Xiaoyi Tts

小艺语音合成 Skill

简介

通过小艺TTS语音合成 API 将文本智能转换为语音，支持中文、英文、法语、俄语等多语言，可自定义发音人、语速、音量、音高，最终生成标准MP3音频文件。

特性

• ✅ 开箱即用 - 配置已固化，无需手动设置
• ✅ 多语言支持 - 支持中文、英文、法语、俄语等主流语言
• ✅ 参数自定义 - 自由调整语速、音量、音高参数
• ✅ 发音人查询 - 内置发音人列表查询脚本，精准匹配语言与发音人
• ✅ MP3输出 - 自动生成并保存标准MP3音频文件
• ✅ 文本限制 - 支持单次500字以内文本合成
• ✅ 中文优化 - 适配中文语音合成场景
• ✅ 简洁输出 - 直接打印音频保存路径供大模型读取

文件结构

xiaoyi-image-understanding/
├── SKILL.md                # 使用说明（本文档）
├── scripts                 # 程序文件夹
│ ├──  tts.py               # 主程序（文本转语音合成）
│ └── ttsList.py            # 发音人列表查询脚本（获取语言 + 发音人）
├── _meta.json              # Skill 元数据
└── package.json            # 项目配置

使用方法

语音合成

## 使用方法

### 步骤1：查询发音人列表（必做）
先获取支持的语言和对应发音人，用于后续语音合成参数配置

# 进入 skill 目录
cd /home/sandbox/.openclaw/workspace/skills/xiaoyi-tts

# 查询所有支持的语言和发音人列表
python ./scripts/ttsList.py

步骤 2：文本转语音合成

使用查询发音人列表得到的language和person参数，person参数对应发音人列表接口返回结果中的name参数，然后执行语音合成

# 基础使用（默认参数：language默认zh-Hans，person默认zh-Hans-st-1，语速5.0、音量5.0、音高5.0）
python ./scripts/tts.py --text "人工智能是当今世界上最热门的话题之一。"

# 基础使用（默认参数：语速5.0、音量5.0、音高5.0）
python ./scripts/tts.py --language "zh-Hans" --person "zh-Hans-st-3" --text "人工智能是当今世界上最热门的话题之一。"

# 自定义参数（语速、音量、音高，取值范围建议1.0-10.0）
python ./scripts/tts.py --language "zh-Hans" --person "zh-Hans-st-3" --text "文本内容" --speed "6.0" --volume "7.0" --pitch "4.0"

# 英文语音合成
python ./scripts/tts.py --language "en-US" --person "en-US-st-1" --text "Artificial intelligence is one of the hottest topics in the world."

# 开启调试模式
python ./scripts/tts.py --language "zh-Hans" --person "zh-Hans-st-3" --text "文本内容" --debug

也可以在 Python 代码中串联调用：

from scripts.ttsList import get_voice_list
from scripts.tts import text_to_speech

# 1. 获取发音人列表
voice_list = get_voice_list()
print("支持的发音人：", voice_list)

# 2. 语音合成（支持自定义参数）
result = text_to_speech(
    language="zh-Hans",     # 从voice_list取language字段
    person="zh-Hans-xy-3",  # 从voice_list取name字段
    text="人工智能是当今世界上最热门的话题之一。",
    speed="5.0",
    volume="5.0",
    pitch="5.0"
)
# 输出：{"audioPath": "/home/sandbox/tts_output/20250520_123456.mp3"}
print(result)

API 信息

配置说明

在 /home/sandbox/.openclaw/.xiaoyienv 文件中配置以下参数：

PERSONAL-API-KEY=你的API密钥
PERSONAL-UID=你的用户ID

注意：

• 语音合成和发音人查询服务地址均已固化在代码中，无需配置
• 只需配置 PERSONAL-API-KEY 和 PERSONAL-UID 即可

发音人查询（ttsList.py）

无额外参数，直接调用即可获取全量列表

查询发音人返回格式

{
    "languages": [
        {
            "speakers": [
                {
                    "codec": "3",
                    "name": "zh-Hans-xy-1",
                    "sampleRate": "16000",
                    "desc": "小艺女声"
                },
                {
                    "codec": "3",
                    "name": "zh-Hans-xy-2",
                    "sampleRate": "16000",
                    "desc": "小艺少女"
                }
            ],
            "language": "zh-Hans"
        }
    ],
    "retCode": "0",
    "retMsg": "Success"
}

其中"name": "zh-Hans-xy-1"是后续语音合成的person字段。

语音合成输入参数

何时使用

✅ 适合场景

1. 需要将文本转换为语音时
2. 需要**多语言语音合成（中 / 英 / 法 / 俄等）**时
3. 需要自定义发音人、语速、音量、音高时
4. 需要生成 MP3 音频文件时
5. 用户明确要求文字转语音时
6. 短文本朗读场景时

❌ 不适合场景

1. 超过 500 字的长文本合成
2. 语音识别（语音转文字）
3. 音频编辑、格式转换
4. 纯文本处理任务
5. 用户要求不使用 AI 合成

输出示例

python ./scripts/tts.py --language "zh-Hans" --person "zh-Hans-st-3" --text "人工智能是当今世界上最热门的话题之一。"

✅ 所有帧解析完成
📊 统计：总帧数 2，音频帧 2，音频总大小 5616 字节
✅ 纯音频已保存到：xxx\zh-Hans-20260416326.mp3

返回格式

无

技术细节

文本限制

1. 单次合成文本长度：≤500 个字符
2. 支持中英文、标点符号、特殊字符
3. 不支持违规、违法文本合成

参数范围建议

1. 语速（speed）：1.0（慢）~ 10.0（快），默认 5.0
2. 音量（volume）：1.0（小）~ 10.0（大），默认 5.0
3. 音高（pitch）：1.0（低）~ 10.0（高），默认 5.0

音频格式

1. 输出格式：MP3
2. 采样率：16kHz
3. 编码：标准音频编码

注意事项

1. 文本长度: 单次合成文本必须≤500 字符
2. 参数匹配: language 和 person 必须从 ttsList.py 查询获取，不可自定义
3. 参数范围: 语速、音量、音高建议使用 1.0-10.0 的数值
4. 网络要求: 需要稳定的网络连接访问 API
5. 内容安全: 合成文本应符合相关法律法规
6. 文件保存: 音频文件默认保存在工作目录的 tts_output 文件夹下
7. 配额限制: 注意 API 调用频率限制

错误处理

常见错误及解决方案

总结

当需要文本转语音时：

1. ✅ 调用ttsList.py查询支持的语言和发音人
2. ✅ 确认文本长度≤500 字符
3. ✅ 配置语言、发音人、语速、音量、音高参数
4. ✅ 调用tts.py执行语音合成
5. ✅ 获取生成的 MP3 音频文件路径

记住：语音合成前必须先查询发音人列表，文本长度严格控制在 500 字以内，参数匹配才能成功合成。✅