Озвучка текста через OpenAI

Превращает текст в озвучку встроенными голосами OpenAI: один фрагмент или пакет файлов для диктора, демо, IVR и чтения вслух.

СкиллOpenAICodexApache-2.0Нужен терминалПроверка не требуется

Скачать на русскомОригинал на английском (архив)Источник ↗

Что делает: Превращает текст в озвучку встроенными голосами OpenAI: один фрагмент или пакет файлов для диктора, демо, IVR и чтения вслух.
Когда брать: Когда нужно озвучить текст, сделать закадровый голос, телефонные подсказки или чтение вслух для доступности.
Когда не брать: Если нужен собственный клонированный голос: создание голосов скилл не поддерживает.
Пример запроса: Озвучь этот текст для демо-ролика тёплым уверенным голосом и сохрани как mp3.
Нужно подключить: терминал, Python, ключ OpenAI API

Как включить

Скачайте архив и распакуйте его.
Положите папку speech в ~/.agents/skills/.
Вызовите скилл командой $speech или найдите его через /skills.

Текст

---
name: "speech"
description: "Используй, когда пользователь просит озвучить текст (дикторский текст или закадровый голос), прочитать текст вслух для доступности, сделать аудиоподсказки или пакетно сгенерировать речь через OpenAI Audio API; запускай входящий в состав CLI (`scripts/text_to_speech.py`) со встроенными голосами и требуй `OPENAI_API_KEY` для реальных вызовов. Создание собственных голосов выходит за рамки скилла."
---

Скилл генерации речи

Генерируй озвучку для текущего проекта (дикторский текст, закадровый голос для демонстрации продукта, подсказки для IVR, чтение вслух для доступности). По умолчанию используются модель gpt-4o-mini-tts-2025-12-15 и встроенные голоса; для детерминированных, воспроизводимых запусков предпочитай входящий в состав CLI.

Когда использовать

Сгенерировать один озвученный фрагмент из текста
Сгенерировать пакет подсказок (много строк, много файлов)

Дерево решений (один фрагмент или пакет)

Если пользователь даёт несколько строк или подсказок либо хочет много результатов -> пакет
Иначе -> один фрагмент

Рабочий процесс

Определи задачу: один фрагмент или пакет (см. дерево решений выше).
Заранее собери входные данные: точный текст (дословно), нужный голос, стиль подачи, формат и любые ограничения.
Если пакет: запиши временный файл JSONL в tmp/ (одно задание на строку), запусти один раз, затем удали JSONL.
Дополни инструкции до короткой размеченной спецификации, не переписывая входной текст.
Запусти входящий в состав CLI (scripts/text_to_speech.py) с разумными значениями по умолчанию (см. references/cli.md).
Для важных фрагментов проверь: разборчивость, темп, произношение и соблюдение ограничений.
Улучшай одним целевым изменением за раз (голос, скорость или инструкции), затем проверяй снова.
Сохрани и верни итоговые результаты и отметь итоговый текст, инструкции и использованные флаги.

Соглашения о временных файлах и результатах

Для промежуточных файлов (например, пакетов JSONL) используй tmp/speech/; по окончании удаляй их.
Итоговые артефакты записывай в output/speech/, когда работаешь в этом репозитории.
Пути результатов задавай через --out или --out-dir; имена файлов делай стабильными и понятными.

Зависимости (установи, если их нет)

Для управления зависимостями предпочитай uv.

Пакеты Python:

uv pip install openai

Если uv недоступен:

python3 -m pip install openai

Окружение

Для реальных вызовов API должна быть задана переменная OPENAI_API_KEY.

Если ключа нет, дай пользователю такие шаги:

Создай ключ API в интерфейсе платформы OpenAI: https://platform.openai.com/api-keys
Задай OPENAI_API_KEY как переменную окружения в своей системе.
При необходимости предложи провести его через настройку переменной окружения для его ОС и оболочки.
Никогда не проси пользователя вставлять ключ целиком в чат. Попроси задать его локально и сообщить, когда будет готово.

Если установка в этом окружении невозможна, сообщи пользователю, какой зависимости не хватает и как установить её локально.

