文字转语音/Text to Audio

SKILL.md

---
name: 文字转语音（免费）
description: >
  使用 edge-tts 将中文或英文文本转为自然语音 MP3。此 Skill 应在以下场景触发：
  将图片或文本转成语音、朗读课文或作文、中文文字转语音、英文文字转语音、
  TTS 文本朗读、生成音频 MP3、给文章配音、语音合成、
  朗读故事、课文朗读、作文朗读、文字转 MP3、英文朗读。
  支持晓晓等多款中文 Neural 语音，支持 Jenny 等英文 Neural 语音，支持语速调整和语音选择。
---

# 文字转语音（免费）

将中文或英文文本转为自然语音 MP3 文件，使用微软 Edge TTS 在线服务，声音自然、文件小巧、跨设备通用。

## 前置条件

- Python 3.8+ 已安装
- edge-tts 包已安装（`pip install edge-tts`）
- 网络连接可用（需访问微软 TTS 云服务）

## 环境初始化（首次使用时执行）

首次使用此 Skill 时，运行环境检测脚本确认依赖是否就绪：

```bash
python scripts/check_env.py
```

该脚本会自动检测并安装缺失的依赖。如果网络不通，提示用户开启 VPN 后重试。

## 工作流程

### 步骤 1：语言检测

**保存文本后，必须先检测文本语言，以决定展示中文还是英文语音选项。**

检测方法：如果文本中英文字母（a-zA-Z）占比超过 60%，判定为**英文**；否则判定为**中文**。

### 步骤 2：让用户选择语音和语速

**在生成 MP3 之前，必须先让用户选择语音和语速。** 使用 `ask_followup_question` 工具向用户展示选项，不要自行假设。

#### 语音选择（根据语言自动切换）

**如果检测为中文**，展示中文语音选项：

```
问题：请选择朗读语音
选项：
- 晓晓（温暖女声，适合课文/故事朗读）
- 小艺（活泼女声，适合儿童故事）
- 云希（阳光男声，适合叙事/科普）
- 云健（激情男声，适合朗诵）
- 云扬（专业男声，适合新闻/说明文）
```

**如果检测为英文**，展示英文语音选项：

```
问题：请选择朗读语音
选项：
- Jenny（温暖女声，适合朗读/故事，推荐）
- Aria（自信女声，适合新闻/叙述）
- Emma（活泼女声，适合对话/讲解）
- Guy（激情男声，适合朗诵/叙事）
- Christopher（权威男声，适合新闻/分析）
- Michelle（亲切女声，适合日常叙述）
```

#### 语速选择（输入式）

语速使用 **三选一 + 数字输入** 形式，让用户填写具体百分比：

```
问题：请选择朗读语速（在方括号中填写数字，0 为正常语速，负数更慢，正数更快）
选项：
- A 略慢 [  ]%（推荐填 10，即 -10%）
- B 正常语速
- C 略快 [  ]%（推荐填 10，即 +10%）
```

用户选择 A 或 C 时，解析其填写的数字作为 rate 值：
- 选 A + 填 10 → `--rate -10`
- 选 B → `--rate +0`
- 选 C + 填 10 → `--rate +10`

如果用户没有填写数字，使用推荐默认值（A 为 -10，C 为 +10）。

如果用户在对话中已经明确指定了语音或语速（如"用晓晓的声音"、"读慢一点"），则直接使用用户的选择，无需再次询问。

### 流程 A：图片转语音（最常见）

1. **识别图片文字** — 读取用户上传的图片，识别其中的文字内容
2. **保存文本** — 将识别的文字保存为 `.txt` 文件（UTF-8 编码）
3. **语言检测** — 判断文本语言
4. **让用户选择语音和语速** — 根据语言展示对应语音选项 + 语速选项
5. **生成 MP3** — 根据用户选择调用 `scripts/tts_generate.py` 生成 MP3 文件

### 流程 B：文本转语音（用户直接提供文本）

1. **保存文本** — 将用户提供的文字保存为 `.txt` 文件
2. **语言检测** — 判断文本语言
3. **让用户选择语音和语速** — 根据语言展示对应语音选项 + 语速选项
4. **生成 MP3** — 根据用户选择调用生成脚本

