Ms Speech Synth

MS Speech Synth - 微软 TTS 分段合成技能

核心能力

将任意长度的中文文本（数千字以上）转换为 MP3 音频，使用微软 Edge TTS 音色，通过分段合成 + PCM 拼接实现无字符限制语音生成，支持单文件与文件夹批量处理。

可选背景音乐能力：

工作流程

长文本 → 按句子分chunk（每chunk ≤1200字）
       → edge-tts 每段生成 MP3（每段之间延迟防止超限）
       → miniaudio 解码 MP3 → PCM bytes
       → 拼接所有 PCM
       → 写入 WAV 文件
       → （可选）ffmpeg 添加 BGM 并混音
       → 输出最终 MP3

工具依赖

| 工具 | 安装 | 用途 | |------|------|------| | edge-tts | pip3 install edge-tts | 微软 TTS 引擎 | | miniaudio | pip3 install miniaudio | MP3 解码为 PCM | | ffmpeg | curl -L .../ffmpeg.zip -o /tmp/ffmpeg.zip && unzip /tmp/ffmpeg.zip -d /tmp/ffmpeg_bin | WAV 转 MP3、BGM 混音 |

速率限制（Rate Limit）

> ⚠️ Edge TTS 是微软必应语音服务的免费接口，非官方 API，无正式 SLA。

限制阈值：

速率控制参数 --rate（每 TTS 请求间延迟）：

| --rate 值 | 实际速率 | 适用场景 | |-------------|----------|----------| | 1.5 | 40次/分钟 | 较快，接近上限 | | 2.0（默认）| 30次/分钟 | 稳定安全（默认） | | 3.0 | 20次/分钟 | 保守模式 |

批量文件夹模式额外策略： 每文件之间再等待 --delay 秒（默认3秒）。

使用方式

单文件模式

python3 ~/.openclaw/workspace/skills/ms-speech-synth/scripts/ms_tts_chunked_bgm.py \
  --input "/path/to/input.txt" \
  --output "/path/to/output" \
  --voice "zh-CN-XiaoxiaoNeural"
从 Markdown 文件（自动清洗 #标题 加粗 等格式）
python3 ~/.openclaw/workspace/skills/ms-speech-synth/scripts/ms_tts_chunked_bgm.py \
  --input "/path/to/notes.md" \
  --output "/path/to/output"

文件夹批量模式

处理整个文件夹下所有 .txt 和 .md 文件，自动降速防限流：

python3 ~/.openclaw/workspace/skills/ms-speech-synth/scripts/ms_tts_chunked_bgm.py \
  --input "/path/to/folder/" \
  --output "/path/to/output_folder/" \
  --delay 3 \
  --rate 2.0

带背景音乐模式

python3 ~/.openclaw/workspace/skills/ms-speech-synth/scripts/ms_tts_chunked_bgm.py \
  --input "/path/to/input.txt" \
  --output "/path/to/output" \
  --bgm "/path/to/bgm.mp3" \
  --bgm-intro 5 \
  --bgm-outro 5 \
  --bgm-mid-volume 0.12 \
  --bgm-full-volume 0.8

Python 模块导入

from scripts.ms_tts_chunked_bgm import synthesize_text, synthesize_file, synthesize_dir
单文件
result = synthesize_file(
    "/path/to/input.txt", "/path/to/output",
    voice="zh-CN-XiaoxiaoNeural",
    rate_limit_delay=2.0,
    speed=1.0,
)
单文件 + BGM
result = synthesize_file(
    "/path/to/input.txt", "/path/to/output",
    bgm_path="/path/to/bgm.mp3",
    bgm_intro=5.0,
    bgm_outro=5.0,
    bgm_mid_volume=0.12,
    bgm_full_volume=0.8,
)
批量文件夹
results = synthesize_dir(
    input_dir="/path/to/folder/",
    output_dir="/path/to/output/",
    voice="zh-CN-XiaoxiaoNeural",
    delay=3.0,
    rate_limit_delay=2.0,
    speed=1.0,
)

关键参数

| 参数 | 默认值 | 说明 | |------|--------|------| | --voice | zh-CN-XiaoxiaoNeural | 微软中文女声（晓晓） | | --chunk | 1200 | 每段最大字符数（建议 1000-1500） | | --delay | 3.0 | 批量模式：每文件间延迟秒数 | | --rate | 2.0 | 每 TTS 请求间延迟秒数（2s=30次/分钟，3s=20次/分钟） | | --speed | 1.0 | 语速倍率（1.0=正常，0.8=稍慢，1.5=较快） | | --ffmpeg | 自动查找 | FFmpeg 路径（转 MP3、BGM 混音） | | --bgm | 空 | 可选背景音乐文件路径 | | --bgm-intro | 5.0 | 片头纯背景音乐时长（秒） | | --bgm-outro | 5.0 | 片尾纯背景音乐时长（秒） | | --bgm-mid-volume | 0.12 | 正文阶段背景音乐铺底音量 | | --bgm-full-volume | 0.8 | 片头/片尾峰值音量 | | --bgm-loop | 始终开启 | 当前脚本默认循环背景音乐，长度不足时自动循环（暂无关闭开关） |

其他可用声音

zh-CN-XiaoxiaoNeural   # 晓晓 - 推荐女声
zh-CN-YunxiNeural      # 云希 - 男声
zh-CN-YunyangNeural    # 云扬 - 新闻风格
zh-HK-HiuMaanNeural    # 香港粤语
zh-TW-HsiaoYuNeural    # 台湾女声

Markdown 格式清洗

输入文件为 .md 时，自动将格式控制符转为自然朗读：

| 原始格式 | 转换效果 | |----------|----------| | # 我是标题 | 读标题并在末尾加停顿（……） | | ## 小标题 | 读标题并在末尾加停顿（……） | | ### 本节标题 | 读标题并在末尾加停顿（……） | | - 要点 / * 要点 | 第X点：xxx | | > 引用 | 引用：xxx | | 加粗 | 保留文字（去格式符） | | ` 代码 | 代码：xxx | | 文字 | 读链接文字 |

分段策略

三级保护机制，防截断设计：

1. 按句子边界拆分：按 。！？；， 切句 2. 累积到 chunk_size：组合成不超过 chunk_size 的 chunk 3. 超长句二次切分：按 顿号 → 逗号 → 空格 顺序继续切分

chunk_size 建议值：

0s                5s                     total-5s              total
|-----------------|----------------------|---------------------|
0 -> full         full -> mid            mid                   mid -> full -> 0

注意事项

1. edge-tts 有速率限制，建议保持 20–30 次/分钟 2. 批量任务建议保持 --delay 3 + --rate 2.0 默认组合 3. chunk_size 不建议超过 1500 4. 传 --bgm 时必须有可用 ffmpeg` 5. 背景音乐长度不足时会自动循环（当前无关闭开关） 6. Markdown 输入会先清洗再朗读