hp0912 c5831daa55 feat: 画图/修图支持即梦 4.7，优化语音 skill

2026-05-08 21:14:03 +08:00

11 KiB

Raw Blame History

name	description	argument-hint
voice-message	文本转语音与语音消息发送技能。当用户想让我说话、发语音、把一段话转成语音、用某种情绪/音色/语速/方言读出来时使用。支持 content、emotion、voice、style_prompt、voice_prompt、audio_tags、context_texts 等通用参数，并自动把合成结果作为语音消息发给当前会话。	需要 content；可选 emotion、voice、style_prompt、voice_prompt、audio_tags、context_texts、speaking_rate、pitch、volume、dialect。

Voice Message Skill

描述

这是一个将文本合成为语音并直接发送到当前微信会话的技能。

技能脚本位于 scripts/voice_message.py。

触发条件

用户想让你发语音、说一句话、用语音回复。
用户说「把这句话读出来」「帮我发个语音」「用开心一点的语气说」。
用户要求指定音色、语速、音量、方言、角色感、播报风格或音频标签。
用户明确要求文本转语音。

入参规范

{
  "type": "object",
  "properties": {
    "content": {
      "type": "string",
      "description": "要转成语音的文本内容。必须保留用户原意，不要无故扩写。最长 260 个字符。"
    },
    "emotion": {
      "type": "string",
      "description": "可选，用户明确要求的情绪或整体风格词，例如 happy、tender、开心、委屈、慵懒、磁性。不要为了适配供应商而改写。"
    },
    "voice": {
      "type": "string",
      "description": "可选，用户明确指定的音色名、speaker 名或供应商配置中约定的 voice 名称，例如 Chloe、冰糖、mimo_default。不要把“女声”“低沉”这类描述放在这里，应放到 voice_prompt。"
    },
    "voice_prompt": {
      "type": "string",
      "description": "可选，声线/音色描述，例如“年轻女性，声音清亮，语气温柔但带一点疲惫”。适合文本音色设计，也会作为其他供应商的辅助风格提示。"
    },
    "context_texts": {
      "type": "array",
      "items": {
        "type": "string"
      },
      "description": "可选，语音合成辅助信息或对话上下文。仅在需要补充语境、人物状态、说话方式时使用。"
    },
    "style_prompt": {
      "type": "array",
      "items": {
        "type": "string"
      },
      "description": "可选，自然语言风格/导演提示，例如“语速稍快，尾音上扬，像刚查到好成绩一样压不住开心”。可重复传入。"
    },
    "audio_tags": {
      "type": "array",
      "items": {
        "type": "string"
      },
      "description": "可选，音频标签或整体标签，例如“粤语”“唱歌”“轻笑”“深呼吸”。仅当用户明确要求标签、方言、唱歌、笑声、停顿等细粒度控制时传入。"
    },
    "speaking_rate": {
      "type": "string",
      "description": "可选，语速要求，例如“偏慢”“稍快”“像连珠炮”。"
    },
    "pitch": {
      "type": "string",
      "description": "可选，音高要求，例如“更低沉”“明亮上扬”。"
    },
    "volume": {
      "type": "string",
      "description": "可选，音量或力度要求，例如“小声耳语”“提高音量喊话”。"
    },
    "dialect": {
      "type": "string",
      "description": "可选，方言或口音要求，例如“粤语”“四川话”“东北话”“轻微台湾腔”。"
    }
  },
  "required": ["content"],
  "additionalProperties": false
}

对应命令行参数：

--content <文本> 必填
--emotion <情绪/风格> 可选
--voice <音色名或 speaker 名> 可选
--voice_prompt <声线/音色描述> 可选
--style_prompt <自然语言风格提示> 可选，可重复传入多次
--audio_tags <音频标签> 可选，可重复传入多次
--context_texts <辅助文本> 可选，可重复传入多次
--speaking_rate <语速> 可选
--pitch <音高> 可选
--volume <音量> 可选
--dialect <方言/口音> 可选

参数抽取规则

content 必须来自用户明确想让你说出的内容，不要加入寒暄、解释或额外总结。
如果用户只说“你用语音回复我”但没有提供具体要说的话，应先基于上下文生成一段简洁、自然、适合直接播报的回复，再把这段回复作为 content。
不要判断当前使用的是哪个语音供应商，也不要为了供应商改写参数；只按用户意图提取通用参数，脚本会自动映射。
只有当用户明确要求情绪或语气时才传 emotion。emotion 可以是中文或英文短词，不必限制在某个供应商枚举内。
用户指定明确音色名时用 voice；用户描述“女声、低沉、御姐音、年轻男性”等声线质感时用 voice_prompt。
语速、音高、音量、方言有明确要求时优先填 speaking_rate、pitch、volume、dialect；复杂演绎要求放入 style_prompt。
audio_tags 仅用于用户明确要求唱歌、方言、笑声、停顿、深呼吸等标签化控制时；如果用户已把标签写在 content 中，不要重复添加。
context_texts 适合表达上下文、场景、人物状态和补充播报要求。
不要传递音色复刻音频参数。若当前消息引用了一条语音消息，脚本会通过 ROBOT_REF_MESSAGE_ID 自动判断并下载引用语音作为复刻样本。
content 超过 260 个字符时，不应该调用本技能。

