MOSS TTSD 多人对话合成

MOSI Studio 多人对话合成（moss-ttsd）：将多个角色的对话文本合成为单段连续音频，多人声音自然交替。支持 1~5 个说话人。触发词：多说话人、多人对话、对话合成、多个角色、多种声音、多个人说话、 "multi-speaker"、"dialogue synthesis"、"多人对话"。在飞书渠道：合成完成后优先发送语音气泡，不要发文件附件，不要只回文字说"已生成"。具体发送方法参见 mosi-tts skill 第 5 节。

YYL@mkkb473

Install

openclaw skills install @mkkb473/moss-ttsd

MOSS-TTSD 多人对话合成

将多个角色的对话文本合成为一段连续音频，多个声音自然交替出现。

支持 1~5 个说话人，使用 [S1]~[S5] 标签标记每位说话人。

快速开始

脚本路径：~/.openclaw/skills/moss-ttsd/scripts/mosi_dialogue.sh

bash

# 2 个说话人
bash ~/.openclaw/skills/moss-ttsd/scripts/mosi_dialogue.sh \
  --text "[S1]你好，今天天气真好。[S2]是的，很适合出去走走。[S1]要不要一起去公园？" \
  --speakers "2001257729754140672,2002941772480647168" \
  --output ~/.openclaw/workspace/dialogue.wav

# 3 个说话人
bash ~/.openclaw/skills/moss-ttsd/scripts/mosi_dialogue.sh \
  --text "[S1]大家好！[S2]你好！[S3]欢迎！[S1]今天我们来聊聊AI。" \
  --speakers "ID_A,ID_B,ID_C"

文本格式

规则

使用 [S1]~[S5] 标签，必须大写
标签后紧跟文本，不加空格
[S1] 对应 --speakers 中第 1 个 ID，[S2] 对应第 2 个，以此类推
speakers 数量必须 >= 文本中用到的最大标签序号

正确示例

text

[S1]你好，今天天气真好。[S2]是的，很适合出去走走。[S3]我们去公园吧。

错误示例

错误写法	原因
`你好。你好。`	没有标签
`[s1]你好`	标签小写
`[S1] 你好`	标签后有空格
`[说话人1]你好`	中文标签

音色选择

从以下公共音色中为各说话人挑选 voice ID：

Voice ID	名称	风格
2001257729754140672	阿树	随性自然（男，默认）
2001931510222950400	程述	播客理性（男）
2002941772480647168	阿宁	温柔亲切（女）
2020009311371005952	台湾女声	柔和疗愈（女）
2020008594694475776	北京男声	清晰标准（男）
2001898421836845056	子琪	活力明亮（女）
2001910895478837248	小满	甜美开朗（女）
2002991117984862208	梁子	专业沉稳（男）

也可使用通过 mosi-tts skill 克隆得到的自定义 voice ID。

完整参数说明

text

--text,        -t  TEXT   对话文本（必填，含 [S1]~[S5] 标签）
--speakers,    -s  IDs    逗号分隔的 voice ID，1~5 个（必填）
                          例：--speakers "ID_A,ID_B,ID_C"
--output,      -o  PATH   输出 WAV 路径
                          （默认: ~/.openclaw/workspace/dialogue.wav）
--model,       -m  MODEL  模型名称（默认: moss-ttsd）
                          快照版本: moss-ttsd-20260320
--max-tokens       INT    最大生成 token 数（默认: 20000，上限: 40960）
                          长文本请调大，避免音频截断
--temperature      FLOAT  采样温度（默认: 1.1，不建议调整）
--top-p            FLOAT  核采样阈值（默认: 0.9）
--top-k            INT    Top-K 采样（默认: 50）
--rep-penalty      FLOAT  重复惩罚系数（默认: 1.1）
--audio-penalty    FLOAT  音频通道惩罚（默认: 1.5）
--meta-info               返回性能指标（延迟、token 消耗等）
--api-key,     -k  KEY    覆盖 MOSI_TTS_API_KEY 环境变量

环境准备

API Key 配置同 mosi-tts skill，读取 MOSI_TTS_API_KEY 环境变量。详见 mosi-tts skill 的"环境准备"章节。

依赖：curl、jq、base64（均为标准 Unix 工具，通常已预装）

使用限制

项目	限制
说话人数	1~5 个
文本长度	< 10000 字符（约 60 分钟音频）
请求超时	30 分钟
RPM	5 次/分钟

常见问题

Q：支持几个说话人？ 1~~5 个，使用 [S1]~~[S5] 标签。

Q：长文本音频被截断怎么办？ 增大 --max-tokens，最大可设为 40960。

Q：输出是什么格式？ WAV（32kHz，16-bit，单声道）。在飞书渠道必须转成语音气泡发送，参考 mosi-tts skill 第 5 节（飞书语音气泡）的 mosi_feishu_voice.sh 脚本：