china-tts

# 国内文本转语音 China TTS 基于硅基流动（SiliconFlow）API，国内直连，无需翻墙。 支持中英日韩及粤语、四川话等方言，支持情感控制和声音克隆。 音色完整列表 → `references/voices.md` 使用场景与示例 → `references/examples.md` ## 触发时机 - "把这段文字转成语音" - "用温柔女声朗读这段内容" - "生成一个播客对话音频：[S1]... [S2]..." - "用粤语朗读这段话" - "帮我克隆这个声音来朗读" --- ## 前置配置（首次使用） ``` 1. 访问 cloud.siliconflow.cn，手机号注册（国内直连） 2. 进入「API密钥」页面，创建并复制 API Key 3. 在 OpenClaw 中配置： export SILICONFLOW_API_KEY="sk-xxxxxxxxxxxxxxxx" 或写入 ~/.openclaw/.env 注意：使用自定义音色（声音克隆）需要完成实名认证 ``` --- ## 模型选择 ``` 日常朗读 / 博客配音 / 多语言 → CosyVoice2-0.5B（推荐首选） 播客对话 / 双人角色扮演 → MOSS-TTSD-v0.5 ``` ### CosyVoice2-0.5B（推荐） ``` 模型名：FunAudioLLM/CosyVoice2-0.5B 特点： - 支持中文、英文、日语、韩语 - 支持中国方言：粤语、四川话、上海话、郑州话、长沙话、天津话 - 支持情感控制：快乐、兴奋、悲伤、愤怒等 - 8种内置音色，支持自定义声音克隆 ``` ### MOSS-TTSD-v0.5（双人对话专用） ``` 模型名：fnlp/MOSS-TTSD-v0.5 特点： - 专为对话场景设计，支持双人声音 - 使用 [S1] [S2] 标签区分说话人 - 支持声音克隆（通过 references 字段传入两个音色） - 适合 AI 播客、角色扮演、对话配音 - 最大 128000 字符输入 ``` --- ## API 调用 ### 基础朗读（CosyVoice2，系统预置音色） ```bash curl --location 'https://api.siliconflow.cn/v1/audio/speech' \ --header "Authorization: Bearer $SILICONFLOW_API_KEY" \ --header 'Content-Type: application/json' \ --data '{ "model": "FunAudioLLM/CosyVoice2-0.5B", "input": "你好，欢迎使用硅基流动语音合成服务。", "voice": "FunAudioLLM/CosyVoice2-0.5B:claire", "response_format": "mp3", "speed": 1.0, "gain": 0 }' \ --output output.mp3 ``` ### 情感控制朗读 ```bash # 在 input 开头加上情感指令，用 <|endofprompt|> 分隔 --data '{ "model": "FunAudioLLM/CosyVoice2-0.5B", "input": "你能用高兴的情感说吗？<|endofprompt|>今天真是太开心了，马上要放假了！", "voice": "FunAudioLLM/CosyVoice2-0.5B:diana", "response_format": "mp3" }' ``` 情感指令示例： ``` "你能用高兴的情感说吗？<|endofprompt|>内容..." "请用悲伤的语气朗读：<|endofprompt|>内容..." "用激动兴奋的语调：<|endofprompt|>内容..." "请用平静舒缓的方式：<|endofprompt|>内容..." ``` ### 方言朗读 ```bash # 在 input 中自然指定方言，CosyVoice2 会识别 --data '{ "model": "FunAudioLLM/CosyVoice2-0.5B", "input": "请用粤语朗读：<|endofprompt|>多保重，早休息。", "voice": "FunAudioLLM/CosyVoice2-0.5B:anna", "response_format": "mp3" }' ``` 支持方言：粤语、四川话、上海话、郑州话、长沙话、天津话 ### 双人对话（MOSS-TTSD，播客场景） ```bash curl --location 'https://api.siliconflow.cn/v1/audio/speech' \ --header "Authorization: Bearer $SILICONFLOW_API_KEY" \ --header 'Content-Type: application/json' \ --data '{ "model": "fnlp/MOSS-TTSD-v0.5", "input": "[S1]大家好，欢迎收听今天的节目。[S2]今天我们来聊一聊人工智能的发展。