语音合成(TTS)Skill:一句话把文字变成高质量配音,还能顺带生成字幕
- 开箱即用的文字转语音能力:基于微软 Edge 神经网络语音服务(node-edge-tts),无需申请 API 密钥,装好依赖即可生成 MP3。
- 多语言、多音色、可精细调节:支持中、英、日、法、德、西、阿拉伯语等音色,语速、音调、音量均可按百分比微调。
- 两种调用方式:简单需求用内置
tts工具一句话搞定;复杂需求用tts-converter.js脚本控制音色、格式、字幕与代理。 - 自带字幕输出:可生成带词级时间戳的 JSON 字幕文件,方便做视频字幕对齐。
- 适合内容创作者与开发者:文章朗读、视频配音、演示文稿旁白、无障碍播报等场景都能直接落地。
该技能叫什么?如何下载安装 AI 技能提升开发效率?
技能中文名:语音合成(TTS)Skill 技能英文名:speech-synthesis 技能ID:14322
这个技能要解决的问题非常直接:把"文字"变成"可以直接播放的语音文件"。过去要做这件事,通常需要在多个云厂商之间比价、注册账号、申请密钥、阅读 SDK 文档,再写一堆调用代码;而这个技能把整条链路压缩成了「安装依赖 → 调用工具 → 拿到 MP3 路径」三步。
它解决的核心痛点包括:
- 门槛高:传统云 TTS 需要账号、密钥、计费配置,本技能基于微软 Edge 在线语音服务,无需 API 密钥(免费服务)。
- 质量参差:本技能使用以
Neural结尾的神经网络音色,音质明显优于传统机械音色。 - 调用繁琐:内置
tts工具可一句话完成转换,脚本方式则保留全部可调参数。 - 字幕缺失:多数轻量方案只出音频不出字幕,本技能可同时输出带时间戳的 JSON 字幕。
安装前提
- 需要具备 Node.js 与 npm 环境(脚本依赖 npm 安装)。
- 需要网络连接,因为底层调用的是微软 Edge 在线语音服务。
- 如处于受限网络环境,可在调用时通过
--proxy参数指定代理地址。
安装步骤
第一步,进入技能脚本目录并安装依赖:
cd /home/user/clawd/skills/public/tts-skill/scripts
npm install
安装的主要依赖是 node-edge-tts(TTS 库)与 commander(命令行参数解析)。
第二步,运行测试脚本验证服务连通性:
cd /home/user/clawd/skills/public/edge-tts/scripts
npm test
测试通过后会在 scripts 目录下生成 test-output.mp3,说明 TTS 服务可正常访问。
第三步,验证音色列表是否可拉取:
node tts-converter.js --list-voices
若能返回可用音色清单,说明技能已生效。也可以直接用内置工具做一次快速验证:tts("这是一段测试文本。"),返回 MEDIA: /path/to/audio.mp3 形式的结果即表示成功。
具体安装路径、目录结构与可执行入口,以你所在环境的官方说明为准;不同部署环境下技能目录可能不同。
该技能的主要功能和特点
- 文本转语音(核心能力):将文章、消息、摘要、搜索结果等任意文本转为 MP3 音频文件。
- 多语言支持:覆盖英语(美式/英式)、西班牙语、法语、德语、日语、中文、阿拉伯语等,通过
--lang指定语言代码。 - 丰富音色库:提供大量神经网络音色,例如
en-US-AriaNeural(美式女声)、en-US-GuyNeural(美式男声)、en-GB-SoniaNeural(英式女声)、zh-CN-XiaoxiaoNeural(中文女声)、ja-JP-NanamiNeural(日语女声)等,可用--list-voices查看完整列表。 - 韵律精细调节:语速(
--rate)、音调(--pitch)、音量(--volume)均支持+10%、-20%、default这类百分比写法。 - 字幕生成:
--save-subtitles可输出 JSON 字幕,包含词级别的时间戳,便于做视频字幕同步。 - 多档音质输出:从 24kHz/48kbps 的标准音质(适合语音消息),到 48kHz/96kbps 立体声的最高音质(适合专业音频)。
- 配置持久化:
config-manager.js可把常用偏好(音色、语言、格式、音调、语速、音量)保存到~/.tts-config.json,下次无需重复传参。 - 触发词自动过滤:技能会识别 “tts” 等关键词作为请求信号,并自动从待转换文本中过滤掉这些触发词,避免把"tts"本身也读出来。
- 代理与超时支持:
--proxy指定代理,--timeout设置请求超时(默认 10000 毫秒)。
和普通工具比强在哪? 相比系统自带的朗读功能,它能输出可直接分发的音频文件而非仅本地播放;相比云厂商 SDK,它不需要密钥和账号体系;相比命令行小工具,它多了字幕生成、配置持久化、音色列表查询这些工程化细节。
如何使用该技能?
