melo-tts-metadata-creator

介绍

该 Skill 解决的是 MeloTTS 训练或微调前准备数据元数据文件的痛点。用户通常需要手动整理音频路径、说话人、语言和文本信息，格式稍有差错就会导致训练失败。本工具自动扫描指定目录下的 .wav 文件和对应的 .txt 转录文本，按照 MeloTTS 官方最新标准生成 metadata.list（格式：音频路径|speaker|语言|文本），减少人工核对和格式转换的繁琐工作。

使用方式非常简单：只需提供音频文件目录和文本文件目录（可相同也可不同），工具会自动匹配。支持单音色和多音色两种模式：多音色时自动根据第一级子目录名称提取 speaker 名称；单音色时可通过 —speaker 参数强制指定说话人。如果某些音频缺少对应的 .txt 文件，工具会自动调用 Whisper 进行语音转写，支持中文、英文等多种语言，无需用户额外准备转录文本。

适合人群包括：使用 MeloTTS 进行语音合成训练或微调的学术研究者、AI 开发者，以及需要批量处理语音数据的内容创作者。尤其适合那些需要快速构建大规模 TTS 数据集、但不想手动编写 metadata 的用户。对于高校学生做毕业设计或实验，也能大幅提升数据准备效率。

使用建议：确保音频文件为 .wav 格式，文本文件为 .txt 格式且编码为 UTF-8。多音色模式下，子目录命名应保持简洁且唯一，避免特殊字符。如果使用 Whisper 自动转录，建议先确认网络环境或本地已安装 Whisper 模型，以免转录耗时过长。注意：该工具仅生成 metadata.list，不负责音频预处理（如降噪、切分），如需清洗请先处理音频。