К основному содержанию
скилл Claude Code CX Codex Cursor GitHub Copilot

azure-text-to-speech — скилл для Claude Code: что делает и установка

Генерирует закадровую озвучку через Azure AI Speech REST API. Помогает озвучивать видео в OpenMontage качественными нейросетевыми голосами.

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add calesthio/OpenMontage --skill azure-text-to-speech -a claude-code
Открыть на GitHub

Что делает azure-text-to-speech

Скилл подключает инструмент azure_tts к OpenMontage для синхронного синтеза речи через эндпоинт /cognitiveservices/v1. Поддерживает нейросетевые голоса и управление просодией в SSML. В качестве голоса по умолчанию задан псевдоним andrew (en-US-AndrewMultilingualNeural). На выходе модуль отдаёт mp3 (48 кГц, 192 кбит/с) или несжатый wav (48 кГц PCM) для дальнейшего сведения.

Для работы нужны переменные окружения AZURE_SPEECH_KEY и AZURE_SPEECH_REGION (или кастомный хост AZURE_TTS_ENDPOINT). Ресурс общий с azure_stt. Один ключ закрывает обе задачи. Если ключа нет или запрос возвращает ошибку, пайплайн переключается на цепочку резерва: elevenlabs_tts → openai_tts → локальный piper_tts.

Не передавайте в параметр text готовый SSML-код, потому что инструмент сам экранирует XML и сломает разметку при повторной обработке.

Какие задачи решает

  • синтезировать закадровую речь для сегментов видеомонтажа
  • настроить скорость и эмоциональный стиль диктора через SSML
  • получить аудиодорожку в формате WAV 48 кГц для последующего сведения
  • переключить озвучку с локального движка piper_tts на облачный Azure

Примеры запросов агенту

  • Озвучь этот текст голосом andrew со скоростью -4% и сохрани в mp3
  • Сгенерируй аудиодорожку для сцены через azure_tts в формате wav со стилем narration-professional
  • Используй немецкий голос de-DE-KatjaNeural для озвучки сегмента скрипта

Как установить azure-text-to-speech

1Через Skills CLI (Vercel)

npx skills add calesthio/OpenMontage --skill azure-text-to-speech -a claude-code

2Вручную: положить файлы

~/.claude/skills/azure-text-to-speech/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/azure-text-to-speech/

Из того же набора28

Весь набор →
video-understand calesthio Скилл извлекает кадры из видео и расшифровывает аудио локально через ffmpeg и Whisper. Подходит для анализа роликов без API-ключей. Claude Code CX Codex Cursor +1 1 300установок remotion calesthio Скилл для вёрстки видео в Remotion с библиотекой переходов и правилами сборки сцен при 30 кадрах в секунду. Claude Code CX Codex Cursor +1 1 200установок video-download calesthio Скачивает видео, аудио и субтитры по URL через yt-dlp. Пригодится для получения файла, выбора качества или просмотра метаданных без загрузки. Claude Code CX Codex Cursor +1 1 200установок lottie-bodymovin calesthio Помогает переносить 12 принципов диснеевской анимации в векторные Lottie-ролики. Связывает формулы After Effects с управлением через JavaScript. Claude Code CX Codex Cursor +1 1 100установок create-video calesthio Скилл превращает описание в готовый видеоролик: пишешь, что хочешь видеть, а HeyGen генерирует сценарий, выбирает аватара, озвучивает и монтирует. Подходит для быстрого создания демо, объяснялок и промо без лишних настроек. Claude Code CX Codex Cursor +1 1 100установок video-toolkit calesthio Автоматизирует создание видео: генерирует закадровый голос, музыку, анимирует говорящие головы, компонует сцены через Remotion. Нужны Node.js, Python3, ffmpeg и доступ к облачным GPU (Modal или RunPod). Claude Code CX Codex Cursor +1 1 100установок text-to-speech calesthio Генерирует аудио из текста через HeyGen Starfish, подбирая голос, скорость и тон. Пригодится для озвучки, дикторского текста и подкастов. Claude Code CX Codex Cursor +1 1 100установок bfl-api Black Forest Labs Скилл помогает подключать BFL FLUX API для генерации и редактирования изображений. Нужен для асинхронных запросов, polling и вебхуков. Claude Code CX Codex Cursor +1 1 000установок

