豆包语音合成 Skill（Doubao TTS）

本 skill 通过火山引擎豆包语音合成大模型的单向流式 HTTP V3 接口，将文本合成为语音音频文件。

官方文档：豆包语音合成 API 文档

前置要求

用户需要提供以下环境变量（通过 export 设置或在脚本参数中传入）：

• DOUBAO_APP_ID：火山引擎控制台获取的 APP ID
• DOUBAO_ACCESS_KEY：火山引擎控制台获取的 Access Token
• DOUBAO_SPEAKER：音色 ID（可选，默认为 zh_female_xiaohe_uranus_bigtts）
  • 声音复刻音色以 S_ 开头，可前往官方后台创建：音色复刻控制台
  • 官方预置音色详见下方音色对照表

如果用户没有设置 DOUBAO_APP_ID 和 DOUBAO_ACCESS_KEY，先提醒用户设置，并告知获取方式：登录火山引擎控制台 → 豆包语音 → 创建应用 → 获取 APP ID 和 Access Token。

如果用户未设置 DOUBAO_SPEAKER，默认使用 zh_female_xiaohe_uranus_bigtts（小何 2.0，通用中文女声）。

使用流程

1. 确认参数

向用户确认以下信息（有合理默认值的可以跳过确认）：

2. 执行合成

运行脚本：

# 基础用法（resource-id 自动推断）
python3 /path/to/doubao-tts/scripts/tts_synthesize.py \
  --text "要合成的文本" \
  --speaker "${DOUBAO_SPEAKER:-zh_female_xiaohe_uranus_bigtts}" \
  --format mp3 \
  --sample-rate 24000 \
  --output /mnt/user-data/outputs/output.mp3

# 带情感的合成（仅多情感音色支持）
python3 /path/to/doubao-tts/scripts/tts_synthesize.py \
  --text "要合成的文本" \
  --speaker "zh_female_shuangkuaisisi_emo_v2_mars_bigtts" \
  --emotion happy \
  --emotion-scale 4 \
  --output /mnt/user-data/outputs/output.mp3

环境变量 DOUBAO_APP_ID 和 DOUBAO_ACCESS_KEY 必须已设置。也可以通过 --app-id 和 --access-key 参数直接传入。

3. 输出结果

脚本会将合成的音频保存到指定路径。合成完成后，使用 present_files 工具将文件呈现给用户。

音色对照表

Agent 应根据上下文（用户要求的角色、场景、风格）从下表中选择最合适的音色 ID。

完整音色列表参见官方文档：音色列表

豆包语音合成 2.0 音色（推荐，resource_id 使用 seed-tts-2.0）

豆包语音合成 1.0 音色（resource_id 使用 seed-tts-1.0）

通用场景

多情感音色（支持 emotion 参数）

趣味口音

角色扮演

IP 仿音

Agent 音色选择指南

根据上下文智能选择音色：

重要注意事项

• 声音复刻音色（S_ 开头）必须使用 seed-icl-1.0 作为 resource_id，不能用 seed-tts-1.0 或 seed-tts-2.0
• 2.0 音色（uranus 系列）必须使用 seed-tts-2.0，不支持旧版 V1 接口
• 1.0 音色（mars/moon 系列）使用 seed-tts-1.0
• 如果用户提供的文本非常长（超过 5000 字），建议分段合成后拼接
• 脚本使用 requests.Session 实现连接复用，符合官方最佳实践
• 流式接口返回的音频数据是 base64 编码的，脚本会自动解码拼接
• 如果用户要求调整语速、音量、音调等，可传入对应参数

错误处理

• 40402003：文本超长，需要分段
• 40000001：参数错误，检查音色 ID 和 resource_id 是否匹配
• 40300001：鉴权失败，检查 APP ID 和 Access Key
• 出现 quota 相关错误：试用版用量已用完，需开通正式版