Ms Speech Synth

将长文本（最多数千字）使用微软 Edge TTS 分段合成 MP3/WAV 音频。支持单文件和文件夹批量模式，自动降速防限流（可配置 20-30次/分钟），自动清洗 Markdown 格式转为自然朗读，并可选添加背景音乐（片头/片尾纯背景音）。

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

text

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：

• 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）：

--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

bash

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：

bash

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

bash

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

python

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

text

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](url)	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：

• 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）

text

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