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：

• 不传 --bgm：仅输出人声音频
• 传入 --bgm：
  • 片头：仅背景音乐（无人声）
  • 正文：完整人声 + 低音量背景音乐铺底
  • 片尾：仅背景音乐（无人声）

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

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：

• 单次请求字符上限：约 1000–1500 字符（超出部分可能被服务器静默截断）
• 连续调用：建议不超过 20–30 次/分钟
• 超过限制可能触发 ConnectionResetError，需等待 30–60 秒恢复

速率控制参数 --rate（每 TTS 请求间延迟）：

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

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：

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：

• 800 字：推荐默认值（更稳妥，优先避免漏读/吞字）
• 1000 字：平衡速度与稳健性
• 1200 字：可用但在复杂长句中风险更高

默认音量曲线（启用 BGM 时）

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

时长说明

• 不启用 --bgm：成品时长约等于人声时长。
• 启用 --bgm：成品总时长约等于 片头 + 人声正文 + 片尾。

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