cosyvoice-ssml

CosyVoice SSML 表演导演

仅当当前任务已经是 video-director 管理下的数字人 / VideoRetalk / 资产库角色 talking-head 口播视频，并且选中的 TTS 模型是 CosyVoice 时，使用这个技能。

普通 AI 聊天里的“做一个口播视频 / 生成视频 / 短视频 / 产品视频 / 广告片”不能直接进入本技能。必须先激活 video-director，由它完成视频脚本、分镜、确认、角色与音频驱动链路。普通音频、普通旁白、普通 TTS 也不能用本技能作为入口。

技能激活语义

skills.invoke 只会把本技能说明加入当前轮上下文，不会替你转换文本，也不会返回 SSML。

只有在数字人口播视频链路中激活后，你必须自己完成这三步：

1. 根据已经批准的数字人口播台词拆出角色表演片段：开头、场景、信息推进、重点、收束等。
2. 为每个片段写出一个完整 <speak rate="..." pitch="..." volume="...">...</speak> SSML，并给这个片段写一个简短 prompt。
3. 立即调用一次 voice.speech 生成音频。

不要再次调用 cosyvoice-ssml 等待结果；不要说“缺少 SSML 加工结果”；不要创造 cosyvoice-ssml-turn 之类不存在的技能名。

你的任务不是展示 SSML 知识，而是把最终要朗读的文本变成一次可执行的 voice.speech 请求：

• 先判断文本类型、听众、商业目标、卖点结构和口播节奏。
• 再逐句决定怎么读：哪里慢、哪里轻、哪里强调、哪里停顿。
• 在 Agent 音频创作里，多句、换行、短视频带货、自媒体口播、产品讲解、知识分享、种草测评或用户要求语气时，必须产出 <speak>...</speak> SSML。
• 长文本、多段文本、带货口播、自媒体口播、种草测评、产品讲解、广告口播、教程和任何明显有信息推进的文本，必须使用 segments。每个 segment 是一个独立 CosyVoice 合成片段，media runtime 会自动合并最终音频。
• 只有极短、中性、单一语气的一句话，才可以使用单个 input。
• 只有用户明确要求“不要 SSML / 直接纯文本”，或者文本就是极短中性一句话时，才可以不用 SSML。
• 保留用户原文含义；除非用户要求改写，否则不要改词。
• 最终只调用一次 voice.speech，不要逐句多次调用工具，也不要手动拼接音频。

可用模型

只在这些 CosyVoice 系列模型上使用本技能：

• cosyvoice-v3.5-plus
• cosyvoice-v3.5-flash
• cosyvoice-v3-plus
• cosyvoice-v3-flash
• cosyvoice-v2

音色 ID 和模型绑定。cosyvoice-v3.5-plus 通常要使用复刻或设计出的 CosyVoice 音色 ID，不要拿 MiniMax 系统音色 ID 来合成。

最终输出格式

短文本最终调用 voice.speech 时，可以使用单个 input：

{
  "model": "cosyvoice-v3.5-plus",
  "voiceId": "voice_xxx",
  "input": "<speak rate=\"0.9\" pitch=\"0.95\" volume=\"60\">完整 SSML 文本</speak>",
  "prompt": "请用温柔、平稳、有耐心的语气朗读。",
  "language_hints": ["zh"],
  "responseFormat": "mp3",
  "waitForCompletion": true
}

长文本最终调用 voice.speech 时，必须使用 segments，每段都有自己的 input 和 prompt，由 media runtime 合并最终音频：

{
  "model": "cosyvoice-v3.5-plus",
  "voiceId": "voice_xxx",
  "segments": [
    {
      "input": "<speak rate=\"1.08\" pitch=\"1.06\" volume=\"68\">第一段 SSML。</speak>",
      "prompt": "开头抓注意力，清楚、有记忆点，但不要喊。",
      "pauseAfterSeconds": 0.4
    },
    {
      "input": "<speak rate=\"0.98\" pitch=\"1.0\" volume=\"64\">第二段 SSML。</speak>",
      "prompt": "卖点解释更稳定可信，语气自然、有说服力。",
      "pauseAfterSeconds": 0.8
    }
  ],
  "language_hints": ["zh"],
  "responseFormat": "mp3",
  "waitForCompletion": true
}

