tts-converter - 语音合成

文字转语音（TTS）技能

功能说明

使用微软 Edge 浏览器的语音合成技术，将文字转换为高质量的音频文件。完全免费，支持多种语言和声音。

适用场景

当你需要：

• 将口播稿子转换成音频文件
• 批量生成语音内容
• 制作播客、有声书
• 为视频配音
• 生成语音提示音

使用方法

方式1：简单命令（推荐）

直接告诉Claude：

把 [文件] 转成音频
把 "口播稿.txt" 转成 mp3

示例：

把 "演讲稿.md" 转成音频
把桌面的 "故事.txt" 转成 mp3 文件

方式2：指定声音

用 [声音名称] 把 [文件] 转成音频

示例：

用女声把 "稿子.txt" 转成音频
用xiaoxiao把 "文章.md" 转成 mp3

方式3：广播剧稿子转音频 🎭

直接把广播剧稿子转换成多角色MP3：

把 "广播剧稿子.txt" 转成广播剧音频

稿子格式（支持多种格式）：

格式1：冒号分隔

男主角：你好，世界。
女主角：你好！
旁白：他们相遇了。

格式2：方括号 ⭐ 推荐

【男主角】你好，世界。
【女主角】你好！

格式3：Markdown复杂格式

### **角色列表**

【旁白】全知视角，负责交代背景。

【男主角】男主角，二十岁，性格开朗。

【旁白】魔王城矗立在荒凉的平原之上，阴森的云层压得很低。

【男主角】唉，人生剧本是不是拿错了。

⚠️ 重要提示：

• 格式3包含"角色列表"部分，需要跳过短描述（<80字）
• 开篇旁白必须保留，用来交代背景和场景

支持的角色名：

• 男主角/男1/男2 → 云希（年轻男声）
• 女主角/女1 → 晓晓（温柔女声）
• 女2 → 晓伊（成熟女声）
• 旁白 → 云扬（成熟男声，更有磁性）
• 我 → 云希（年轻男声）
• AI → 晓晓（AI女声）

方式4：命令行使用

# 广播剧稿子转音频
python drama_to_audio.py 稿子.txt 输出.mp3

# 单个文本转音频
python tts.py input.txt output.mp3

# 指定声音
python tts.py input.txt output.mp3 --voice zh-CN-XiaoxiaoNeural

# 调整语速（0.5-2.0，默认1.0）
python tts.py input.txt output.mp3 --rate 1.2

# 调整音调（-50% 到 +100%，默认0%）
python tts.py input.txt output.mp3 --pitch +10%

支持的声音

中文女声（推荐）

• zh-CN-XiaoxiaoNeural - 晓晓（温柔女声，默认）
• zh-CN-XiaoyiNeural - 晓伊（温柔女声）
• zh-CN-YunyangNeural - 云扬（温柔女声）
• zh-CN-XiaomengNeural - 晓梦（活泼女声）
• zh-CN-XiaohanNeural - 晓涵（活泼女声）

中文男声

• zh-CN-YunyangNeural - 云扬（男声）
• zh-CN-YunxiNeural - 云希（年轻男声）
• zh-CN-YunzeNeural - 云泽（年轻男声）
• zh-CN-YunjianNeural - 云建（成熟男声）

其他语言

• en-US-JennyNeural - 英语女声
• ja-JP-NanamiNeural - 日语女声
• ko-KR-SunHiNeural - 韩语女声

特点

✅ 免费使用：无需付费，无限制使用 ✅ 音质自然：使用微软最新的神经网络语音 ✅ 支持中文：完美的中文发音 ✅ 离线处理：在本地运行，不需要上传数据 ✅ 批量转换：支持批量处理多个文件 ✅ 参数调整：可调节语速、音调、音量