音频标签控制

通过在文本中嵌入风格标签与音频标签，直接对语音进行精细控制。开头是整体风格标签，中间可以插入细粒度控制标签。

在目标文本开头添加 (风格) 标签，即可指定语音的发音风格。支持同时设置多种风格，将多个风格名称置于同一对括号内，分隔符不限。

支持的括号格式：可使用半角 ()、全角 （） 或 []。

格式示例

风格类型	风格示例
基础情绪	开心/悲伤/愤怒/恐惧/惊讶/兴奋/委屈/平静/冷漠
复合情绪	怅然/欣慰/无奈/愧疚/释然/嫉妒/厌倦/忐忑/动情
整体语调	温柔/高冷/活泼/严肃/慵懒/俏皮/深沉/干练/凌厉
音色定位	磁性/醇厚/清亮/空灵/稚嫩/苍老/甜美/沙哑/醇雅
人设腔调	夹子音/御姐音/正太音/大叔音/台湾腔
方言	   东北话/四川话/河南话/粤语
角色扮演	孙悟空/林黛玉
唱歌	   唱歌

样例:

(怅然)这么多年过去了，再走过那条街，心里一下子空了一块。
(慵懒)再让我睡五分钟……就五分钟，真的，最后一次。
(磁性)夜已经深了，城市还在呼吸。我是今晚陪你的人，欢迎收听《午夜电台》。
(东北话)哎呀妈呀，这天儿也忒冷了吧！你说这风，嗖嗖的，跟刀子似的，割脸啊！
(粤语)呢个真係好正啊！食过一次就唔会忘记！
(唱歌)原谅我这一生不羁放纵爱自由，也会怕有一天会跌倒，Oh no。背弃了理想，谁人都可以，哪会怕有一天只你共我。

在此基础上，我们还支持在文本中任意位置插入 [音频标签]。通过 [音频标签] ，你可以对声音进行细粒度控制，精准调节语气、情绪和表达风格——无论是低声耳语、放声大笑，还是带点小情绪的小吐槽，也可以灵活插入呼吸声，停顿，咳嗽等，都能轻松实现。语速同样可以灵活调整，让每句话都有它该有的节奏。

风格类型	风格示例
语速与节奏	吸气/深呼吸/叹气/长叹一口气/喘息/屏息
情绪状态	  紧张/害怕/激动/疲惫/委屈/撒娇/心虚/震惊/不耐烦
语音特征	  颤抖/声音颤抖/变调/破音/鼻音/气声/沙哑
哭笑表达	  笑/轻笑/大笑/冷笑/抽泣/呜咽/哽咽/嚎啕大哭

样例:

（紧张，深呼吸）呼……冷静，冷静。不就是一个面试吗……（语速加快，碎碎念）自我介绍已经背了五十遍了，应该没问题的。加油，你可以的……（小声）哎呀，领带歪没歪？
（极其疲惫，有气无力）师傅……到地方了叫我一声……（长叹一口气）我先眯一会儿，这班加得我魂儿都要散了。
如果我当时……（沉默片刻）哪怕再坚持一秒钟，结果是不是就不一样了？（苦笑）呵，没如果了。
（寒冷导致的急促呼吸）呼——呼——这、这大兴安岭的雪……（咳嗽）简直能把人骨头冻透了……别、别停下，走，快走。
（提高音量喊话）大姐！这鱼新鲜着呢！早上刚捞上来的！哎！那个谁，别乱翻，压坏了你赔啊？！

特别注意

只有mimo-v2.5-tts模型支持唱歌模式
如需体验更佳的唱歌风格，必须在目标文本最开头添加 (唱歌) 标签，格式为：(唱歌)歌词。歌词建议采用中文，可获得更优合成效果。标签内标识支持以下取值，效果等效：唱歌、sing、singing

执行步骤

识别用户是否明确需要语音消息。
提取 content，可选提取 emotion、voice、voice_prompt、style_prompt、audio_tags、context_texts 等通用控制参数。
在仓库根目录执行：

python3 scripts/voice_message.py --content '这是一条语音消息' --emotion happy --style_prompt '请自然一点'

脚本会读取数据库中的 TTS 配置，按当前供应商能力映射通用参数，调用语音合成接口并通过客户端接口 POST http://127.0.0.1:{ROBOT_WECHAT_CLIENT_PORT}/api/v1/robot/message/send/voice 直接发送语音。

供应商映射说明

Doubao：content 写入文本字段；支持的 emotion 写入音频情绪参数；voice 可覆盖 speaker；其他风格控制会合并到 context_texts 辅助信息。
MiMo V2.5：content 写入 assistant 消息；style_prompt、voice_prompt、context_texts、emotion、speaking_rate、pitch、volume、dialect 会合并为 user 风格/音色控制；audio_tags 会作为整体标签加到要合成的文本前。
MiMo 会默认使用非流式 wav 输出；配置中 stream: true 时使用 pcm16 流式兼容模式并在脚本内封装为 wav。
MiMo 在 auto_model 未关闭时，会根据 voice_prompt 自动选择 mimo-v2.5-tts-voicedesign；如果 ROBOT_REF_MESSAGE_ID 指向数据库中 messages.type = 34 的语音消息，则脚本会调用客户端接口下载该语音 wav，并自动选择 mimo-v2.5-tts-voiceclone。
引用消息下载接口为 GET http://127.0.0.1:{ROBOT_WECHAT_CLIENT_PORT}/api/v1/robot/chat/voice/download?message_id={ROBOT_REF_MESSAGE_ID}，返回 wav 后由脚本封装为 MiMo 需要的 data:audio/wav;base64,...。

依赖安装

脚本首次运行时会自动创建虚拟环境并安装依赖，无需手动执行。
如需手动重新安装，可执行：python3 scripts/bootstrap.py

回复要求

成功时，脚本输出「ended」，表示语音已直接发送，无需 AI 智能体再拼装额外消息。
失败时，返回脚本输出的具体错误信息。

11 KiB Raw Blame History Unescape Escape