硬约束：

• input 或每个 segments[].input 只能是最终要送给 TTS 的 SSML，不要包含分析、注释、分镜、括号说明或“语气：温柔”这类元信息。
• SSML 属性里的引号在逻辑字符串里必须是真实 "，不要把用户可见文本写成 \"。JSON 序列化会自动处理转义。
• CosyVoice prompt 是可用能力。单 input 时写全局声音风格；segments 时每个 segment 都要写本段声音风格。
• CosyVoice 不使用 emotion、voice_setting.emotion、MiniMax <#0.6#>、(laughs)、(sighs)、(breath)。
• 绝对不要输出 <prosody>。如果你脑中想写 <prosody rate="0.9" volume="medium">，应改成 <speak rate="0.9" volume="60">...</speak>。
• rate、pitch、volume 都是 CosyVoice <speak> 属性，不是 MiniMax segment 控制。不要把 MiniMax 的 pitch:-2、pitch:-1、pitch:0 写进 CosyVoice SSML。
• pitch 必须是 0.5-2 的正数倍率，不能是负数、不能是 0、不能写 -1 / -2。低沉用 0.86-0.96，自然用 0.96-1.04，明亮用 1.04-1.16。
• rate 必须是 0.5-2 的正数倍率。慢读常用 0.76-0.92，自然叙述常用 0.92-1.04，轻快口播常用 1.04-1.16。
• volume 必须是 0-100 数字，不能写 medium、loud、soft，也不能写 0.8、1.0 这种 0-1 小数音量。普通口播常用 58-72，低声特殊氛围也通常不要低于 45。
• 每一个 <speak> 都必须显式写 rate、pitch、volume 三个数字属性。除非用户明确要求保留原始 SSML，否则不要输出没有参数的 <speak>。
• 多句带货口播、自媒体口播、种草测评、产品讲解、教程和任何需要“语气”的文本，不能只加 <break/>。必须用 <speak rate="..." pitch="..." volume="..."> 表达语气区块变化。
• 多句口播尽量使用一次 voice.speech 的 segments 数组。不要把多句内容塞进一个巨大 <speak>，也不要自己连续调用多次 voice.speech。

合格输出标准

激活本技能后，不能只把原文机械包进 <speak>。合格输出必须同时满足“合法、可朗读、有表演设计、可执行”四个标准。

1. 合法

每个 CosyVoice SSML input 必须是可接受的 SSML：

• 最外层是一个或多个并列 <speak>...</speak>，不能嵌套 <speak>。
• 只使用 CosyVoice 支持的标签：<speak>、<break/>、<sub>、<phoneme>、<soundEvent/>、<say-as>。
• <break/> 必须是自闭合标签，时间使用 ms 或 s，不要超过合理范围。
• <speak> 的 rate / pitch 使用 0.5-2 数字，volume 使用 0-100 数字；volume="1.0" 不是正常音量，而是几乎静音。
• <speak pitch> 只能使用正数倍率。pitch="-2"、pitch="-1"、pitch="0" 都是非法 CosyVoice SSML；它们只属于 MiniMax segment 的 pitch 语义。
• 不包含 <prosody>、<emphasis>、MiniMax <#0.6#>、emotion、括号表演说明或 Markdown。

2. 可朗读

input 里只能放会被朗读的正文和 SSML 标签：

• 不要把“语气：”“停顿：”“这里强调”等分析文字写进正文。
• 不要输出列表说明、JSON 外的解释、草稿、方案、检查清单。
• 保留用户要表达的意思；只有为了朗读自然，才可以把符号和快捷键转成口语，例如把 Option ⌥ + Command ⌘ + Delete ⌫ 读成 Option 加 Command 加 Delete。
• 对验证码、日期、电话、金额、ID、多音字、缩写等容易读错的内容，优先用 <say-as>、<phoneme>、<sub> 修正。

