MOSS Voice Generator 指令式音色生成

MOSI Studio 指令式音色生成（moss-voice-generator）： 用自然语言描述想要的音色风格，无需指定预设 voice_id， 模型根据描述实时生成对应的声音。 触发词：指令式语音、按描述生成声音、自定义音色、描述一个声音、 "voice generator"、"generate voice"、"按风格生成"、 "播音腔"、"用xxx风格的声音说"、"生成一个xx风格的语音"。 与普通 TTS 的区别：不需要挑选 voice_id，用文字描述就能生成想要的音色。 在飞书渠道：生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。

不需要挑选预设音色，直接用文字描述想要的声音风格，模型会按描述实时合成。

---

快速开始

脚本路径：~/.openclaw/skills/moss-voice-generator/scripts/mosi_voice_generator.sh

bash

bash ~/.openclaw/skills/moss-voice-generator/scripts/mosi_voice_generator.sh \
  --text "各位观众朋友们大家好，欢迎收看今天的节目。" \
  --instruction "播音腔女声，专业、清晰、有亲和力" \
  --output ~/.openclaw/workspace/output.wav

---

instruction 风格描述示例

--instruction 是核心参数，用中文或英文自由描述：

效果	instruction 示例
专业播音	播音腔女声，专业、清晰、有亲和力
温柔知性	温柔知性的女声，语速缓慢，像在讲故事
活力男声	年轻有活力的男声，热情开朗，像综艺主持人
低沉磁性	沉稳有力的男声，低沉磁性，像纪录片旁白
甜美可爱	甜美可爱的女声，活泼轻快，像动漫配音
老人声音	年迈的老爷爷声音，略带沙哑，语速较慢
英文主持	professional female news anchor voice, clear and authoritative

描述越具体，效果越接近预期；可以包含性别、年龄、情绪、场景等维度。

---

与普通 TTS 的区别

	moss-tts（普通 TTS）	moss-voice-generator
音色来源	从预设列表挑 voice_id	用文字描述即时生成
稳定性	高（同一 voice_id 结果一致）	中（每次略有差异）
灵活性	受限于预设音色	几乎无限制
适合场景	需要稳定一致的品牌声音	一次性生成、探索新音色

---

完整参数说明

text

--text, -t          要合成的文字（必填）
--instruction, -i   音色风格描述（必填）
--output, -o        输出 WAV 路径
                    （默认: ~/.openclaw/workspace/voice_gen_output.wav）
--temperature       采样温度，控制随机性（默认: 1.5）
--top-p             核采样阈值（默认: 0.6）
--top-k             Top-K 采样（默认: 50）
--api-key, -k       覆盖 MOSI_TTS_API_KEY 环境变量

调节 --temperature：值越高越随机，值越低越保守稳定。 一般保持默认即可，如果觉得音色太随意可以调低至 1.0。

---

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）

---

常见问题

Q：生成的音色每次都一样吗？ 不一定。同样的 instruction 每次生成会有轻微差异（由 temperature 控制）。 如果需要完全稳定的音色，建议先用此工具探索满意的风格， 再通过声音克隆（mosi-tts skill 的 Voice Clone 功能）固化为 voice_id。

Q：可以克隆某人的声音吗？ 本工具是根据文字描述生成全新音色，不是克隆真实人声。 克隆真实人声请使用 mosi-tts skill 的 Voice Clone 功能。

Q：输出是什么格式？ WAV（24kHz）。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：

bash

bash ~/.openclaw/skills/mosi-tts/scripts/mosi_feishu_voice.sh \
  --wav ~/.openclaw/workspace/voice_gen_output.wav \
  --chat-id "oc_xxxxxxxxxxxxxxxx"