Похожие

firebase sickn33 Помогает проектировать бэкенд на Firebase, настраивать правила безопасности Firestore и писать Cloud Functions под паттерны запросов. Claude Code CX Codex Cursor +1 1 600установок flow-nexus-swarm ruvnet Развёртывает облачные рои ИИ-агентов и собирает событийные процессы с очередями сообщений. Нужен для координации задач, контроля запусков и масштабирования роя. Claude Code CX Codex Cursor +1 1 200установок flow-nexus-neural ruvnet Запускает обучение и инференс нейросетей в изолированных песочницах E2B через Flow Nexus. Пригодится для тренировки моделей и работы с готовыми шаблонами прямо из чата с агентом. Claude Code CX Codex Cursor +1 1 100установок cloud-trace-querying официальный google Скилл ищет спаны Cloud Trace, связывает трассировки с Cloud Logging и помогает разбирать задержки в сервисах Google Cloud. Claude Code Gemini CLI CX Codex 835установок huggingface-llm-trainer huggingface Помогает запускать дообучение языковых моделей в Hugging Face Jobs через TRL или Unsloth без локальной видеокарты и конвертировать веса в формат GGUF. Claude Code CX Codex Cursor +1 2 200установок dsql awslabs Совместимый редирект, который направляет агента на актуальный скилл Aurora DSQL вместо устаревшего отдельного. Пригодится, если в проекте уже есть старые вызовы dsql. Claude Code CX Codex Cursor +1 540установок caveman-manage JuliusBrussee Проверяет состояние и результаты экспериментов Caveman Cloud, предлагает одно действие или блокирует рискованный запрос. Нужен перед запуском, одобрением, отменой или откатом. Claude Code CX Codex Cursor +1 103 300установок workers-best-practices cloudflare Скилл настраивает ИИ на проверку продакшен-кода Cloudflare Workers по актуальным правилам рантайма, типам Wrangler и антипаттернам. Claude Code CX Codex Cursor +1 124 900установок

Вопросы о azure-text-to-speech

Как установить azure-text-to-speech в Claude Code?

Выполните команду npx skills add calesthio/OpenMontage --skill azure-text-to-speech -a claude-code.

Что делает скилл azure-text-to-speech?

Он отправляет текст в REST API Azure AI Speech и сохраняет готовый аудиофайл в формате MP3 или WAV для озвучивания видео.

Что произойдёт, если ключ AZURE_SPEECH_KEY не задан?

Система перейдёт по цепочке резервных провайдеров на elevenlabs_tts, затем на openai_tts и завершит локальным офлайн-движком piper_tts.

Исходный текст

SKILL.md · MIT
---
name: azure-text-to-speech
description: Generate neural narration audio using Azure AI Speech (REST text-to-speech). Use when synthesizing voiceovers or narration in OpenMontage. Optional cloud TTS provider — preferred when AZURE_SPEECH_KEY is configured; the local piper_tts remains the default offline path. Shares one Speech resource with azure_stt.
license: MIT
compatibility: Requires internet access and an Azure AI Speech resource (AZURE_SPEECH_KEY + AZURE_SPEECH_REGION).
metadata: {"openclaw": {"requires": {"env": ["AZURE_SPEECH_KEY", "AZURE_SPEECH_REGION"]}, "primaryEnv": "AZURE_SPEECH_KEY"}}
---

# Azure AI Speech — Text-to-Speech

Generate narration with **Azure neural TTS** — high-quality multilingual voices,
SSML prosody control, and express-as styles, served synchronously by the REST
`/cognitiveservices/v1` endpoint (no token exchange, Blob storage, or job
polling). In OpenMontage this is exposed through the `azure_tts` tool
(`capability=tts`, `provider=azure`). It is an **optional cloud TTS provider** —
when `AZURE_SPEECH_KEY` is configured, prefer it for high-quality cloud
narration. The local `piper_tts` remains the **default offline path** and the
fallback when Azure is unavailable; `elevenlabs_tts` remains the choice for
voice cloning.