技术实现

使用工具：

• Python 3
• edge-tts（微软 Edge 语音合成）
• aiohttp（异步 HTTP 请求）

核心优势：

• ✅ 完全免费，无需 API key
• ✅ 音质接近商业语音合成
• ✅ 支持多种语言和声音
• ✅ 可调节语速和音调

依赖项

pip install edge-tts

输出格式

支持多种音频格式：

• MP3（推荐）：体积小，兼容性好
• WAV：无损音质
• OGG：开源格式

参数说明

示例

示例1：转换口播稿

输入：

把 "口播稿.txt" 转成 mp3

输出：

• 口播稿.mp3（使用晓晓女声）

示例2：使用男声

输入：

用云希的声音把 "演讲.md" 转成音频

输出：

• 演讲.mp3（使用云希男声）

示例3：调整语速

输入：

把 "小说.txt" 转成 mp3，语速调快一点

输出：

• 小说.mp3（语速 1.2 倍）

查看所有可用声音

# 列出所有中文声音
python tts.py --list-voices zh

# 列出所有声音
python tts.py --list-voices all

注意事项

• 首次使用需要联网下载语音数据
• 转换速度取决于文本长度和网络速度
• 建议使用 UTF-8 编码的文本文件
• 长文本可能需要较长的转换时间

故障排除

问题：转换失败或没有声音

解决方法：

1. 检查网络连接
2. 确认输入文件编码为 UTF-8
3. 尝试更新 edge-tts：

   pip install --upgrade edge-tts
   

问题：语速太快或太慢

解决方法：

• 使用 --rate 参数调整
• 正常语速：1.0
• 快速：1.2 - 1.5
• 慢速：0.8 - 0.9

问题：声音不够自然

解决方法：

1. 尝试不同的声音（推荐使用 Neural 结尾的）
2. 调整语速和音调
3. 在文本中添加适当的标点符号

智能广播剧制作 🎭 v2.0

自动角色识别与声音匹配

新增的智能版工具（drama_to_audio_v2.py）可以自动识别脚本中的角色信息，智能匹配声音，并根据性格调整语速。

功能特点

✅ 自动识别角色：从脚本开头的"角色列表"中提取角色特征 ✅ 智能声音匹配：根据年龄、性别自动选择合适的声音 ✅ 性格语速调整：急躁角色1.2倍速，沉稳角色0.85倍速 ✅ 角色名提示：对话前自动添加角色名（如"莱昂。唉，人生剧本..."）

使用方法

基础用法：

python drama_to_audio_v2.py 脚本.md 广播剧.mp3

可选参数：

# 不添加角色名提示
python drama_to_audio_v2.py 脚本.md 广播剧.mp3 --no-name-prompt

# 不使用语速调整
python drama_to_audio_v2.py 脚本.md 广播剧.mp3 --no-speed-adjustment

脚本格式要求

脚本开头必须包含"角色列表"部分：

### **角色列表**

【旁白】全知视角，负责交代背景、环境渲染及转场衔接。

【莱昂】男主角，二十二岁，原本是见习骑士。内心充满槽点。

【汤姆】莱昂的侍从，热血少年，正义感过剩，声音宏亮。

【艾莉丝】王国公主，外表完美，实则是极度理想主义的政治狂热者。

【魔王】魔王城之主，优雅但疲惫，被公主的学术演讲折磨到濒临崩溃。

【国王】艾莉丝的父亲，重度女儿奴，情绪波动剧烈，容易老泪纵横。

---

【旁白】魔王城矗立在荒凉的平原之上...

【莱昂】唉，人生剧本是不是拿错了。

角色识别规则

年龄识别：

• ≤ 25岁 → "年轻"
• 26-45岁 → "成熟"
• > 45岁 → "中年"

性别识别：

• 特殊角色：旁白 → "旁白"
• 女性关键词：女主角、她、公主、女王、少女、女孩、小姐、母亲
• 男性关键词：男主角、他、骑士、王子、国王、魔王、少年、男孩、父亲

性格识别：

• 急躁：急躁、热血、冲动、急切、火爆 → 语速1.2倍
• 沉稳：沉稳、冷静、成熟、稳重、优雅、疲惫 → 语速0.85倍
• 活泼：活泼、开朗、欢快、愉快、兴奋 → 语速1.0倍
• 默认：正常 → 语速1.0倍