3. 有细颗粒度表演设计

SSML 必须体现文本的内容结构，而且标签颗粒度要细。不能只做段落级或整篇级控制。

• 所有 <speak> 必须带 rate、pitch、volume。只有 <break/>、没有语速/音高/音量设计，不合格。
• 朗读风格变化要落在 <speak> 参数上：压低情绪用较慢 rate、较低 pitch、较低 volume；揭示/强调可略提高 volume 或稍放慢；收束要降低速度和音量。
• 开头、重点、转折、列表项、结尾要有不同的节奏处理。
• 多句或多段文本至少要有少量有意义的 <break/>，但不要每个标点后都加停顿。
• 长文本要有口播推进：开头抓注意力，中段把卖点或观点讲清楚，结尾自然引导下一步。
• 带货/自媒体/教程类要清晰、稳定、重点前后留短停顿；根据开场钩子、痛点、卖点、证据、福利、CTA 等口播结构调整 rate、pitch、volume。
• 如果只输出 <speak>原文</speak>，除非文本极短且用户明确要平读，否则不合格。
• 如果输出 <speak>原文<break/>原文...</speak>，但 <speak> 没有 rate/pitch/volume，或者全篇只有一个固定参数且文本明显有情绪转折，也不合格。
• 对关键词、数字、专名、缩写、快捷键、步骤名、转折词、行动指令等局部内容，优先使用 <say-as>、<sub>、<phoneme> 或局部 <break/> 做细标，而不是只依赖全局 prompt。
• 如果文本有多句话，每句话都要被单独判断朗读意图；如果一句话内部有多个信息单元，也要在短语级决定是否需要读法修正或微停顿。

生成前自检

调用 voice.speech 前，必须逐个检查 input 和 segments[].input。只要有一项不通过，就先在本轮内部修正 SSML，再调用工具。

自检清单：

• 每个片段最外层都是完整 <speak ...>...</speak>。
• 没有 <prosody>、<emphasis>、emotion、MiniMax <#...#> 或括号表演说明。
• 每个 <speak> 都有 rate、pitch、volume 三个属性。
• rate 是 0.5-2 的正数。
• pitch 是 0.5-2 的正数；如果看到 pitch="-2"、pitch="-1"、pitch="0"，必须改成 0.86-1.16 范围内的 CosyVoice 倍率。
• volume 是 0-100 的数字；普通口播通常不要低于 55，除非用户明确要低声或特殊氛围。
• prompt 只描述声音风格，不把 SSML 或正文重复塞进去。

常见映射：

朗读意图	rate	pitch	volume
平稳说明	0.92-1.02	0.96-1.02	55-65
开场钩子	1.02-1.14	1.02-1.12	62-72
卖点解释	0.94-1.04	0.98-1.04	58-68
信任背书	0.9-1.0	0.96-1.02	56-66
清晰教程	0.9-1.0	0.96-1.04	58-68
轻快口播	1.02-1.14	1.02-1.12	60-72

4. 可执行

最终必须直接调用一次 voice.speech：

• model 使用当前 CosyVoice 模型。
• voiceId 使用当前请求或已选的 CosyVoice 绑定音色。
• 短文本：input 是完整 SSML，prompt 是一句简短全局声音风格。
• 长文本：segments 是有序片段数组；每个 segments[].input 是一个完整 SSML，且每个 segments[].prompt 描述这一段的声音风格。
• pauseBeforeSeconds / pauseAfterSeconds 用于段落边界沉默，由 media runtime 在最终合并时插入。
• responseFormat 通常是 mp3。
• waitForCompletion 为 true，除非用户明确只提交异步任务。

5. 最小合格示例

用户输入：

在 Mac 上彻底删除文件，不是移到废纸篓。
方法一：快捷键直接永久删除。
选中文件后按：Option ⌥ + Command ⌘ + Delete ⌫。

合格 input：

<speak rate="0.92" pitch="0.98" volume="60">在 Mac 上彻底删除文件，<break time="250ms"/>不是移到废纸篓。<break time="450ms"/>方法一：<break time="220ms"/>快捷键直接永久删除。<break time="350ms"/>选中文件后按：<sub alias="Option 加 Command 加 Delete">Option ⌥ + Command ⌘ + Delete ⌫</sub>。</speak>

不合格 input：

<speak>在 Mac 上彻底删除文件，不是移到废纸篓。方法一：快捷键直接永久删除。选中文件后按：Option ⌥ + Command ⌘ + Delete ⌫。</speak>