Значения по умолчанию и правила

Используй gpt-4o-mini-tts-2025-12-15, если пользователь не просит другую модель.
Голос по умолчанию: cedar. Если пользователю нужен более яркий тон, предпочитай marin.
Только встроенные голоса. Собственные голоса выходят за рамки этого скилла.
instructions поддерживаются моделями GPT-4o mini TTS, но не tts-1 и не tts-1-hd.
Длина входного текста должна быть не более 4096 символов на запрос. Более длинный текст раздели на части.
Соблюдай ограничение 50 запросов в минуту. CLI ограничивает --rpm значением 50.
Перед любым реальным вызовом API требуй OPENAI_API_KEY.
Чётко сообщай конечным пользователям, что голос сгенерирован ИИ.
Для всех вызовов API используй Python SDK OpenAI (пакет openai); не используй «сырой» HTTP.
Предпочитай входящий в состав CLI (scripts/text_to_speech.py) написанию новых одноразовых скриптов.
Никогда не изменяй scripts/text_to_speech.py. Если чего-то не хватает, спроси пользователя, прежде чем делать что-либо ещё.

Дополнение инструкций

Переформулируй указания пользователя в короткую размеченную спецификацию. Делай явным только то, что подразумевалось; не придумывай новых требований.

Короткое уточнение (дополнение или выдумка):

Если пользователь говорит «дикторский текст для демонстрации», можно добавить подразумеваемые требования к подаче (чёткая речь, ровный темп, дружелюбный тон).
Не вводи новую роль, акцент или эмоциональный стиль, которые пользователь не запрашивал.

Шаблон (включай только нужные строки):

Характер голоса: <общий характер и фактура голоса>
Тон: <отношение, степень официальности, теплота>
Темп: <медленный, ровный, быстрый>
Эмоции: <ключевые эмоции, которые нужно передать>
Произношение: <слова, которые нужно произнести чётко или выделить>
Паузы: <где сделать намеренные паузы>
Акценты: <ключевые слова или фразы, которые нужно подчеркнуть>
Подача: <заметки о каденции или ритме>

Правила дополнения:

Будь краток; добавляй только детали, которые пользователь уже подразумевал или указал в другом месте.
Не переписывай входной текст.
Если не хватает критически важной детали и это мешает результату, задай вопрос; иначе продолжай.

Примеры

Пример одного фрагмента (дикторский текст)

Входной текст: «Добро пожаловать на демонстрацию. Сегодня мы покажем, как это работает».
Инструкции:
Характер голоса: тёплый и собранный.
Тон: дружелюбный и уверенный.
Темп: ровный, умеренный.
Акценты: выдели слова «демонстрацию» и «покажем».

Пример пакета (подсказки для IVR)

{"input":"Thank you for calling. Please hold.","voice":"cedar","response_format":"mp3","out":"hold.mp3"}
{"input":"For sales, press 1. For support, press 2.","voice":"marin","instructions":"Tone: Clear and neutral. Pacing: Slow.","response_format":"wav"}

Лучшие практики составления инструкций (краткий список)

Структурируй указания так: характер -> тон -> темп -> эмоции -> произношение и паузы -> акценты.
Держись 4–8 коротких строк; избегай противоречивых указаний.
Для имён и аббревиатур добавляй подсказки по произношению (например, «произноси А-И по буквам») или давай фонетическую запись прямо в тексте.
При правках и итерациях повторяй неизменные условия (например, «сохраняй ровный темп»), чтобы уменьшить дрейф.
Улучшай по одному изменению за раз.

Другие принципы: references/prompting.md. Готовые к копированию спецификации: references/sample-prompts.md.

Заметки о CLI и окружении

Команды CLI и примеры: references/cli.md
Краткий справочник параметров API: references/audio-api.md
Шаблоны инструкций и примеры: references/voice-directions.md
Если одобрение сети или настройки песочницы мешают работе: references/codex-network.md

Карта справочных материалов

**references/cli.md**: как запускать генерацию речи и пакеты через scripts/text_to_speech.py (команды, флаги, рецепты).
**references/audio-api.md**: параметры API, ограничения, список голосов.
**references/voice-directions.md**: шаблоны инструкций и примеры.
**references/prompting.md**: лучшие практики инструкций (структура, ограничения, шаблоны итераций).
**references/sample-prompts.md**: готовые к копированию рецепты инструкций (только примеры, без лишней теории).
**references/narration.md**: шаблоны и значения по умолчанию для дикторского текста и объяснений.
**references/voiceover.md**: шаблоны и значения по умолчанию для закадрового голоса в демонстрациях продукта.
**references/ivr.md**: шаблоны и значения по умолчанию для IVR и телефонных подсказок.
**references/accessibility.md**: шаблоны и значения по умолчанию для чтения вслух ради доступности.
**references/codex-network.md**: устранение неполадок окружения, песочницы и одобрения сети.