[S1]是的，最近 AI 的进步真的很惊人。", "voice": "fnlp/MOSS-TTSD-v0.5:alex", "response_format": "mp3", "speed": 1.0, "gain": 0, "max_tokens": 2048 }' \ --output podcast.mp3 ``` ⚠️ MOSS-TTSD 对话格式规则： ``` [S1] 标签 = 说话人1 [S2] 标签 = 说话人2 两个标签必须都出现，且交替使用 单人文本请用 CosyVoice2，不要用 MOSS-TTSD ``` ### 使用自定义克隆音色（需实名认证） ```bash # 先上传参考音频（一次性操作，30秒以内的清晰录音） curl --location 'https://api.siliconflow.cn/v1/uploads/audio/voice' \ --header "Authorization: Bearer $SILICONFLOW_API_KEY" \ --form 'model="FunAudioLLM/CosyVoice2-0.5B"' \ --form 'customName="my-voice"' \ --form 'text="在一无所知中，梦里的一天结束了，一个新的轮回便会开始"' \ --form 'file=@/path/to/reference.mp3' # 返回 uri 字段，格式：speech:my-voice:xxxxx:xxxxx # 将 uri 作为 voice 参数使用 curl --location 'https://api.siliconflow.cn/v1/audio/speech' \ --header "Authorization: Bearer $SILICONFLOW_API_KEY" \ --header 'Content-Type: application/json' \ --data '{ "model": "FunAudioLLM/CosyVoice2-0.5B", "input": "你好，这是我的克隆声音。", "voice": "speech:my-voice:xxxxx:xxxxx", "response_format": "mp3" }' \ --output cloned.mp3 ``` --- ## 参数说明 ``` model（必填）： FunAudioLLM/CosyVoice2-0.5B 日常首选 fnlp/MOSS-TTSD-v0.5 双人对话 input（必填）： 待转换的文字，最长128000字符 ⚠️ 不要在文字前后加多余空格 CosyVoice2 情感控制格式： "情感指令<|endofprompt|>正文内容" MOSS-TTSD 对话格式： "[S1]说话人1的内容[S2]说话人2的内容" voice（必填）： 系统预置：FunAudioLLM/CosyVoice2-0.5B:alex 等 自定义克隆：speech:name:xxxxx:xxxxx 详细音色列表见 references/voices.md response_format（可选，默认 mp3）： mp3 通用，默认推荐 wav 无损，文件较大 opus 高压缩，适合流媒体 pcm 原始数据，需自行处理 sample_rate（可选）： mp3：支持 32000、44100（默认44100） wav/pcm：支持 8000、16000、24000、32000、44100（默认44100） opus：仅支持 48000 speed（可选，默认 1.0）： 范围：0.25 ~ 4.0 0.75 = 慢速，1.0 = 正常，1.5 = 快速 gain（可选，默认 0）： 范围：-10 ~ 10（单位 dB） 正值增大音量，负值减小音量 max_tokens（可选，仅 MOSS-TTSD）： 默认 2048，最大 4096 input + output 总计不超过 32k tokens stream（可选，默认 true）： true = 流式输出（边生成边返回） false = 等待完整生成后返回 ``` --- ## 计费说明 ``` 计费方式：按输入文本的 UTF-8 字节数计费 英文字母 = 1字节/字符 中文汉字 = 3字节/字符 实际费用极低，新用户免费额度通常可生成数小时音频 充值方式：支付宝 / 微信，最低充值10元 ``` --- ## 文件保存路径 生成的音频文件保存到当前 OpenClaw 工作区（或当前子 Agent 工作区）， 使用时间戳命名，保留所有历史音频。 ### 路径约定 ```bash # 优先使用：当前工作区目录（$OPENCLAW_WORKSPACE 或 $PWD） OUTPUT_DIR="${OPENCLAW_WORKSPACE:-$PWD}/tts" mkdir -p "$OUTPUT_DIR" FILENAME="tts_$(date +%Y%m%d_%H%M%S).mp3" OUTPUT_PATH="$OUTPUT_DIR/$FILENAME" # 完整 curl 命令示例 curl --location 'https://api.siliconflow.cn/v1/audio/speech' \ --header "Authorization: Bearer $SILICONFLOW_API_KEY" \ --header 'Content-Type: application/json' \ --data '{...}' \ --output "$OUTPUT_PATH" ``` 文件命名规则：`tts_YYYYMMDD_HHMMSS.mp3` 示例：`tts_20260321_143052.mp3` 子 Agent 场景： - 每个子 Agent 有独立工作区时，文件保存在该子 Agent 的工作区 `tts/` 子目录 - 主 Agent 调度多个子 Agent 时，各自保存各自的音频，互不干扰 --- ## 输出格式 ``` 🔊 语音生成完成 ━━━━━━━━━━━━━━━━━━━━ 模型：FunAudioLLM/CosyVoice2-0.5B 音色：claire（温柔女声） 格式：MP3 / 44100Hz 文本长度：约 X 字 已保存至：{工作区}/tts/tts_20260321_143052.mp3 播放命令： macOS: afplay {上方路径} Linux: mpv {上方路径} / ffplay {上方路径} 通用: vlc {上方路径} ``` --- ## 常见错误处理 ``` 401 → API Key 未配置或失效，重新获取 400 → 参数错误： - input 含前后多余空格 → 去掉空格 - MOSS-TTSD 缺少 [S1][S2] 标签 → 检查格式 - voice 格式错误 → 检查音色名称 429 → 请求频率超限，稍等几秒重试 403 → 使用自定义音色但未完成实名认证 ```