方式一:内置 tts 工具(最简路径)
适合"把这段话读出来"的即时需求。
// 用默认设置转换文本
tts("今天的产品更新包括三项内容:性能优化、界面改版和新增导出功能。")
// 返回:MEDIA: /path/to/audio.mp3
工具返回 MEDIA: 路径后,由 Clawdbot 将音频发送到当前频道,用户直接收到语音消息。
方式二:脚本调用(需要自定义时)
步骤 1:进入脚本目录并确认依赖已安装
cd scripts
npm install
步骤 2:用默认音色快速生成
node tts-converter.js "欢迎使用语音合成技能" --output welcome.mp3
步骤 3:指定音色、语速与音调
node tts-converter.js "这是一段产品介绍文案" \
--voice zh-CN-XiaoxiaoNeural \
--rate +10% \
--pitch default \
--volume +0% \
--output intro.mp3
步骤 4:同时生成字幕
node tts-converter.js "第一句。第二句。第三句。" \
--voice en-US-AriaNeural \
--save-subtitles \
--output demo.mp3
执行后会额外得到一个 JSON 字幕文件,内含词级时间戳,可用于视频字幕对齐。
步骤 5:查询可用音色
node tts-converter.js --list-voices
步骤 6:管理常用配置
node config-manager.js --set-voice en-US-AriaNeural
node config-manager.js --set-rate +10%
node config-manager.js --get # 查看当前配置
node config-manager.js --reset # 重置配置
参数速查与输入输出说明
| 参数 | 作用 | 示例值 |
|---|---|---|
--voice, -v |
指定音色 | en-US-AriaNeural |
--lang, -l |
指定语言代码 | en-US、es-ES |
--format, -o |
输出音频格式 | audio-24khz-48kbitrate-mono-mp3 |
--pitch |
音调调节 | +10%、-20%、default |
--rate, -r |
语速调节 | +10%、-20%、default |
--volume |
音量调节 | +0%、-10%、default |
--save-subtitles, -s |
保存 JSON 字幕 | 无值开关 |
--output, -f |
输出文件路径 | tts_output.mp3(默认) |
--proxy, -p |
代理地址 | http://localhost:7890 |
--timeout |
请求超时(毫秒) | 10000(默认) |
--list-voices, -L |
列出可用音色 | 无值开关 |
输出说明:默认在系统临时目录生成唯一命名的 MP3(Unix 为 /tmp/edge-tts-temp/,Windows 为用户临时目录下的 edge-tts-temp\)。这些文件不会自动删除,调用方应在使用后自行清理;如需长期保存,务必用 --output 指定固定路径。
语速选择建议:-20% 至 -10% 适合教程、故事、无障碍朗读;+10% 至 +20% 适合摘要速览;+30% 至 +50% 适合新闻与追求效率的场景。
同类型竞品对比分析
| 方案名称 | 定位 | 核心功能 | 安装/使用门槛 | 适用场景 | 优势与不足 |
|---|---|---|---|---|---|
| speech-synthesis(本技能) | 轻量级、免密钥的文本转语音技能 | 多语言多音色、语速/音调/音量调节、JSON 字幕、多档音质、配置持久化 | 需 Node.js 与 npm,执行 npm install 即可;无需 API 密钥 |
文章朗读、视频配音、演示旁白、消息播报 | 优势:免密钥、上手快、自带字幕;不足:依赖网络,临时文件需自行清理,音色以微软 Edge 服务为准 |
| 商业云 TTS 服务(如 Azure、Google、Amazon 等同类服务) | 企业级语音合成平台 | 定制音色、发音词典、SSML 精细控制、批量合成 | 需注册账号、开通服务、配置密钥,通常按用量计费(具体价格以官方说明为准) | 大规模商用播报、客服外呼、品牌专属音色 | 优势:稳定性与合规性强、可控性高;不足:接入链路长、有成本与配额管理 |
| 操作系统自带朗读功能 | 系统级无障碍朗读工具 | 本地实时朗读屏幕文本或选中内容 | 系统内置,几乎零门槛 | 个人阅读、无障碍辅助 | 优势:完全本地、零配置;不足:一般不能直接产出可分发的音频文件,音色与语言数量有限 |
| 开源本地 TTS 引擎 | 离线部署的语音合成方案 | 本地推理生成语音,部分支持自定义模型 | 需自行部署运行环境与模型文件,有一定技术门槛 | 强隐私要求、离线环境、定制化研究 | 优势:数据不出本地、可深度定制;不足:部署与调优成本高,音质与自然度视模型而定 |
