wechat-robot-skills/skills/voice-message/SKILL.md

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

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。
8. context_texts 适合表达上下文、场景、人物状态和补充播报要求。
9. 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。
10. content 超过 260 个字符时，不应该调用本技能。

执行步骤

1. 识别用户是否明确需要语音消息。
2. 提取 content，可选提取 emotion、voice、voice_prompt、style_prompt、audio_tags、context_texts 等通用控制参数。
3. 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'

4. 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。