text-to-speech

此專業技能為使用 Kokoro TTS 引擎實現高品質、即時文字轉語音 (TTS) 系統提供了強大的框架。專為開發 JARVIS 風格 AI 語音助手的開發者所設計，強調離線運作能力、低延遲串流處理以及安全的內容處理機制。該技能引導您完成整個開發生命週期，從模型配置與語音選取，到生產級別的音訊輸出與資源管理，確保在無雲端依賴的情況下高效利用 GPU 與 CPU 資源。

• 部署 Kokoro TTS 並配置語音，以實現自然的韻律控制與多角色語音支援。

• 即時串流合成架構，大幅降低對話介面中的延遲問題。

• 以安全為核心的音訊生成，包含輸入文字過濾，以阻擋敏感資訊及惡意內容。

• 採用 TDD 優先的開發流程，驗證語音合成品質、取樣率與系統穩定性。

• 效能最佳化技術，包含音訊切片 (chunking)、模型快取 (caching) 與非同步執行，確保執行流暢。

• 適用於開發離線優先的語音助手、離線多媒體工具或需要高保真語音的輔助功能之開發者。

• 需要熟悉 Python、NumPy、SoundFile 與 SoundDevice 等硬體層級音訊處理工具。

• 輸入格式支援純文字或 SSML 標記字串；輸出則產生與標準串流緩衝區相容的 WAV 格式音訊。

• 開發限制包含嚴格的輸入驗證以防止過長文字帶來的阻斷服務 (DoS) 攻擊，以及安全的文件系統清理機制，以有效地管理暫存音訊緩衝區。

• 務必遵循安全開發實踐，確保個人可識別資訊 (PII) 不會在測試或生產週期中被意外合成或儲存於日誌中。