Local Tts Publish V2

文本转语音（TTS）。三条通道：edge-tts（微软神经网络语音，免费无需 key，15 个中文音色可用）、Azure Speech 官方 API（75 个中文音色全解锁，含晓秋/晓辰/HD/MAI，50 万字符/月免费）、pyttsx3（Windows SAPI 离线兜底）。当用户/agent 需要把文本转成语音文件（mp3/wav）、生成语音播报、配音、解锁被 edge-tts 封锁的音色时使用。

Local TTS（文本转语音）

把任意文本转成本地音频文件，给 agent 或脚本调用。

⚠️ 默认行为：不传任何参数 = 联网 edge-tts + 晓晓女声（zh-CN-XiaoxiaoNeural）。只有显式加 --offline 才走离线引擎。这是唯一默认。

📌 选型原则（2026-08-10 定稿）：只用云端托管 TTS，免费无需注册优先。不部署任何本地开源模型（Kokoro/CosyVoice 等一律不装），pyttsx3 仅作断网最后兜底。

☁️ Azure 通道（2026-09-18 打通）：edge-tts 拿不到的音色（晓秋/晓辰/晓涵等）走 Azure 官方 API，75 个中文音色全通。凭据见「Azure 官方通道」章节。

三条通道

通道	音色数	音质	联网	成本	何时用
edge-tts（默认）	15 个中文可用	⭐⭐⭐ 神经网络	需要	免费无 key	默认、通用播报
Azure 官方	75 个中文全通	⭐⭐⭐~⭐⭐⭐⭐⭐（含 HD）	需要	50 万字符/月免费	要 edge-tts 封锁的音色 / HD / 情感风格
pyttsx3（--offline）	1 个（Huihui）	⭐ 老式合成音	完全离线	免费	断网兜底

用法（edge-tts / 离线）

bash

# 基础用法：edge-tts 神经网络语音（默认晓晓女声），未指定 -o 则存 tts_output/
python scripts/tts.py "要合成的文本" -o 输出路径.mp3

# 生成后自动播放（转 wav 用 winsound 同步播放，阻塞到播完，不弹窗）
python scripts/tts.py "文本" -o out.mp3 --play

# 指定音色 / 语速 / 音量（倍率 0.5~1.5）
python scripts/tts.py "文本" -o out.mp3 -v zh-CN-YunxiNeural -r 1.1 --volume 1.2

# 强制离线引擎（断网可用）
python scripts/tts.py "文本" -o out.wav --offline

# 列出 edge-tts 全部可用音色
python scripts/tts.py --list-voices

☁️ Azure 官方通道（2026-09-18 打通）

用途：edge-tts 免费通道对较新一批中文音色做了封锁（返回 NoAudioReceived）， Azure 官方 API 是唯一解锁路径，且音色库大 5 倍。

凭据位置（保密，勿外传）

按优先级查找，任选一处即可：

1. 环境变量 AZURE_SPEECH_KEYS_FILE 指向的路径
2. scripts/keys.env（脚本同目录）
3. skill 根目录 keys.env
4. ~/.workbuddy/azure_speech.env（全局兜底）

文件格式：

text

AZURE_SPEECH_KEY=<密钥>
AZURE_SPEECH_REGION=eastasia

🔒 保密铁律：keys.env 不进版本控制、不写入可对外文件、不发第三方。本仓库已加 .gitignore 防呆。

用法

bash

# 单条
python scripts/azure_tts.py --text "要合成的文本" \
    --voice zh-CN-XiaoqiuNeural --out out.mp3

# 批量（JSON 结构：{"segments":[{"text":"第 1 段"},{"text":"第 2 段"}]}，
# 也兼容 slides 数组及 narration/vo 字段，输出 01.mp3 ~ N.mp3）
python scripts/azure_tts.py --json script.json --voice zh-CN-XiaoqiuNeural --outdir audio_out

# 列全部 75 个中文音色（含官方标签与风格）
python scripts/azure_tts.py --list-zh
python scripts/azure_tts.py --list-zh --voice xiaoqiu    # 只看某个

# 语速/音调/音量/情感风格（SSML prosody + mstts:express-as）
python scripts/azure_tts.py --text "..." --out o.mp3 --rate +10% --pitch +0Hz --style newscast

关键事实（实测）

• 终结点必须用区域终结点：https://{region}.tts.speech.microsoft.com/cognitiveservices/v1
  • ⚠️ 门户给的 Foundry 终结点（形如 https://xxx.services.ai.azure.com/）不能用于标准 TTS 调用，这是最容易踩的坑
• 请求头：Ocp-Apim-Subscription-Key + Content-Type: application/ssml+xml + X-Microsoft-OutputFormat
• 免费额度：F0 层 50 万字符/月（每月重置）。只算朗读字符——实测 1800 字脚本文档配音约 1000 字 → 额度够约 500 期
• 计费分档：标准音色（*Neural）在免费额度内；DragonHD 系列与 MAI-Voice-2 系列按量计费，不在免费额度内，用前先确认
• 75 个中文音色分档：标准版 38 · 多语言版 8 · DragonHD 闪电版 21 · MAI-Voice-2 8