Перевод: iiuniversitet. Оригинал: https://github.com/openai/skills/tree/main/skills/.curated/speech, лицензия Apache-2.0. Изменения: перевод на русский язык.

Оригинал на английском

---
name: "speech"
description: "Use when the user asks for text-to-speech narration or voiceover, accessibility reads, audio prompts, or batch speech generation via the OpenAI Audio API; run the bundled CLI (`scripts/text_to_speech.py`) with built-in voices and require `OPENAI_API_KEY` for live calls. Custom voice creation is out of scope."
---

# Speech Generation Skill

Generate spoken audio for the current project (narration, product demo voiceover, IVR prompts, accessibility reads). Defaults to `gpt-4o-mini-tts-2025-12-15` and built-in voices, and prefers the bundled CLI for deterministic, reproducible runs.

## When to use
- Generate a single spoken clip from text
- Generate a batch of prompts (many lines, many files)

## Decision tree (single vs batch)
- If the user provides multiple lines/prompts or wants many outputs -> **batch**
- Else -> **single**

## Workflow
1. Decide intent: single vs batch (see decision tree above).
2. Collect inputs up front: exact text (verbatim), desired voice, delivery style, format, and any constraints.
3. If batch: write a temporary JSONL under tmp/ (one job per line), run once, then delete the JSONL.
4. Augment instructions into a short labeled spec without rewriting the input text.
5. Run the bundled CLI (`scripts/text_to_speech.py`) with sensible defaults (see references/cli.md).
6. For important clips, validate: intelligibility, pacing, pronunciation, and adherence to constraints.
7. Iterate with a single targeted change (voice, speed, or instructions), then re-check.
8. Save/return final outputs and note the final text + instructions + flags used.

## Temp and output conventions
- Use `tmp/speech/` for intermediate files (for example JSONL batches); delete when done.
- Write final artifacts under `output/speech/` when working in this repo.
- Use `--out` or `--out-dir` to control output paths; keep filenames stable and descriptive.

## Dependencies (install if missing)
Prefer `uv` for dependency management.

Python packages:
```
uv pip install openai
```
If `uv` is unavailable:
```
python3 -m pip install openai
```

## Environment
- `OPENAI_API_KEY` must be set for live API calls.

If the key is missing, give the user these steps:
1. Create an API key in the OpenAI platform UI: https://platform.openai.com/api-keys
2. Set `OPENAI_API_KEY` as an environment variable in their system.
3. Offer to guide them through setting the environment variable for their OS/shell if needed.
- Never ask the user to paste the full key in chat. Ask them to set it locally and confirm when ready.

If installation isn't possible in this environment, tell the user which dependency is missing and how to install it locally.

## Defaults & rules
- Use `gpt-4o-mini-tts-2025-12-15` unless the user requests another model.
- Default voice: `cedar`. If the user wants a brighter tone, prefer `marin`.
- Built-in voices only. Custom voices are out of scope for this skill.
- `instructions` are supported for GPT-4o mini TTS models, but not for `tts-1` or `tts-1-hd`.
- Input length must be <= 4096 characters per request. Split longer text into chunks.
- Enforce 50 requests/minute. The CLI caps `--rpm` at 50.
- Require `OPENAI_API_KEY` before any live API call.
- Provide a clear disclosure to end users that the voice is AI-generated.
- Use the OpenAI Python SDK (`openai` package) for all API calls; do not use raw HTTP.
- Prefer the bundled CLI (`scripts/text_to_speech.py`) over writing new one-off scripts.
- Never modify `scripts/text_to_speech.py`. If something is missing, ask the user before doing anything else.