原因：只是包了一层 <speak>，没有节奏设计，也没有处理快捷键符号的朗读方式。

细颗粒度标注原则

CosyVoice SSML 的目标不是“加几个停顿”，而是把可朗读文本变成细颗粒度的表演稿。标注时按这个层级处理：

1. 全文级：用 <speak rate="..." pitch="..." volume="..."> 决定整体风格。
2. 段落级：段落之间用 <break/> 或少量并列 <speak> 表达明显的语气区块变化。
3. 句子级：每句话判断是铺垫、解释、强调、转折、揭示、安抚、行动号召还是收束。
4. 短语级：对重点短语、步骤名、结论、CTA、对比词前后加短停顿。
5. 词/字符级：对数字、日期、电话、金额、验证码、ID、多音字、缩写、快捷键、品牌名做 <say-as>、<phoneme>、<sub>。

细颗粒度不是密集堆标签。原则是：凡是“模型可能读错、听众需要停一下、语义需要落点、语气需要变化”的位置，都应该有局部标签；普通流水句和自然标点不需要机械加标签。

必须细标的位置

以下内容不能只靠纯文本：

• 验证码、订单号、账号、ID：用 <say-as interpret-as="digits"> 或 <say-as interpret-as="id">。
• 日期、时间、金额、电话、计量单位：用对应 <say-as>。
• 多音字、专名、外语发音：用 <phoneme>。
• 缩写、品牌名、符号、快捷键：用 <sub> 转成自然读法。
• 教程步骤名、方法名、关键结论：前后使用 200ms-500ms 的局部 <break/>。
• 转折词后或重要结论前：使用 350ms-700ms 的局部 <break/>。
• 章节、段落或情绪转场：使用 700ms-1200ms 的 <break/>，或少量并列 <speak>。

颗粒度示例

粗糙，不合格：

<speak rate="0.92">你的验证码是 10234。请在 5 分钟内输入。</speak>

细颗粒度，合格：

<speak rate="0.9" pitch="0.98" volume="58">你的验证码是：<break time="250ms"/><say-as interpret-as="digits">10234</say-as>。<break time="450ms"/>请在 <say-as interpret-as="measure">5分钟</say-as> 内输入。</speak>

粗糙，不合格：

<speak>去重庆的典当行。</speak>

细颗粒度，合格：

<speak rate="0.92" pitch="0.98" volume="58">去<phoneme alphabet="py" ph="chong2 qing4">重庆</phoneme>的<phoneme alphabet="py" ph="dian3 dang4 hang2">典当行</phoneme>。</speak>

CosyVoice 支持的 SSML

CosyVoice 不是完整 W3C SSML，只能使用下面这些标签。

<speak>

所有内容必须放在 <speak>...</speak> 内。支持多个并列 <speak>，但不能嵌套。

常用属性：

• rate: 语速，范围 0.5 到 2，默认 1。
• pitch: 音高，范围 0.5 到 2，默认 1。
• volume: 音量，范围 0 到 100，默认 50。这是百分制标尺，不是 0-1 小数标尺；短视频口播通常用 58-72，低声特殊氛围才用更低值。
• voice: 音色覆盖。通常优先用 payload 的 voiceId，不要随便写。
• effect: robot、lolita、lowpass、echo、eq、lpfilter、hpfilter。
• effectValue: 配合高级音效。
• bgm: 公共可访问的 OSS 背景音乐 URL。
• backgroundMusicVolume: 背景音乐音量。

不要使用 <prosody>。CosyVoice 的语速、音高、音量主要写在 <speak> 上。

正确：

<speak rate="0.9" volume="60">这句话读得平稳一点。</speak>

错误：

<speak><prosody rate="0.9" volume="medium">这句话读得平稳一点。</prosody></speak>

<break/>

用于停顿。

• 短停顿：<break time="250ms"/> 到 <break time="400ms"/>
• 句间停顿：<break time="500ms"/> 到 <break time="800ms"/>
• 重点转折或段落切换：<break time="600ms"/> 到 <break time="1000ms"/>
• 慎用超过 1200ms 的停顿，除非用户明确要慢节奏。

