C --> E["podcast 双人对谈
4.3"] C --> F["ai-podcast-creation
端到端播客"] C --> G["slides.json 中间格式"] D --> H["成品音频"] E --> H F --> H G --> I["content-to-video
配音加字幕 4.0"] H --> J["音频平台分发"] I --> K["视频平台分发"] K --> L["openstoryline 旁白成片
三账并陈"] ``` ## 三个发现 **第二，中文 TTS 的空白位移了，但没消失。**5 月的判词是「质量瓶颈」，6 月 Qwen3-TTS 进了 DigitalSamba 套件，说明商用级中文引擎已经可用；但四个窗口复核下来，**独立的中文 TTS 单件供给仍然为零**——中文配音今天活在套件里（DigitalSamba）、活在水线里（course-video-maker-zh）、活在字幕里（绕行派），就是没有一个单件以此为业。这和翻译位「市场端零星、装机端有王」的错位互为镜像：不是没人要，是没人单做。 **第三，同名件是声音线的暗坑。**对账时撞出一件往事：05-19 期实测的 content-repurposer 来自 beginnersinai，05-23 期的判例来自 OneWave-AI——同名双源、安装命令各异，本机在架的※是哪一个，注册表门牌不写。声音线里 speech、transcribe、podcast 全是常见词门牌，装前先问来源仓库，别拿判例分给错的件背书。 ## 安装/使用命令 ```bash # —— 以下命令均照录存档原文，口径日期随行标注 —— # 05-19 存档口径（npx skills install 语法） npx skills install audio-transcriber # ericgandrade/claude-superskills，本地 WhisperX+CUDA npx skills install ai-podcast-creation # inference-sh/skills，Kokoro/DIA 开源多角色 npx skills install transcription-automation # claude-office-skills，三引擎批处理 npx @anthropic/mcp add elevenlabs # ElevenLabs 官方 MCP，29 语言+克隆 # 05-23 / 06-13 存档口径（npx skills add 语法） npx skills add sgasser/claude-skill-podcast # 浏览器 TTS 双人播客，零 API npx skills add digitalsamba/claude-code-video-toolkit # ElevenLabs+Qwen3-TTS 迭代配音 # speech / transcribe：本机装机件，公开仓库未核验，只推荐整机搬运 cp -r ~/.claude/skills/speech ~/backup/skills/ && cp -r ~/.claude/skills/transcribe ~/backup/skills/ ``` ## 推荐排行榜 | 榜单 | 第一名 | 理由 | |---|---|---| | 设计之王 | speech（4.12） | 导演型合同加八行标签模板，全桌面最讲究的提示词工程 | | 进料之王 | transcribe（4.0） | 确定性 CLI 纪律，声音线唯一今天仍在迭代判例的件 | | 配音工程之王 | DigitalSamba Toolkit（4.5） | 迭代说戏闭环，中文商用引擎进套件的第一例 | | 性价比之王 | ai-podcast-creation | $0.17-0.62 一集，开源双引擎扛住播客代工成本 | | 纯音频位在榜独苗 | podcast（sgasser，4.3） | 零 API 派唯一过四分线，代价是 AI 味与英文主场 | | 绕行派出货王 | course-video-maker-zh（4.3） | 50K Token 一课，交付完整度换掉的嗓子 | | 口径最宽 | openstoryline（3.10~4.40） | 1.3 星分差是换尺不是翻案，出片质量至今无人实测 | | 空位告示 | 独立中文 TTS 单件 | 四窗口零供给，套件和水线都在，单件缺席 | ## 参考来源 1. [本站存档：音频内容Skills实测：TTS到播客全链路成本拆解（2026-05-19）](docs/claude-code/skills-review/2026-05-19-skills-ecosystem-r4-0943.md) — 声音线基线账：tts-1 六音色、Whisper $0.006/分钟、ElevenLabs 档位表、全本地栈 $6.64/月成本模型 2. [本站存档：进料口对完账，出口还空着（2026-09-30）](docs/claude-code/skills-review/2026-09-30-skills-ecosystem-r4-2220.md) — speech 4.12 判例、换代对账（tts-1→gpt-4o-mini-tts、六音色→cedar/marin）、安全三档分级 3. [本站存档：多模态内容变形七引擎实测（2026-05-23）](docs/claude-code/skills-review/2026-05-23-skills-ecosystem-r4-2029.md) — podcast 4.3、content-to-video 4.0、txt-to-video 4.1、book-to-short-videos 3.9 与中文 TTS 瓶颈判词（发现四） 4. [本站存档：AI视频生成到代码渲染七大引擎横评（2026-06-13）](docs/claude-code/skills-review/2026-06-13-skills-ecosystem-r3-0606.md) — DigitalSamba Toolkit 4.5、ElevenLabs+Qwen3-TTS 双栈与迭代式配音工作流 5. [本站存档：知识变现流水线：教育Skills九引擎实测（2026-06-11）](docs/claude-code/skills-review/2026-06-11-skills-ecosystem-r2-1513.md) — course-video-maker-zh 4.3 与 50K Token 多轮配音成本 6. [本站存档：先来首定场诗：六件内容产线横评（2026-10-01）](output/2026-10-01/skills-ecosystem-r4-0229.md) — transcribe 4.0 首判、gpt-4o-mini-transcribe 决策树与密钥纪律（装机盘一手实读） 7. [本站存档：拆openstoryline：一张门牌拆两半（2026-10-01）](output/2026-10-01/skills-ecosystem-r2-0348.md) — openstoryline 三账并陈（3.10/3.40/4.40）与分体家族对照 8. [本站存档：Q3收官对账：内容办公件沉浮录（2026-09-27）](docs/claude-code/skills-review/2026-09-27-skills-ecosystem-r4-1642.md) — 停摆三窗口复核与「分差叫口径宽」方法论 9. [sgasser/claude-skill-podcast](https://github.com/sgasser/claude-skill-podcast)、[digitalsamba/claude-code-video-toolkit](https://github.com/digitalsamba/claude-code-video-toolkit)、[elevenlabs/elevenlabs-mcp](https://github.com/elevenlabs/elevenlabs-mcp)、[beginnersinai/content-repurposer](https://github.com/beginnersinai/content-repurposer) — 仓库地址转引自各期存档原文，本期未访问核验 > [!tip] 51学通信知识星球 > **星主：爱卫生**（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 > **星球定位**：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 > **当前规模**：5200 篇主题 / 990 个回答，198 元/年。 > **加入福利**：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 > **AI 加持**：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。