## Instruction augmentation
Reformat user direction into a short, labeled spec. Only make implicit details explicit; do not invent new requirements.

Quick clarification (augmentation vs invention):
- If the user says "narration for a demo", you may add implied delivery constraints (clear, steady pacing, friendly tone).
- Do not introduce a new persona, accent, or emotional style the user did not request.

Template (include only relevant lines):
```
Voice Affect: <overall character and texture of the voice>
Tone: <attitude, formality, warmth>
Pacing: <slow, steady, brisk>
Emotion: <key emotions to convey>
Pronunciation: <words to enunciate or emphasize>
Pauses: <where to add intentional pauses>
Emphasis: <key words or phrases to stress>
Delivery: <cadence or rhythm notes>
```

Augmentation rules:
- Keep it short; add only details the user already implied or provided elsewhere.
- Do not rewrite the input text.
- If any critical detail is missing and blocks success, ask a question; otherwise proceed.

## Examples

### Single example (narration)
```
Input text: "Welcome to the demo. Today we'll show how it works."
Instructions:
Voice Affect: Warm and composed.
Tone: Friendly and confident.
Pacing: Steady and moderate.
Emphasis: Stress "demo" and "show".
```

### Batch example (IVR prompts)
```
{"input":"Thank you for calling. Please hold.","voice":"cedar","response_format":"mp3","out":"hold.mp3"}
{"input":"For sales, press 1. For support, press 2.","voice":"marin","instructions":"Tone: Clear and neutral. Pacing: Slow.","response_format":"wav"}
```

## Instructioning best practices (short list)
- Structure directions as: affect -> tone -> pacing -> emotion -> pronunciation/pauses -> emphasis.
- Keep 4 to 8 short lines; avoid conflicting guidance.
- For names/acronyms, add pronunciation hints (e.g., "enunciate A-I") or supply a phonetic spelling in the text.
- For edits/iterations, repeat invariants (e.g., "keep pacing steady") to reduce drift.
- Iterate with single-change follow-ups.

More principles: `references/prompting.md`. Copy/paste specs: `references/sample-prompts.md`.

## Guidance by use case
Use these modules when the request is for a specific delivery style. They provide targeted defaults and templates.
- Narration / explainer: `references/narration.md`
- Product demo / voiceover: `references/voiceover.md`
- IVR / phone prompts: `references/ivr.md`
- Accessibility reads: `references/accessibility.md`

## CLI + environment notes
- CLI commands + examples: `references/cli.md`
- API parameter quick reference: `references/audio-api.md`
- Instruction patterns + examples: `references/voice-directions.md`
- If network approvals / sandbox settings are getting in the way: `references/codex-network.md`

## Reference map
- **`references/cli.md`**: how to run speech generation/batches via `scripts/text_to_speech.py` (commands, flags, recipes).
- **`references/audio-api.md`**: API parameters, limits, voice list.
- **`references/voice-directions.md`**: instruction patterns and examples.
- **`references/prompting.md`**: instruction best practices (structure, constraints, iteration patterns).
- **`references/sample-prompts.md`**: copy/paste instruction recipes (examples only; no extra theory).
- **`references/narration.md`**: templates + defaults for narration and explainers.
- **`references/voiceover.md`**: templates + defaults for product demo voiceovers.
- **`references/ivr.md`**: templates + defaults for IVR/phone prompts.
- **`references/accessibility.md`**: templates + defaults for accessibility reads.
- **`references/codex-network.md`**: environment/sandbox/network-approval troubleshooting.

Источник: openai/skills / speech ↗. Ссылка проверена 2026-10-10.

---
name: "speech"
description: "Используй, когда пользователь просит озвучить текст (дикторский текст или закадровый голос), прочитать текст вслух для доступности, сделать аудиоподсказки или пакетно сгенерировать речь через OpenAI Audio API; запускай входящий в состав CLI (`scripts/text_to_speech.py`) со встроенными голосами и требуй `OPENAI_API_KEY` для реальных вызовов. Создание собственных голосов выходит за рамки скилла."
---


# Скилл генерации речи

Генерируй озвучку для текущего проекта (дикторский текст, закадровый голос для демонстрации продукта, подсказки для IVR, чтение вслух для доступности). По умолчанию используются модель `gpt-4o-mini-tts-2025-12-15` и встроенные голоса; для детерминированных, воспроизводимых запусков предпочитай входящий в состав CLI.