<sub>

用于“看起来保留原词，但朗读时替换成更自然的说法”。

<sub alias="网络协议标准">W3C</sub>

适合缩写、品牌、专业术语、外语词和不希望按字面读的内容。

<phoneme>

用于多音字、专名、外语发音。

<phoneme alphabet="py" ph="chong2 qing4">重庆</phoneme>

中文用 alphabet="py"，拼音数量必须和汉字数量一致，声调用 1-5，轻声用 5。

英文可用 alphabet="cmu"。

<say-as>

用于控制文本读法。

可用 interpret-as：

• cardinal: 整数或小数
• digits: 逐位数字
• telephone: 电话号码
• name: 人名
• address: 地址
• id: ID、昵称、账号
• characters: 逐字符
• punctuation: 标点
• date: 日期
• time: 时间
• currency: 金额
• measure: 单位

示例：

<say-as interpret-as="digits">10234</say-as>

<soundEvent/>

只在用户明确要插入音效，且提供了可公开访问的 OSS WAV URL 时使用。

不要编造音效 URL。不要把普通语气词改成外部音效。

表演设计流程

每次生成 SSML 前，按这个顺序思考，但不要把思考过程输出给用户或放入 input。

1. 判断文本类型

先把文本归类，因为不同文本的节奏不同：

• 短视频带货：开头抓注意力，中段讲卖点和证据，结尾推动行动。
• 自媒体知识口播：结论先行，解释清楚，重点前后留停顿。
• 种草测评：像真实体验分享，语气自然，优缺点和适合人群读清楚。
• 产品功能讲解：功能、步骤、规格和适用场景要读准。
• 直播切片/限时转化：利益点、价格、库存、行动指令要清楚。
• 新闻/事实播报：稳、清楚、少情绪，不要乱加戏。

2. 找出口播结构

长文本不要每一句都同一种语气。至少判断这些位置：

• 开头钩子：让听众愿意继续听。
• 痛点/场景：让听众觉得“这和我有关”。
• 核心卖点：讲清楚产品或观点解决了什么。
• 证据/对比：让表达更可信。
• 价格/福利/限制：数字和条件要读准。
• CTA：明确下一步，但不要喊。

如果文本没有明显情绪变化，保持统一风格，不要为了“有 SSML”而过度分块。

3. 逐句标注朗读意图

每一句内部先确定一个意图：

• 开场钩子：更快一点、更亮一点，第一句要抓人。
• 痛点/场景：自然、有共鸣，重点前后留短停顿。
• 产品卖点：清楚、笃定，少用夸张语气。
• 使用效果：稍微明亮，读出“具体变化”。
• 价格/优惠：读清楚数字和条件，前后留短停顿。
• 信任背书：稳定、可信，不要像硬广。
• 对比转折：转折前后加停顿，让差异落点清楚。
• 行动号召：速度略快，音量略高，但不要喊。
• 结尾收束：干净明确，少留过长空白。

4. 决定 <speak> 参数和分块

不要把 <speak> 当作单纯的根标签。它是 CosyVoice 里最重要的表演控制标签，必须用它的 rate、pitch、volume 表达当前语气区块。

短文本、中性说明可以只用一个带参数的 <speak>。但只要文本超过三句，或出现开头钩子、痛点、卖点、证据、福利、CTA 等多个口播功能区，就应该拆成多个 segments。每个 segment 里放一个完整 <speak>，并给这个 segment 写自己的 prompt。

分块建议：

• 短视频带货：通常 3-6 个 segments，开头钩子、痛点场景、核心卖点、证据/对比、福利/CTA 分别控制。
• 自媒体知识口播：通常 2-5 个 segments，结论先行、解释展开、例子/步骤、总结引导分别控制。
• 种草测评：通常 3-5 个 segments，使用场景、体验感、优缺点或对比、适合人群、购买建议分别控制。
• 直播切片/引流：通常 2-4 个 segments，强提醒、利益点、限时条件、行动指令分别控制。
• 对话/多角色：按说话人和意图拆 segment；如果只有一个 CosyVoice 音色，就保持同一 voiceId，用 prompt 和 SSML 控制表演。

每个 segment 的 <speak> 必须完整，不能嵌套：

<speak rate="1.08" pitch="1.06" volume="68">先用一句话抓住注意力。<break time="350ms"/></speak><speak rate="0.96" pitch="1.0" volume="62">然后把核心卖点讲清楚，让用户知道为什么值得继续听。</speak>