声音匹配策略

冲突解决：

• 当多个角色使用同类型声音时，优先保持第一个角色不变
• 其他角色从备选声音列表中选择
• 如果备选列表耗尽，使用相同声音但不同语速区分

输出示例

[INFO] 识别到 6 个角色
  - 旁白: 旁白, 年轻, 正常
  - 莱昂: 男, 年轻, 正常
  - 艾莉丝: 女, 年轻, 活泼
  - 汤姆: 男, 年轻, 急躁
  - 魔王: 男, 成熟, 沉稳
  - 国王: 男, 成熟, 沉稳

[INFO] 声音分配结果:
  旁白: 成熟男声
  莱昂: 年轻男声
  艾莉丝: 温柔女声
  汤姆: 年轻男声 语速+20%
  魔王: 成熟男声 语速-15%
  国王: 成熟男声

[1/50] 旁白: 旁白。魔王城矗立在荒凉的平原之上...
[2/50] 莱昂。唉，人生剧本是不是拿错了。
[3/50] 汤姆: 汤姆。莱昂大人——公主殿下被魔王抓走了——

与旧版工具的区别

推荐使用场景：

• 新项目 → 使用 drama_to_audio_v2.py
• 已有项目 → 两种工具都可以
• 需要精细控制 → 使用 drama_to_audio.py

广播剧制作完整流程 🎭

实战案例：制作多角色广播剧

以下是基于实际项目（广播剧《三千年后的我与AI女友还在吵架》）总结的完整流程。

步骤1：准备脚本

脚本格式要求：

**\[角色名\]**：
对话内容

示例：

**\[旁白\]**：
新东京历，3024年。这是一个人类早已习惯将意识上传到云端的时代。

**\[艾米\]**：
\[机械式的轻快感\] 喂，和也，起床了。根据早间气象和你的睡眠数据分析，今天的幸福指数只有百分之三十二。

**\[和也\]**：
\[睡眼惺忪\] 艾米……我求你了，能不能把闹钟铃声换成正常人类的？

步骤2：提取纯对话

使用脚本提取对话，去除：

• ✂️ 动作描述（如 \[机械式的轻快感\]）
• ✂️ 旁白描述
• ✂️ 空行
• ✂️ 角色介绍行

转换格式：

【旁白】新东京历，3024年。这是一个人类早已习惯将意识上传到云端的时代。
【艾米】喂，和也，起床了。根据早间气象和你的睡眠数据分析，今天的幸福指数只有百分之三十二。
【和也】艾米……我求你了，能不能把闹钟铃声换成正常人类的？

步骤3：文本优化

关键优化点：

1. 替换冒号为逗号 ⚠️ 重要

   • ❌ 原文："生成结果如下：意识上传就是永生"
   • ✅ 优化："生成结果如下，意识上传就是永生"
   • 原因：TTS在冒号处会有明显停顿，影响流畅度

2. 保留完整对话

   • 确保冒号后的内容不被截断
   • 检查脚本处理逻辑，不要丢失内容

3. 去除动作提示

   • 删除 \[...\] 格式的情感/动作描述
   • 只保留纯对话内容

步骤4：配置角色声音

根据角色特点选择合适的声音：

添加自定义角色映射（在 drama_to_audio.py 中）：

VOICE_MAP = {
    '旁白': 'zh-CN-YunjianNeural',    # 成熟男声
    '和也': 'zh-CN-YunxiNeural',       # 少年男声
    '艾米': 'zh-CN-XiaoxiaoNeural',    # AI少女
    '星空': 'zh-CN-XiaoyiNeural',      # 温柔少女
}

步骤5：生成音频

python drama_to_audio.py 广播剧_最终版.txt 广播剧_最终版.mp3

输出示例：

[INFO] 识别到 65 个对话片段

[预览] 前3个片段：
  旁白 (zh-CN-YunjianNeural): 新东京历，3024年...
  艾米 (zh-CN-XiaoxiaoNeural): 喂，和也，起床了...
  和也 (zh-CN-YunxiNeural): 艾米……我求你了...