## Когда использовать
- Сгенерировать один озвученный фрагмент из текста
- Сгенерировать пакет подсказок (много строк, много файлов)

## Дерево решений (один фрагмент или пакет)
- Если пользователь даёт несколько строк или подсказок либо хочет много результатов -> **пакет**
- Иначе -> **один фрагмент**

## Рабочий процесс
1. Определи задачу: один фрагмент или пакет (см. дерево решений выше).
2. Заранее собери входные данные: точный текст (дословно), нужный голос, стиль подачи, формат и любые ограничения.
3. Если пакет: запиши временный файл JSONL в tmp/ (одно задание на строку), запусти один раз, затем удали JSONL.
4. Дополни инструкции до короткой размеченной спецификации, не переписывая входной текст.
5. Запусти входящий в состав CLI (`scripts/text_to_speech.py`) с разумными значениями по умолчанию (см. references/cli.md).
6. Для важных фрагментов проверь: разборчивость, темп, произношение и соблюдение ограничений.
7. Улучшай одним целевым изменением за раз (голос, скорость или инструкции), затем проверяй снова.
8. Сохрани и верни итоговые результаты и отметь итоговый текст, инструкции и использованные флаги.

## Соглашения о временных файлах и результатах
- Для промежуточных файлов (например, пакетов JSONL) используй `tmp/speech/`; по окончании удаляй их.
- Итоговые артефакты записывай в `output/speech/`, когда работаешь в этом репозитории.
- Пути результатов задавай через `--out` или `--out-dir`; имена файлов делай стабильными и понятными.

## Зависимости (установи, если их нет)
Для управления зависимостями предпочитай `uv`.

Пакеты Python:
```
uv pip install openai
```
Если `uv` недоступен:
```
python3 -m pip install openai
```

## Окружение
- Для реальных вызовов API должна быть задана переменная `OPENAI_API_KEY`.

Если ключа нет, дай пользователю такие шаги:
1. Создай ключ API в интерфейсе платформы OpenAI: https://platform.openai.com/api-keys
2. Задай `OPENAI_API_KEY` как переменную окружения в своей системе.
3. При необходимости предложи провести его через настройку переменной окружения для его ОС и оболочки.
- Никогда не проси пользователя вставлять ключ целиком в чат. Попроси задать его локально и сообщить, когда будет готово.

Если установка в этом окружении невозможна, сообщи пользователю, какой зависимости не хватает и как установить её локально.

## Значения по умолчанию и правила
- Используй `gpt-4o-mini-tts-2025-12-15`, если пользователь не просит другую модель.
- Голос по умолчанию: `cedar`. Если пользователю нужен более яркий тон, предпочитай `marin`.
- Только встроенные голоса. Собственные голоса выходят за рамки этого скилла.
- `instructions` поддерживаются моделями GPT-4o mini TTS, но не `tts-1` и не `tts-1-hd`.
- Длина входного текста должна быть не более 4096 символов на запрос. Более длинный текст раздели на части.
- Соблюдай ограничение 50 запросов в минуту. CLI ограничивает `--rpm` значением 50.
- Перед любым реальным вызовом API требуй `OPENAI_API_KEY`.
- Чётко сообщай конечным пользователям, что голос сгенерирован ИИ.
- Для всех вызовов API используй Python SDK OpenAI (пакет `openai`); не используй «сырой» HTTP.
- Предпочитай входящий в состав CLI (`scripts/text_to_speech.py`) написанию новых одноразовых скриптов.
- Никогда не изменяй `scripts/text_to_speech.py`. Если чего-то не хватает, спроси пользователя, прежде чем делать что-либо ещё.

## Дополнение инструкций
Переформулируй указания пользователя в короткую размеченную спецификацию. Делай явным только то, что подразумевалось; не придумывай новых требований.

Короткое уточнение (дополнение или выдумка):
- Если пользователь говорит «дикторский текст для демонстрации», можно добавить подразумеваемые требования к подаче (чёткая речь, ровный темп, дружелюбный тон).
- Не вводи новую роль, акцент или эмоциональный стиль, которые пользователь не запрашивал.