不要每一句都做一个 segment。那会让音频割裂、机械。正确做法是按语气区块拆分，每个区块内部再用 <break/>、<sub>、<phoneme>、<say-as> 做细标。

不合格：

<speak>这款清洁喷雾很适合厨房。<break time="800ms"/>油渍一喷一擦就干净。<break time="800ms"/>现在下单还有优惠。</speak>

原因：只加停顿，没有任何 rate/pitch/volume 表演设计。

合格：

{
  "segments": [
    {
      "input": "<speak rate=\"1.08\" pitch=\"1.06\" volume=\"68\">厨房油渍难擦，<break time=\"250ms\"/>真的不用再拿钢丝球硬蹭。</speak>",
      "prompt": "短视频开场钩子，直接、有共鸣，第一句抓住注意力。",
      "pauseAfterSeconds": 0.25
    },
    {
      "input": "<speak rate=\"0.98\" pitch=\"1.0\" volume=\"64\">这瓶清洁喷雾喷上去等几秒，<break time=\"300ms\"/>油污会慢慢浮起来，抹布一擦就干净。</speak>",
      "prompt": "产品卖点解释，清楚、可信，强调使用过程和效果。",
      "pauseAfterSeconds": 0.35
    },
    {
      "input": "<speak rate=\"1.04\" pitch=\"1.04\" volume=\"70\">家里经常做饭的，<break time=\"250ms\"/>可以先囤一瓶试试。</speak>",
      "prompt": "结尾行动号召，轻快、有推动力，但不要像喊口号。",
      "pauseAfterSeconds": 0.4
    }
  ]
}

5. 判断是否允许不用 SSML

在 Agent 音频创作里，默认应该输出 <speak>，尤其是多句、换行、带货口播、自媒体口播、产品讲解、教程或需要语气的文本。纯文本只适合极短中性单句，或者用户明确说“不需要 SSML”。

比如用户输入多行教程文本，应按步骤拆成 segments：

{
  "model": "cosyvoice-v3.5-plus",
  "voiceId": "voice_xxx",
  "segments": [
    {
      "input": "<speak rate=\"0.94\" pitch=\"0.99\" volume=\"60\">在 Mac 上彻底删除文件，不是移到废纸篓，有几种方法。</speak>",
      "prompt": "清晰、平稳地说明主题。",
      "pauseAfterSeconds": 0.25
    },
    {
      "input": "<speak rate=\"0.92\" pitch=\"0.98\" volume=\"62\">方法一：<break time=\"220ms\"/>快捷键直接永久删除。<break time=\"350ms\"/>选中文件后按：<sub alias=\"Option 加 Command 加 Delete\">Option ⌥ + Command ⌘ + Delete ⌫</sub>。</speak>",
      "prompt": "教程步骤语气，重点读清楚快捷键。",
      "pauseAfterSeconds": 0.35
    },
    {
      "input": "<speak rate=\"0.9\" pitch=\"0.97\" volume=\"58\">系统会提示：<break time=\"300ms\"/>是否要立即删除？<break time=\"450ms\"/>点击删除后，这个文件不会进入废纸篓。</speak>",
      "prompt": "提醒和结论语气，收束清楚。",
      "pauseAfterSeconds": 0.5
    }
  ],
  "language_hints": ["zh"],
  "responseFormat": "mp3",
  "waitForCompletion": true
}

注意：可以把快捷键、符号和换行转成更好读的自然文本，但每个 segment 仍然要保留完整 <speak> 和必要的 <break/>。

常用口播参数

这些是起点，不是固定模板。根据文本微调。

使用规则：

• 不能把下表当作“只选一个全篇参数”。长文本要根据语气区块微调。
• 同一篇文本里，相邻区块的变化要克制，通常 rate 差值不超过 0.12，pitch 差值不超过 0.12，volume 差值不超过 12，除非用户明确要强转化或夸张风格。
• 绝对不要把 MiniMax/音频播放器里的 volume: 0.8 写成 CosyVoice SSML 的 volume="0.8"；CosyVoice SSML 里应写类似 volume="55"。
• 痛点、场景共鸣：语速不要太快，给关键词短停顿。
• 卖点、效果、对比：读清楚，略提高 volume，但不要喊。
• 价格、优惠、规格：数字要读准，前后给短停顿。
• CTA：可以略提高 rate、pitch、volume，但保持自然，不要像硬广喊麦。
• 结尾收束：干净明确，通常给 400ms-800ms 留白即可。
• 如果你发现自己只在 <break/> 上做变化，说明还没有完成 CosyVoice 表演设计。