> Docs: [REST text to speech](https://learn.microsoft.com/azure/ai-services/speech-service/rest-text-to-speech) · [Voice gallery](https://speech.microsoft.com/portal/voicegallery)

## Setup

Same Speech resource as `azure_stt` — **one key/region unlocks both directions**
(STT and TTS). Create a **Speech** resource in the
[Azure portal](https://portal.azure.com); copy the key and region from its
**Keys and Endpoint** page.

```bash
export AZURE_SPEECH_KEY=your_speech_resource_key
export AZURE_SPEECH_REGION=eastus        # your resource's region
# export AZURE_TTS_ENDPOINT=https://...  # optional: full custom TTS host
#   (the TTS host is https://<region>.tts.speech.microsoft.com — a different
#    subdomain than the STT endpoint, hence the separate override var)
```

`azure_tts` reports `AVAILABLE` once `AZURE_SPEECH_KEY` plus either
`AZURE_SPEECH_REGION` or `AZURE_TTS_ENDPOINT` are set.

## Using it in a pipeline

Route through `tts_selector` as usual (it auto-discovers `azure_tts`), or call
the provider tool directly when the user has approved Azure:

```python
from tools.tool_registry import registry
registry.discover()
tts = registry._tools["azure_tts"]

result = tts.execute({
    "text": "Every design decision in this dashboard has a reason.",
    "voice": "andrew",                 # alias or full Azure short name
    "rate": "-4%",                     # slightly slower for narration
    # "style": "narration-professional",  # for voices that support styles
    "output_path": "projects/my-video/assets/audio/seg_001.mp3",
    "output_format": "mp3",            # or "wav" (48kHz PCM) for mixing
})
```

If `azure_tts` is unavailable (no key) or errors, fall back per its declared
chain: `elevenlabs_tts` → `openai_tts` → `piper_tts`.

## Voice selection

Curated shortlist (aliases accepted by the `voice` param):

| Alias | Voice | Character |
|-------|-------|-----------|
| `andrew` | en-US-AndrewMultilingualNeural | warm, confident, conversational — the default; founder/explainer register |
| `brandon` | en-US-BrandonMultilingualNeural | deeper, measured |
| `ava` | en-US-AvaMultilingualNeural | confident, bright female |
| `guy` | en-US-GuyNeural | authoritative |
| `jenny` | en-US-JennyNeural | friendly, clear |

Any valid Azure voice short name may be passed verbatim (e.g.
`de-DE-KatjaNeural`); the *Multilingual* voices handle non-English text well —
set `locale` to match the text's language for correct SSML.

## Parameters that matter

- **`rate` / `pitch`** — SSML prosody. Narration usually reads best slightly
  slowed (`"-4%"` to `"-8%"`); leave pitch at `"0%"` unless correcting a voice.
- **`style`** — express-as style for voices that support it
  (`narration-professional`, `calm`, `newscast`). Unsupported styles are
  silently ignored by Azure, so listen to a sample before batch runs.
- **`output_format`** — `mp3` (48kHz/192kbit) for delivery, `wav` (48kHz PCM)
  when the segment feeds `audio_mixer` for further processing.
- Determinism: a fixed voice + SSML re-renders effectively identical audio —
  safe to regenerate individual segments without re-recording the whole set.

## Cost

Azure neural TTS Standard tier bills roughly **$16 per 1M characters** (~$0.016
per 1k chars; a 150-word narration segment ≈ $0.015). The tool reports
per-call `cost_usd` for the cost tracker. See
[Azure AI Speech pricing](https://azure.microsoft.com/pricing/details/cognitive-services/speech-services/) for current rates.

## Limits & tips

- One `execute` call = one narration segment. Generate per script section (the
  asset stage convention) rather than one giant paragraph — smaller segments
  align cleanly to scene timings and are cheap to regenerate.
- The synchronous endpoint caps a request at 10 minutes of audio — far above
  any segment OpenMontage generates.
- Text is XML-escaped automatically; do not pre-escape or wrap in SSML — pass
  plain text plus the `rate`/`pitch`/`style` params.
- Verify quality: listen to the first generated segment before batch-running a
  full script (voice/style fit is a creative decision — surface it at the
  proposal stage per the Decision Communication Contract).

© calesthio · MIT · calesthio/OpenMontage

Смотрите также

Спонсоры проекта

Компании, которые помогают держать аналитику открытой