Шаблон (включай только нужные строки):
```
Характер голоса: <общий характер и фактура голоса>
Тон: <отношение, степень официальности, теплота>
Темп: <медленный, ровный, быстрый>
Эмоции: <ключевые эмоции, которые нужно передать>
Произношение: <слова, которые нужно произнести чётко или выделить>
Паузы: <где сделать намеренные паузы>
Акценты: <ключевые слова или фразы, которые нужно подчеркнуть>
Подача: <заметки о каденции или ритме>
```

Правила дополнения:
- Будь краток; добавляй только детали, которые пользователь уже подразумевал или указал в другом месте.
- Не переписывай входной текст.
- Если не хватает критически важной детали и это мешает результату, задай вопрос; иначе продолжай.

## Примеры

### Пример одного фрагмента (дикторский текст)
```
Входной текст: «Добро пожаловать на демонстрацию. Сегодня мы покажем, как это работает».
Инструкции:
Характер голоса: тёплый и собранный.
Тон: дружелюбный и уверенный.
Темп: ровный, умеренный.
Акценты: выдели слова «демонстрацию» и «покажем».
```

### Пример пакета (подсказки для IVR)
```
{"input":"Thank you for calling. Please hold.","voice":"cedar","response_format":"mp3","out":"hold.mp3"}
{"input":"For sales, press 1. For support, press 2.","voice":"marin","instructions":"Tone: Clear and neutral. Pacing: Slow.","response_format":"wav"}
```

## Лучшие практики составления инструкций (краткий список)
- Структурируй указания так: характер -> тон -> темп -> эмоции -> произношение и паузы -> акценты.
- Держись 4–8 коротких строк; избегай противоречивых указаний.
- Для имён и аббревиатур добавляй подсказки по произношению (например, «произноси А-И по буквам») или давай фонетическую запись прямо в тексте.
- При правках и итерациях повторяй неизменные условия (например, «сохраняй ровный темп»), чтобы уменьшить дрейф.
- Улучшай по одному изменению за раз.

Другие принципы: `references/prompting.md`. Готовые к копированию спецификации: `references/sample-prompts.md`.

## Рекомендации по сценариям использования
Используй эти модули, когда запрос касается конкретного стиля подачи. В них есть целевые значения по умолчанию и шаблоны.
- Дикторский текст и объяснения: `references/narration.md`
- Демонстрация продукта и закадровый голос: `references/voiceover.md`
- IVR и телефонные подсказки: `references/ivr.md`
- Чтение вслух для доступности: `references/accessibility.md`

## Заметки о CLI и окружении
- Команды CLI и примеры: `references/cli.md`
- Краткий справочник параметров API: `references/audio-api.md`
- Шаблоны инструкций и примеры: `references/voice-directions.md`
- Если одобрение сети или настройки песочницы мешают работе: `references/codex-network.md`

## Карта справочных материалов
- **`references/cli.md`**: как запускать генерацию речи и пакеты через `scripts/text_to_speech.py` (команды, флаги, рецепты).
- **`references/audio-api.md`**: параметры API, ограничения, список голосов.
- **`references/voice-directions.md`**: шаблоны инструкций и примеры.
- **`references/prompting.md`**: лучшие практики инструкций (структура, ограничения, шаблоны итераций).
- **`references/sample-prompts.md`**: готовые к копированию рецепты инструкций (только примеры, без лишней теории).
- **`references/narration.md`**: шаблоны и значения по умолчанию для дикторского текста и объяснений.
- **`references/voiceover.md`**: шаблоны и значения по умолчанию для закадрового голоса в демонстрациях продукта.
- **`references/ivr.md`**: шаблоны и значения по умолчанию для IVR и телефонных подсказок.
- **`references/accessibility.md`**: шаблоны и значения по умолчанию для чтения вслух ради доступности.
- **`references/codex-network.md`**: устранение неполадок окружения, песочницы и одобрения сети.

Перевод: iiuniversitet. Оригинал: https://github.com/openai/skills/tree/main/skills/.curated/speech, лицензия Apache-2.0. Изменения: перевод на русский язык.