Mlx Tts

基于 mlx-audio 的本地文本转语音，支持多语言和多模型，输出音频文件限于指定路径，无需 API 密钥。

mlx-tts - 基于 mlx-audio 的文本转语音技能

使用 mlx-audio 将文本转换为语音，完全在 Apple Silicon 上运行，无需 API 密钥。

触发条件

当用户请求以下操作时使用此技能：

• "朗读这段文字"
• "把这段话转成语音"
• "用声音说..."
• "TTS"
• "语音合成"

工具：mlx_tts

注意： 本插件依赖 mlx-audio Python 库。使用前请确保已安装：

bash

uv tool install mlx-audio --prerelease=allow

生成语音

json

{
  "action": "generate",
  "text": "要合成的文本",
  "outputPath": "/tmp/output.mp3",
  "model": "可选：指定模型",
  "langCode": "可选：语言代码 (zh/en/ja 等)",
  "speed": "可选：语速倍数 (1.0 为正常)"
}

参数说明：

• action: 必须是 "generate"
• text: 要转换为语音的文本（必需）
• outputPath: 输出文件路径，限制在 /tmp 或 ~/.openclaw/voice/outputs/
• model: 可选，覆盖默认模型
• langCode: 可选，语言代码（Kokoro 模型需要）
• speed: 可选，语速倍数（0.5-2.0）

返回值：

json

{
  "success": true,
  "outputPath": "/tmp/output.mp3",
  "duration": 2.5,
  "model": "使用的模型名称"
}

检查状态

json

{
  "action": "status"
}

返回 TTS 服务器状态、加载的模型、启动时间等信息。

重载配置

json

{
  "action": "reload"
}

无需重启 OpenClaw 即可重载 TTS 配置。

可用模型

模型	语言	描述	内存需求
Kokoro-82M (推荐默认)	EN, JA, ZH, FR, ES, IT, PT, HI	快速轻量，54 种预设声音	~500MB
Qwen3-TTS-0.6B	ZH, EN, JA, KO 等	中文质量优秀，支持声音克隆	~2.5GB
Qwen3-TTS-1.7B	ZH, EN, JA, KO 等	声音设计，根据描述生成	~16GB+
Chatterbox	16 种语言	最广泛的语言覆盖	~16GB+
CSM-1B	EN	对话式语音，支持声音克隆	~2GB
Dia-1.6B	EN	对话-focused TTS	~4GB
Spark-TTS-0.5B	EN, ZH	高效 TTS	~1GB
Soprano-1.1-80M	EN	高质量轻量 TTS	~200MB
OuteTTS-0.6B	EN	高效 TTS	~1.5GB
Ming-omni-0.5B (Dense)	EN, ZH	轻量 MoE，声音克隆	~1GB
Ming-omni-16.8B (BailingMM)	EN, ZH	MoE 多模态，语音/音乐/事件	~32GB+

CLI 命令

命令	描述
/mlx-tts status	查看 TTS 服务器状态
/mlx-tts test <文本>	测试生成语音
/mlx-tts reload	重载 TTS 配置
/mlx-tts models	列出可用模型

使用示例

基础用法

json

{
  "action": "generate",
  "text": "你好，我是你的 AI 助手"
}

指定输出路径

json

{
  "action": "generate",
  "text": "欢迎使用 OpenClaw",
  "outputPath": "~/.openclaw/voice/outputs/welcome.mp3"
}

使用特定模型和语言

json

{
  "action": "generate",
  "text": "Hello, this is a test",
  "model": "mlx-community/Kokoro-82M",
  "langCode": "en"
}

调整语速

json

{
  "action": "generate",
  "text": "慢慢朗读这段话",
  "speed": 0.8
}

注意事项

• 首次生成较慢：模型需要预热，首次请求可能需要几秒
• 完全本地：所有处理在本地完成，数据不出机器
• 路径限制：输出路径必须在 /tmp 或 ~/.openclaw/voice/outputs/
• 符号链接检查：输出路径中的符号链接会被拒绝
• 文件大小限制：超过 64MB 的音频会被拒绝

配置

在 openclaw.json 中配置：

json

{
  "plugins": {
    "entries": {
      "openclaw-mlx-audio": {
        "config": {
          "tts": {
            "enabled": true,
            "model": "mlx-community/Qwen3-TTS-12Hz-0.6B-Base-bf16",
            "port": 19280,
            "langCode": "zh",
            "pythonEnvMode": "managed"
          }
        }
      }
    }
  }
}

故障排除

TTS 服务器未启动

检查状态：

bash

/voice-tts status

如果显示未运行，检查配置中的 enabled 是否为 true。

生成失败

1. 检查文本是否为空
2. 检查输出路径是否合法
3. 查看服务器日志

模型下载慢

模型首次使用会下载到 ~/.cache/huggingface/hub/，可以使用镜像加速。