[INFO] 共 65 个片段
[INFO] 正在合并音频...
[OK] 音频已生成: 广播剧_最终版.mp3
[INFO] 文件大小: 2.9 MB

步骤6：质量检查

检查清单：

• 对话内容完整，无遗漏
• 冒号已替换为逗号，朗读流畅
• 每个角色声音区分明显
• 旁白使用成熟音，角色使用少年/少女音
• 音频时长合理（约3-5分钟/1000字）

常见问题及解决方案

问题1：对话内容被截断

症状：

原文：生成结果如下：意识上传就是永生
实际：生成结果如下（后面的内容丢失）

原因：

• 脚本把冒号当作分隔符处理
• 正则表达式匹配不当

解决：

• 只在对话开头提取角色名
• 保留对话中所有标点符号（包括冒号）
• 测试时先打印前几条对话验证

问题2：TTS朗读有停顿

症状：

• 冒号处有明显停顿
• 语调不连贯

解决：

• 统一将冒号替换为逗号
• 检查文本，确保没有其他导致停顿的标点

问题3：角色声音不明显

症状：

• 多个角色听起来像同一个声音

解决：

• 使用明显不同的声音类型
• 旁白用成熟音（云建）
• 少年角色用年轻音（云希）
• 少女角色用温柔音（晓晓）

问题4：开篇旁白被误删 ⚠️ 高频问题

症状：

原文：【旁白】魔王城矗立在荒凉的平原之上...
实际：第一段旁白丢失，对话从主角台词开始

原因：

• 脚本包含"角色列表"部分
• 过滤逻辑误将开篇旁白当作角色介绍删除
• 简单的关键词匹配（如"魔王城"）导致误删

解决方案：

1. 识别脚本结构：区分"角色列表"和"实际对话"
2. 使用长度判断：跳过短描述（<80字），保留长对话
3. 保留所有长旁白：开篇旁白通常>80字，用来交代背景

示例代码：

skip_intro = True  # 跳过角色列表部分

for line in lines:
    match = re.match(r'^【(.+?)】(.+)$', line)
    if match:
        role, dialogue = match.groups()

        # 找到第一个长对话，说明角色列表结束
        if skip_intro and len(dialogue) > 80:
            skip_intro = False

        # 跳过角色列表
        if skip_intro:
            continue

        # 处理对话...

关键原则：

• ✅ 每个广播剧开头的长旁白（>80字）都保留
• ✅ 角色列表部分的短描述（<80字）跳过
• ❌ 不要用内容关键词来判断是否删除

最佳实践总结

1. 脚本处理：

   • 使用专门的脚本提取对话
   • 批量处理动作描述
   • 保留完整对话内容
   • ⭐ 识别脚本结构：区分角色列表和实际对话
   • ⭐ 保留开篇旁白：长旁白（>80字）必须保留

2. 文本优化：

   • ✅ 冒号→逗号（提升流畅度）
   • ✅ 去除动作提示
   • ✅ 保留情感标点（……、！）
   • ⭐ 不要用关键词过滤：避免误删包含特定词汇的对话

3. 声音配置：

   • 旁白：成熟稳重
   • 主角：少年/少女音
   • 配角：根据特点选择
   • ⭐ 提前添加角色映射：避免未知角色用默认声音

4. 质量保证：

   • 先生成短片段测试
   • 检查对话完整性
   • 验证声音区分度
   • ⭐ 验证开篇旁白：确保第一段是背景交代

最佳实践

1. 口播稿：使用晓晓或晓伊，语速 1.0-1.1
2. 有声书：使用云扬，语速 1.0，注意分段
3. 快节奏：使用晓梦，语速 1.2-1.3
4. 正式演讲：使用云建，语速 0.9-1.0
5. 广播剧：多角色配音，旁白用成熟音，角色用少年/少女音