选型建议:追求"马上能用、质量够好、不折腾账号"→ 选本技能;需要品牌专属音色或有大规模商用 SLA 要求 → 选商业云服务;只求自己听得见 → 系统朗读足够;数据不能出内网 → 选开源本地方案。
该技能的典型应用场景与实际体验情况
场景一:内容运营把公众号文章转成音频版
运营同学每天要发长文,希望同步产出"听文章"版本。使用方式:把正文丢给 tts-converter.js,指定 zh-CN-XiaoxiaoNeural,语速设 -10% 让听感更从容,--output 指定到素材目录。实际体验:整段命令一行搞定,不需要任何密钥配置;需要注意的是长文建议分段合成后再拼接,单次超长文本的稳定性受网络影响。
场景二:开发者给演示视频配旁白
做产品 Demo 视频时懒得录音。使用方式:把讲稿按段落拆开,分别用 --save-subtitles 生成音频与字幕,再把 JSON 字幕导入剪辑软件对齐时间轴。实际体验:词级时间戳省去了手动对轴的麻烦,这是很多轻量工具不具备的能力;注意字幕时间戳的精度仍建议在剪辑软件里做一次微调。
场景三:企业内部消息的语音播报
在协作频道里发一条长通知,希望同事能直接听。使用方式:直接用内置工具 tts("通知内容"),返回 MEDIA: 路径后由 Clawdbot 推送到频道。实际体验:这是本技能"最爽"的路径,一句话完成;同时技能会自动过滤掉文本里的 “tts” 等触发词,避免把关键词本身读出来。
场景四:无障碍与学习辅助
为视障用户或语言学习者朗读材料。使用方式:通过 config-manager.js 把常用音色与语速固定下来,之后每次调用无需重复传参;学习外语时切换到 fr-FR-DeniseNeural、ja-JP-NanamiNeural 等对应语言音色。实际体验:配置持久化显著减少重复输入;慢速(-20%)配合清晰音色,听辨效果更好。
整体上手难度:低。会用命令行的人基本 5 分钟内能跑通第一条音频;不熟悉 Node 的用户需要先准备好运行环境。注意事项:①必须联网;②临时目录音频不会自动清理,长期使用要养成 --output 指定路径的习惯;③不同环境下的音色默认值可能存在差异(脚本参数说明标注为 en-US-AriaNeural,注意事项中标注为 en-US-MichelleNeural),建议先用 --list-voices 与 config-manager.js --get 确认实际生效值。
该技能能为用户带来的价值
- 把"接入成本"降到最低:无需注册账号、无需申请 API 密钥、无需阅读冗长的 SDK 文档,
npm install之后即可产出音频。对于只想"把文字读出来"的用户,这省掉的是以小时计的摸索时间。 - 把"多步流程"压缩为一行命令:文本 → 音频 → 字幕,原本需要三四个工具串联的工作,现在一条命令完成,内容产出的边际成本趋近于零。
- 显著降低内容二次加工门槛:一篇文章多出一个音频版本,一个讲稿多出一套字幕,视频配音不再依赖真人录音档期,小团队也能做出"有配音感"的内容。
- 可控性带来的长期价值:语速、音调、音量、音质档位、音色全部可调,加上配置持久化,意味着你可以沉淀出一套属于自己的"品牌声音参数",后续所有内容复用同一套听感。
- 工程友好:支持代理、超时、自定义输出路径、脚本化调用,便于嵌入到自动化流水线中,做批量合成或与 CI/内容发布流程集成。
- 成本优势明确:底层使用免费的微软 Edge 在线语音服务,无需按量付费(具体服务条款与可用性以官方说明为准),对个人开发者和小型项目尤其友好。
常见问题 FAQ
Q1:这个技能怎么安装?装完怎么确认能用?
A:进入技能脚本目录执行 npm install 安装 node-edge-tts 与 commander 依赖,然后运行 npm test 生成测试音频,或执行 node tts-converter.js --list-voices 看能否返回音色列表。也可以直接调用内置工具 tts("测试文本"),返回 MEDIA: 路径即表示成功。具体目录与入口以官方说明为准。
Q2:这个技能收费吗?需要 API 密钥吗?
A:不需要 API 密钥。技能底层调用微软 Edge 在线语音服务(node-edge-tts),详情中明确说明为免费服务。但由于是在线服务,必须联网才能使用;若处于受限网络环境,可用 --proxy 指定代理。
Q3:生成的音频文件保存在哪里?会不会一直堆积?
A:默认保存在系统临时目录(Unix 为 /tmp/edge-tts-temp/,Windows 为用户临时目录下的 edge-tts-temp\),文件名唯一。文件不会自动删除,需要调用方在使用后清理。如果希望长期保存,请用 --output 指定固定路径。
Q4:它和商业云 TTS、系统自带朗读相比该怎么选? A:只求"马上能用、质量够好、不折腾账号",选本技能;需要品牌专属音色、大规模商用或有明确 SLA 与合规要求,选商业云 TTS 服务(价格与条款以官方说明为准);只是自己听屏幕内容,系统自带朗读就够;数据完全不能出内网,则考虑开源本地 TTS 引擎自行部署。
Q5:适合谁用?我完全不会写代码能用吗?
A:适合内容运营、视频创作者、独立开发者、做无障碍支持的团队。如果只是想让 AI 把一段文字读出来,用内置工具一句 tts("文本") 即可,不需要写代码;如果需要批量处理、指定音色或生成字幕,则需要执行几条命令行指令,具备基础的终端操作能力即可上手。