ClawHub

xeon_asr

Automation

Automatically converts received voice messages to text via an external ASR service, supporting multiple audio formats and integrating with OpenClaw.

Install

openclaw skills install xeonasr

Xeon TTS

基于 OpenVINO Qwen3-TTS Base/Custom 模型的本地语音合成技能，面向 OpenClaw 的 QQBOT 工作流使用。

目标

  • 安装本地双服务：5002 Flask TTS，9002 Node TTS Workflow
  • 自动配置目标机器自己的 OpenClaw 配置，但只写入 channels.qqbot.xeonTts
  • 与 xeonasr 共存，不覆盖 tools.media.audio 或 channels.qqbot.stt
  • 支持两个工作流：音色克隆、指定语气 TTS

什么时候应该调用 xeontts

只有在以下场景才使用 xeontts：

  • 用户明确要“克隆音色”“克隆声音”“复制我的声音”
  • 用户要求“用某种语气朗读/播报/生成语音”
  • 用户要把音频生成到本地文件，而不是做转写

以下场景禁止走 xeontts：

  • 识别语音
  • 语音转文字
  • 听写
  • STT / ASR

这些请求必须交给 xeonasr，以避免任务冲突。

OpenClaw / QQBOT 使用规则

规则 1：音色克隆必须分两步走

当用户说“我要克隆音色”时：

  1. 立即把当前会话切到 clone 流程
  2. 回复用户上传 3 到 5 秒参考音频
  3. 在收到参考音频前，不要直接开始合成
  4. 如果机器上已安装 xeonasr，QQBOT 发来的语音会先命中 ASR；此时应由 ASR 把音频转交给 xeontts，而不是按普通转写处理
  5. 收到音频后必须先校验时长
  6. 如果时长小于 3 秒或大于 5 秒，直接拒绝并提示重新上传
  7. 校验通过后，再让用户发送要朗读的文本
  8. 使用 Base 模型生成音频并落盘

规则 2：指定语气生成默认走 Custom 模型

当用户说“用开心的语气朗读……”“生成语音……”时：

  1. 解析用户是否指定了语气
  2. 如果没有指定，默认使用 普通
  3. 使用 Custom 模型生成音频
  4. 把结果保存到本地 outputs/
  5. 回复用户文件路径

规则 3：必须做时长保护

  • 参考音频：3 到 5 秒
  • Base 克隆输出：最多约 20 秒
  • Custom 输出：最多约 30 秒

如果用户显式要求更长时长，或者文本长度估算会明显超过上限，必须直接提示用户拆分内容，而不是盲目提交推理。

规则 4：必须明确告知文件保留期

  • 参考音频和生成结果默认只保留 7 天
  • 超过保留期后，系统会自动清理 references/ 和 outputs/ 中的旧文件
  • 在提示用户上传参考音频、以及告知生成完成时，都要明确告诉用户这一点

安装流程

当 OpenClaw、QQBOT 或其他代理被要求安装这个 skill 时，按下面流程执行：

  1. 安装 skill

    clawhub install xeontts
cd "$HOME/.openclaw/workspace/skills/xeontts"

  2. 执行安装脚本

    bash install.sh

  3. 安装脚本会完成这些事情

  • 创建 Python 3.10 环境
  • 从 PyPI 安装 xdp-tts-service
  • 生成 config.json 与 tts_config.json
  • 尝试下载 Base / Custom OV 模型
  • 仅在显式提供旧兼容参数时，才额外下载 Base checkpoint
  • 配置 OpenClaw 的 channels.qqbot.xeonTts
  • 启动 5002 与 9002
  • 注册用户级 systemd 服务
  • 运行 self_check.sh

当前默认模型仓库：

  • aurora2035/Qwen3-TTS-12Hz-0.6B-Base-OpenVINO-INT8
  • aurora2035/Qwen3-TTS-12Hz-0.6B-CustomVoice-OpenVINO-INT8

运行时端口

服务端口作用
Flask TTS5002真正执行 TTS 推理
Node Workflow9002解析 QQBOT 任务、维护会话状态、校验音频/文本时长

OpenClaw 配置约定

xeontts 只会写入如下配置块：

{
  "channels": {
    "qqbot": {
      "xeonTts": {
        "enabled": true,
        "baseUrl": "http://127.0.0.1:9002",
        "cloneModel": "qwen3_tts_0.6b_base_openvino",
        "customModel": "qwen3_tts_0.6b_custom_openvino"
      }
    }
  }
}

这意味着：

  • 不会覆盖现有 channels.qqbot.stt
  • 不会动 tools.media.audio
  • 不会和 xeonasr 抢同一条 STT 链路

常用命令

cd "$HOME/.openclaw/workspace/skills/xeontts"

bash start_all.sh
bash stop_tts.sh
bash self_check.sh
curl http://127.0.0.1:5002/api/health
curl http://127.0.0.1:9002/health

关键接口

  • POST /api/workflow/message
    • 作用：根据用户消息判断是 clone 还是 custom TTS，或者提示补充参考音频
  • POST /api/workflow/reference-audio
    • 作用：上传参考音频，校验 3 到 5 秒后入库
  • POST /api/tts/custom-speak
    • 作用：直接调用 Custom 模型生成语音
  • POST /api/tts/clone-speak
    • 作用：直接调用 Base 模型做音色克隆

故障排查

  • 如果 5002 不通，先检查 tts.log
  • 如果 9002 不通，先检查 skill.log
  • 如果参考音频总是被拒绝，先确认机器上是否有可用的 ffprobe；当前版本对 WAV 参考音频也支持无 ffprobe 回退校验
  • 如果用户说的是转写意图，不要误用 xeontts
  • 如果 Base 模型报错，优先让用户更换更干净的 3 到 5 秒参考音频
  • 当前默认发布形态只要求 Qwen3-TTS-12Hz-0.6B-Base-OpenVINO-INT8，不再默认要求原始 Base checkpoint
  • 只有旧导出模型缺少 processor 或 speech tokenizer 权重时，才需要补 BASE_CHECKPOINT_PATH
More in Automation