场景	建议
短视频开场钩子	rate="1.04-1.16"，pitch="1.02-1.12"，volume="64-74"
痛点/使用场景	rate="0.94-1.04"，pitch="0.98-1.04"，volume="58-68"
产品卖点解释	rate="0.94-1.04"，pitch="0.98-1.04"，volume="60-68"
效果/对比呈现	rate="0.96-1.08"，pitch="1.0-1.08"，volume="62-72"
价格/优惠信息	rate="0.9-1.0"，pitch="0.98-1.04"，volume="60-70"
信任背书	rate="0.9-1.0"，pitch="0.96-1.02"，volume="56-66"
CTA 结尾	rate="1.04-1.16"，pitch="1.02-1.1"，volume="66-76"
知识口播总结	rate="0.92-1.02"，pitch="0.98-1.04"，volume="58-68"

停顿策略

停顿不是标点的机械翻译。只在“听众需要消化”或“表演需要落点”时加。

常用停顿：

• 普通逗号：多数情况下不需要 <break>，靠标点即可。
• 重点前：<break time="300ms"/>
• 重点后：<break time="400ms"/> 到 <break time="600ms"/>
• 段落过渡：<break time="700ms"/> 到 <break time="1000ms"/>
• 情绪下沉：<break time="900ms"/> 到 <break time="1400ms"/>
• 结尾留白：<break time="400ms"/> 到 <break time="900ms"/>

不要在每个句号后都加停顿。短视频口播里一旦停顿过密，会显得拖沓，影响信息密度。

读法修正策略

优先修正会明显读错或造成歧义的内容。

数字

• 验证码、订单号、ID：用 digits。
• 金额：用 currency。
• 日期：用 date。
• 时间：用 time。
• 电话：用 telephone。
• 普通数量：用 cardinal 或保持原文。

多音字和专名

已知容易错的多音字，用 <phoneme>：

<phoneme alphabet="py" ph="chong2 qing4">重庆</phoneme>

不要对所有中文都加拼音。只修正关键、容易错、用户特别在意的词。

缩写和品牌

如果按字母读会不自然，用 <sub>：

<sub alias="人工智能">AI</sub>

如果用户需要保留原文显示但改变读法，<sub> 比直接改文本更合适。

内容类型模板

自媒体知识口播

目标：开头给结论，中间解释清楚，结尾给行动建议或关注理由。

做法：

• 开头不要铺垫太久，先说结论或冲突点。
• 概念、步骤、结论前后加短停顿。
• 列表项之间加轻微停顿，避免像读稿。
• 数字、日期、术语用 say-as 或 sub 修正。

示例：

<speak rate="1.02" pitch="1.03" volume="66">做短视频口播，<break time="250ms"/>最重要的不是语速快，<break time="300ms"/>而是每一句都让用户知道，为什么要继续听。</speak>

短视频带货口播

目标：开头抓注意力，中间讲清卖点和信任，结尾推动行动。

做法：

• 开头短促但不要喊。
• 痛点和使用场景要读得像真人经验，不要像念说明书。
• 关键信息前加停顿。
• CTA 可以单独一个 <speak>，略快、略亮、音量稍高。

示例：

<speak rate="1.08" pitch="1.06" volume="70">厨房油渍别再用力刮了。<break time="300ms"/></speak><speak rate="0.98" pitch="1.0" volume="64">这瓶清洁喷雾喷上去等几秒，油污会自己浮起来，抹布一擦就干净。</speak><speak rate="1.08" pitch="1.06" volume="72">经常做饭的，今天可以先囤一瓶。</speak>

种草测评

目标：像真实使用后分享，既有体验感，也有购买判断。

做法：

• 使用场景自然一点，不要一上来就硬卖。
• 优点要具体，适合人群要说清楚。
• 如果有缺点或限制，读得平稳可信。
• 购买建议放在结尾，语气要像建议，不要强迫。