知性女声推荐

音色 ID	标签	备注
zh-CN-XiaoqiuNeural	Calm, Engaging, Soothing	晓秋，知性治愈，无风格标签（靠 prosody 调）
zh-CN-XiaoxiaoNeural	Warm, Well-Rounded	晓晓，20 种风格（newscast/calm/gentle…）
zh-CN-XiaochenNeural	Friendly, Casual, Upbeat	晓辰
zh-CN-XiaohanNeural	Gentle, Warm, Emotional	晓涵，10 种情感
zh-CN-XiaomoNeural	Deep, Casual, Calm	晓墨，低沉知性
zh-CN-XiaoruiNeural	Confident, Emotional, Hoarse	晓睿，沙哑质感
zh-CN-XiaozhenNeural	Calm, Serious, Confident	晓臻，沉稳

🔈 自动播放方案（--play）

⚠️ 内容红线：语音只播报最终总结/结论内容。严禁播放思考过程、执行过程、工具调用过程、中间日志。若任务无总结，则不播。

播放链路（已固化）：文本 → 生成 mp3/wav →（mp3 则 ffmpeg 静默转 wav 到系统 temp）→ winsound 同步播放（阻塞到播完）→ 清理 → 退出。

技术要求：

• 统一 mp3→wav 静默转码（imageio-ffmpeg 隔离版）→ winsound 同步播放
• 不用 SND_ASYNC：agent 调用是「生成即退」短进程，异步播放会在进程退出时被掐断 → 听不到声音
• 不检查 winsound.PlaySound 返回值（成功返回 None，失败抛异常）
• 不弹窗、不残留临时文件（转码走系统 temp 的 local_tts_play.wav）

三种触发方式：

• A · 单次播报 → 命令加 --play（已实现）
• B · 会话级语音回复 → 用户说"用语音回复"，agent 每次回复末尾对总结段落带 --play；只播总结不播过程；启停由会话约定，不写死进脚本
• C · 定时任务播报 → automation 执行完对摘要文本（不是执行日志）TTS + --play

🚨 音色可用性：双通道对照（2026-09-18 实测）

--list-voices 返回的音色 ≠ 实际能合成的音色。 edge-tts 服务端对较新一批中文音色做了封锁（返回 NoAudioReceived）。 先查下表，别照 list 盲选；要用的音色在右列被封锁 → 直接走 Azure 通道。

✅ edge-tts 可用（15 个）

音色 ID	说明
zh-CN-XiaoxiaoNeural	晓晓，女，万金油
zh-CN-XiaoyiNeural	晓伊，女，活泼
zh-CN-XiaoxuanNeural	晓萱，女
zh-CN-YunxiNeural	云希，男（网文常误写为女声，注意）
zh-CN-YunjianNeural	云健，男，浑厚
zh-CN-YunyangNeural	云扬，男，新闻播报
zh-CN-YunxiaNeural	云夏，男，少年
zh-CN-liaoning-XiaobeiNeural	晓北，女，东北话
zh-CN-shaanxi-XiaoniNeural	晓妮，女，陕西话
zh-HK-HiuGaaiNeural / HiuMaanNeural / WanLungNeural	粤语（女/女/男）
zh-TW-HsiaoChenNeural / HsiaoYuNeural / YunJheNeural	台湾国语（女/女/男）

❌ edge-tts 被拒（14 个 → 走 Azure）

Xiaochen Xiaohan Xiaomeng Xiaomo Xiaoqiu Xiaorui Xiaoshuang Xiaoyan Xiaoyou Xiaozhen Yunfeng Yunhao Yunye Yunze

规律：可用 = 较早期一批；被拒 = 较新一批。上列 14 个在 Azure 通道全部可用（Azure 共 75 个中文音色全通）。

⚠️ 间歇性限流（edge-tts）

即使是可用音色也可能临时被拒：实测云希 +35% 成功、+0% 连试 3 次全败。 → 务必保留退避重试（脚本已内置），别因单次失败就换音色。Azure 通道无此问题。

音色自检脚本

bash

python scripts/probe_voices.py              # 探测内置快照清单（edge-tts）
python scripts/probe_voices.py --all-zh     # 探测全部 zh-* 音色（慢）
python scripts/probe_voices.py --voice zh-CN-XiaochenNeural   # 只测一个
python scripts/azure_tts.py --list-zh       # Azure 端权威音色清单

环境

• 依赖：pip install pyttsx3 edge-tts imageio-ffmpeg（Azure 通道零第三方依赖，纯标准库）
• 模块级 import 延迟到函数内：--list-voices/--offline 等场景不会因缺依赖而整体崩溃

输出文件规范（agent 调用时遵守）

• 输出路径：调用方显式指定 -o；未指定时固定生成到 本 skill 目录下 tts_output/（用脚本 __file__ 定位，与调用时工作目录无关）
• 命名：建议语义化命名（如 20260918_新闻早报.mp3），不用乱码/序号
• 格式：联网引擎 → .mp3；离线引擎 → .wav
• 临时转码文件：--play 的转码 wav 放系统临时目录，不会留在工作区
• 测试产物：不把测试音频留在工作区根目录；确认后清理

坑

• edge-tts 需能访问微软服务器；失败时自动降级 pyttsx3 离线引擎（多抽 15 秒左右）
• Azure Foundry 终结点不能用于标准 TTS（最高频踩坑）：必须用 {region}.tts.speech.microsoft.com 区域终结点
• Azure 音色列表响应约 600KB，流式 json.load(response) 偶发 IncompleteRead → 脚本已改为「先读完整 bytes 再 json.loads」并带退避重试
• Azure 401/403 不重试（凭据问题重试无意义，直接 break 并打印原因）
• --play 播放细节见「🔈 自动播放方案」；转码用 imageio-ffmpeg 隔离版（装于 venv 内）
• 脚本输出绝对路径到 stdout，方便 agent 直接捕获