### 流程 C：批量转换

1. **语言检测** — 判断文本语言
2. **让用户选择默认语音和语速** — 根据语言展示对应语音选项 + 语速选项
3. **生成批量配置** — 创建 JSON 配置文件
4. **执行批量生成** — 使用 `--batch` 参数

## 核心脚本用法

### 单文件生成

```bash
python scripts/tts_generate.py <文本文件> [选项]
```

| 参数 | 说明 | 默认值 |
|------|------|--------|
| `--output, -o` | 输出 MP3 文件路径 | `<输入名>_<语音别名>.mp3` |
| `--voice, -v` | 语音别名或完整 ID | `xiaoxiao`（中文）/ `jenny`（英文） |
| `--rate, -r` | 语速调整 | `+0%` |
| `--batch, -b` | 批量模式，传入 JSON 配置文件 | — |

### 常用示例

```bash
# 中文默认（晓晓女声，正常语速）
python scripts/tts_generate.py story.txt

# 中文活泼女声 + 略慢语速（适合小学课文朗读）
python scripts/tts_generate.py story.txt --voice xiaoyi --rate -10

# 英文默认（Jenny女声，正常语速）
python scripts/tts_generate.py english.txt --voice jenny

# 英文男声 + 略慢语速
python scripts/tts_generate.py english.txt --voice guy --rate -10

# 指定输出文件名
python scripts/tts_generate.py story.txt -o my_story.mp3

# 批量模式
python scripts/tts_generate.py --batch batch_config.json
```

### 批量配置文件格式

```json
{
  "defaults": { "voice": "xiaoxiao", "rate": "-10%" },
  "files": [
    { "input": "story.txt", "output": "story.mp3" },
    { "input": "essay.txt", "output": "essay.mp3", "voice": "xiaoyi" }
  ]
}
```

## 语音别名速查

### 中文语音

| 用户选择 | 别名（脚本参数） | 性别 | 气质 | 推荐场景 |
|----------|------------------|------|------|----------|
| 晓晓 | `xiaoxiao` | 女 | 温暖 | 课文/故事朗读（默认） |
| 小艺 | `xiaoyi` | 女 | 活泼 | 儿童故事 |
| 云希 | `yunxi` | 男 | 阳光 | 叙事/科普 |
| 云健 | `yunjian` | 男 | 激情 | 朗诵 |
| 云扬 | `yunyang` | 男 | 专业 | 新闻/说明文 |

### 英文语音

| 用户选择 | 别名（脚本参数） | 性别 | 气质 | 推荐场景 |
|----------|------------------|------|------|----------|
| Jenny | `jenny` | 女 | 温暖 | 朗读/故事（默认英文） |
| Aria | `aria` | 女 | 自信 | 新闻/叙述 |
| Emma | `emma` | 女 | 活泼 | 对话/讲解 |
| Guy | `guy` | 男 | 激情 | 朗诵/叙事 |
| Christopher | `christopher` | 男 | 权威 | 新闻/分析 |
| Michelle | `michelle` | 女 | 亲切 | 日常叙述 |

用户选择"Jenny" → 脚本参数 `--voice jenny`

## 语速选项速查

| 用户选择 | 脚本参数 | 说明 |
|----------|----------|------|
| A 略慢 10 | `--rate -10` | 适合课文朗读（推荐） |
| A 略慢 20 | `--rate -20` | 适合跟读/低年级 |
| B 正常语速 | `--rate +0` | 默认语速 |
| C 略快 10 | `--rate +10` | 快速浏览 |

用户选"A 略慢"且填 15 → 脚本参数 `--rate -15`

## 注意事项

- edge-tts 需要网络连接，如生成失败先检查网络
- 输出为 MP3 格式，任何设备均可播放
- 文件大小约 0.5-1MB/分钟音频，远小于 WAV 格式
- 无需 API Key，完全免费
- **中文语音读英文会有口音，英文语音读中文效果也差，请根据文本语言选择对应语音组**