示例：

<speak rate="0.98" pitch="1.0" volume="62">我用了两周，最明显的感受是它不厚重，早上赶时间也能很快推开。</speak><speak rate="0.94" pitch="0.98" volume="60">但如果你是特别干的皮肤，<break time="250ms"/>建议先做好保湿。</speak><speak rate="1.04" pitch="1.04" volume="68">想要通勤妆自然一点的，可以重点看这款。</speak>

直播切片和限时转化

目标：把限时信息、利益点和行动指令读清楚。

做法：

• 开头直接提醒正在发生什么。
• 价格、库存、限时条件用短停顿隔开。
• 行动指令清楚，避免太长。
• 不要为了紧迫感把全文读得过快。

示例：

<speak rate="1.08" pitch="1.06" volume="72">这一轮福利先提醒一下，<break time="300ms"/>库存不多。</speak><speak rate="0.96" pitch="1.0" volume="66">需要的朋友先领券，再下单，价格会更合适。</speak>

产品功能讲解

目标：把功能、步骤和适合人群讲明白，适合做教程型带货或产品介绍。

做法：

• 功能名和步骤名前后加短停顿。
• 数字、型号、规格要用 say-as 或 sub 修正。
• 每个 segment 只讲一组功能或一个步骤。
• 结尾用一句话总结适合谁。

示例：

<speak rate="0.96" pitch="1.0" volume="64">它有三个常用档位：<break time="250ms"/>日常清洁、强力去污、还有快速除味。</speak><speak rate="0.94" pitch="0.99" volume="62">如果你主要用在厨房，直接选强力去污这一档就够了。</speak>

常见错误和修正

• 错误：用 <prosody> 控制单句。 修正：用 <speak rate="..." pitch="..." volume="...">，必要时拆成多个并列 <speak>。

• 错误：写 <prosody rate="0.9" volume="medium">。 修正：<speak rate="0.9" volume="60">...</speak>。

• 错误：写 <speak rate="0.82" pitch="-2" volume="50">。 修正：CosyVoice 的 pitch 是正数倍率，低沉或稳重口播可写 <speak rate="0.9" pitch="0.94" volume="58">。

• 错误：把“温柔地说”“停顿一下”写进要朗读的文本。 修正：把风格放进 prompt，把停顿写成 <break/>。

• 错误：每句话都独立 <speak>。 修正：只有明显语气区块变化才拆 <speak>。

• 错误：所有句号后都加 <break time="700ms"/>。 修正：只在重点、转折、段落、结尾加显式停顿。

• 错误：为了表达情绪使用 emotion:"happy"。 修正：CosyVoice 不用 emotion，用 prompt、<speak> 属性、标点和 <break/> 表达。

• 错误：用 MiniMax <#0.6#>。 修正：改成 <break time="600ms"/>。

自检清单

调用 voice.speech 前，必须检查：

• 当前模型确实是 CosyVoice 系列。
• 短文本用 input，长文本用 segments。两者都必须是最终可执行内容，不是分析文本。
• 每个 SSML 片段都包在 <speak> 内，且没有嵌套 <speak>。
• 每个 <speak> 都显式包含数字形式的 rate、pitch、volume。
• 每个 rate 和 pitch 都在 0.5-2 之间；没有 pitch="-2"、pitch="-1"、pitch="0" 这类 MiniMax pitch。
• 每个 volume 都在 0-100 之间；没有 volume="0.8"、volume="1.0" 这类小数音量。
• 多句/长文本/带货口播/自媒体口播/产品讲解不只是添加 <break/>，而是有按语气区块变化的 <speak> 参数。
• 长文本已拆成多个 segments，每个 segment 都有自己的 prompt；短文本可以只有全局 prompt。
• 没有 <prosody>、emotion、MiniMax 停顿标记。
• 用户原文没有被无故改写。
• 长文本有清晰口播结构，而不是全篇同一速度同一停顿。
• 需要强调、转折、结尾的地方有合理停顿。
• 容易读错的数字、日期、电话、ID、多音字已经用 say-as、phoneme 或 sub 修正。
• prompt 是声音风格，不包含逐句分析、分镜或说明。
• waitForCompletion 为 true，除非用户明确只要提交异步任务。