MS Speech Synth (Chinese Long-form TTS) — MS Speech Synth（中文长语音合成TTS）

MS Speech Synth - 微软 TTS 分段合成技能 核心能力 将任意长度的中文文本（数千字以上）转换为 MP3 音频，使用微软 Edge TTS 音色，通过分段合成 + PCM 拼接实现无字符限制的语音生成。支持单文件和文件夹批量处理。

工作流程 长文本 → 按句子分chunk（每chunk ≤1200字） → edge-tts 每段生成 MP3（每段之间延迟防止超限） → miniaudio 解码 MP3 → PCM bytes → 拼接所有 PCM → 写入 WAV 文件 → ffmpeg 转为 MP3

工具依赖 工具 安装 用途 edge-tts pip3 install edge-tts 微软 TTS 引擎 miniaudio pip3 install miniaudio MP3 解码为 PCM ffmpeg curl -L .../ffmpeg.zip -o /tmp/ffmpeg.zip && unzip -d /tmp/ffmpeg_bin WAV 转 MP3

速率限制（Rate Limit） Edge TTS 是微软必应语音服务的免费接口，非官方 API，无正式 SLA。 限制阈值： 单次请求字符上限：约 1000–1500 字符（超出部分被服务器静默截断） 连续调用：建议不超过 20–30 次/分钟 超过限制会触发 ConnectionResetError，需等待 30–60 秒恢复

速率控制参数 --rate（每 TTS 请求间延迟）： --rate 值 实际速率 适用场景 1.5 40次/分钟 较快，接近上限 2.0（默认） 30次/分钟 稳定安全（默认） 3.0 20次/分钟 保守模式

批量文件夹模式额外策略： 每文件之间再等待 --delay 秒（默认3秒）。

使用方式 单文件模式 python3 ~/.openclaw/workspace/skills/ms-speech-synth/scripts/ms_tts_chunked.py \ --input "/path/to/input.txt" \ --output "/path/to/output" \ --voice "zh-CN-XiaoxiaoNeural" # 从 Markdown 文件（自动清洗 #标题 加粗 等格式） python3 ~/.openclaw/workspace/skills/ms-speech-synth/scripts/ms_tts_chunked.py \ --input "/path/to/notes.md" \ --output "/path/to/output"

文件夹批量模式 处理整个文件夹下所有 .txt 和 .md 文件，自动降速防限流： python3 ~/.openclaw/workspace/skills/ms-speech-synth/scripts/ms_tts_chunked.py \ --input "/path/to/folder/" \ --output "/path/to/output_folder/" \ --delay 3 # 每文件间等待3秒（默认） --rate 2.0 # 每TTS请求间等待2秒（默认）

批量模式输出示例： [MS-TTS] Found 5 files to process [MS-TTS] [1/5] Processing: chapter1.txt [MS-TTS] Chunk 1/3 (800 chars), waiting 2s... [MS-TTS] Chunk 2/3 (1100 chars), waiting 2s... [MS-TTS] Chunk 3/3 (900 chars) [MS-TTS] ✓ Done: chapter1.mp3 (3 chunks, 4.2MB, 180s) [MS-TTS] Waiting 3s before next file... [MS-TTS] [2/5] Processing: chapter2.md ... [MS-TTS] === Batch complete: 5 ok, 0 failed ===

Python 模块导入 from scripts.ms_tts_chunked import synthesize_text, synthesize_file, synthesize_dir # 单文件 result = synthesize_file("/path/to/input.txt", "/path/to/output", voice="zh-CN-XiaoxiaoNeural", rate_limit_delay=2.0) # 每chunk之间2秒 # 批量文件夹 results = synthesize_dir( input_dir="/path/to/folder/", output_dir="/path/to/output/", voice="zh-CN-XiaoxiaoNeural", delay=3.0, # 文件间等待3秒 rate_limit_delay=2.0 # chunk间等待2秒（30次/分钟） )

关键参数 参数 默认值 说明 --voice zh-CN-XiaoxiaoNeural 微软中文女声（晓晓） --chunk 1200 每段最大字符数（建议 1000-1500） --delay 3.0 批量模式：每文件间延迟秒数 --rate 2.0 每TTS请求间延迟秒数（2s=30次/分钟，3s=20次/分钟） --ffmpeg 自动查找 FFmpeg 路径（转 MP3 用）

其他可用声音 zh-CN-XiaoxiaoNeural # 晓晓 - 推荐女声 zh-CN-YunxiNeural # 云希 - 男声 zh-CN-YunyangNeural # 云扬 - 新闻风格 zh-HK-HiuMaanNeural # 香港粤语 zh-TW-HsiaoYuNeural # 台湾女声

Markdown 格式清洗 输入文件为 .md 时，自动将格式控制符转为自然朗读： 原始格式 转换效果 # 标题 "标题：xxx"

小标题 "小标题：xxx"

• 要点 / 要点 "第X点：xxx"

引用 "引用：xxx"

分段策略 三级保护机制，防截断设计： 第一级：按句子边界拆分 — 文本按 。！？； 拆成最小句子单元 第二级：累积到 chunk_size — 将句子组合成接近但不超过 chunk_size 的大chunk 第三级：超长句二次切分 — 如果单个句子本身就超过 chunk_size，按 顿号 → 逗号 → 空格 的顺序在子句间切分 chunk_size 建议值： 1200字 — 微软服务器稳定上限（推荐） 1000字 — 更保守，适合超长篇 1500字 — 接近边界，有轻微截断风险

注意事项 edge-tts 有速率限制：超过 20–30 次/分钟会触发 ConnectionResetError 批量任务：每文件之间等待 3 秒 + 每 TTS 请求之间等待 2 秒（默认），双重保护 chunk_size 不要太大：超过 1500 字可能被服务器截断，建议 1000-1200 FFmpeg 路径：默认自动查找 /tmp/ffmpeg_bin/ffmpeg 等位置