百度智能云语音合成技能

触发条件

当用户提及以下内容时，可使用本技能：

• “用百度 TTS 将这段对话转为音频”
• “生成男女对话，男声用度逍遥，女声用度小美”
• “批量处理 dialogue.txt 中的所有对话”
• “将语速调整为 7，音调调整为 6”
• “查看可用音色列表”
• “baidu tts”、“dialogue to audio”、“multi-speaker speech synthesis”
• “baidu speech synthesis”、“multi-speaker dialogue”、“Baidu TTS”

中文触发词（面向中文用户）：

• “用百度TTS把这段对话转成音频”
• “生成男女对话，男声用度逍遥，女声用度小美”
• “批量处理 dialogue.txt 里的所有对话”
• “调整语速到7，音调到6”
• “查看可用的音色列表”

概述

该技能调用百度智能云语音合成 API，支持多角色对话合成（SSML 模式或分段合成+合并回退方案）。提供丰富的音色选择、语速/音调/音量调节能力，并可自动将文本对话按角色分配对应音色，生成音频文件。

安装依赖

# 安装 Python 依赖
pip install requests

# 确保已安装 ffmpeg（音频合并必需）
# Ubuntu/Debian：
sudo apt install ffmpeg
# macOS：
brew install ffmpeg
# Windows：从 https://ffmpeg.org/download.html 下载安装

# 可选：如需使用 pydub（替代音频合并方案）
# pip install pydub

环境变量配置

请选择以下三种认证方式之一：

方式 1：API Key + Secret Key（自动获取 token）

export BAIDU_API_KEY="您的 API Key（非 bce-v3 格式）"
export BAIDU_SECRET_KEY="您的 Secret Key"

方式 2：直接使用 access_token（以 1. 开头）

export BAIDU_API_KEY="YOUR_ACCESS_TOKEN"
# 不需要设置 BAIDU_SECRET_KEY

方式 3：IAM Key（以 bce-v3/ 开头）

export BAIDU_API_KEY="YOUR_IAM_KEY_HERE"
# 不需要设置 BAIDU_SECRET_KEY
# 注意：已有的 bce-v3/ALTAK-... 类密钥可能专用于其他服务（例如搜索）。
# 若认证失败，请新建一个语音合成专用应用，获取配套的 API Key + Secret Key。

必需的环境变量

BAIDU_API_KEY 必须设置；BAIDU_SECRET_KEY 是否需要取决于所选认证方式：

方式 1：API Key + Secret Key（自动获取 token）

BAIDU_API_KEY=您的 API Key（非 bce-v3 格式）
BAIDU_SECRET_KEY=您的 Secret Key

方式 2：直接使用 access_token（以 1. 开头）

BAIDU_API_KEY=YOUR_ACCESS_TOKEN
# BAIDU_SECRET_KEY 不需要

方式 3：IAM Key（以 bce-v3/ 开头）

BAIDU_API_KEY=YOUR_IAM_KEY_HERE
# BAIDU_SECRET_KEY 不需要

技能脚本会自动识别密钥格式并选择对应的认证方式。若未设置，系统将提示用户补充配置。

使用方法

1. 直接通过命令行调用脚本

# 合成单个对话文件
python ~/.openclaw/skills/baidu-speech-synthesis/scripts/baidu_tts.py 
    --input dialogue.txt 
    --output conversation.mp3

# 指定角色与音色映射（角色名 → 音色编码）
python scripts/baidu_tts.py 
    --input script.txt 
    --map 小明:1 小红:0 老师:106

# 批量处理指定目录下所有 .txt 文件
python scripts/baidu_tts.py 
    --dir ./dialogues 
    --format mp3

# 调整合成参数
python scripts/baidu_tts.py 
    --input text.txt 
    --spd 7 --pit 6 --vol 5 
    --aue 3

2. 在 OpenClaw 会话中使用

当用户触发上述任一指令时，该技能将执行以下步骤：

1. 检查环境变量配置是否就绪
2. 询问或自动识别输入文本/文件来源
3. 依据默认或用户指定的角色音色分配策略生成 SSML
4. 调用百度 API 合成音频并返回结果（支持自动播放或保存）

文件结构

baidu-speech-synthesis/
├── SKILL.md                    # 当前文档
├── scripts/
│   ├── baidu_tts.py            # 主 API 客户端（token 获取、SSML 请求、分段合并）
│   ├── dialogue_formatter.py   # 对话文本 → SSML 转换与音色映射
│   └── audio_merger.py         # 基于 ffmpeg 的音频合并工具（分段合成解决方案）
└── references/
    ├── voice_list.md           # 音色编码对照表、示例音频、推荐组合
    ├── ssml_guide.md           # 百度 SSML 标签说明、限制与示例
    └── api_setup.md            # 密钥获取方式、免费配额（每月 500 万字符）、认证细节

技术要点

• 智能模式选择：自动识别多音色需求，默认启用分段合成模式（因百度 API 仅支持单音色 SSML）。
• 分段合成方案：将多角色对话拆分为单音色片段 → 分别合成 → 使用 ffmpeg 合并（规避 API 限制，兼容 Python 3.13）。
• SSML 单音色支持：支持单音色 SSML（tex_type=3），适用于单个角色复杂语音表达场景。
• 自动音色分配：默认映射关系为 “老王” → 度逍遥 (3)、“张经理” → 度小宇 (1)、“小李” → 度丫丫 (4)，可通过 --map 参数自定义。
• 错误处理：对网络超时、配额耗尽、音频合并失败等常见异常提供友好提示。

注意事项

• 免费配额：百度语音合成提供每月 500 万字符免费额度（截至 2026 年最新政策），超出后按量计费。
• 认证方式：支持三种认证方式（API Key+Secret Key、access_token、IAM Key），由技能自动识别。
• SSML 限制：SSML 文本长度上限为 1024 字节（注意中文字符计数），建议单句不超过 120 字符。
• 依赖要求：分段合成方案需安装 ffmpeg（技能将自动检测并提示）；无需安装 pydub。
• 音色表现力：百度基础音色相对平直；建议通过文本优化（添加语气词、情感描述等）提升对话表现力。
• 密钥安全：切勿在代码中硬编码 API 密钥；请始终使用环境变量或 .env 文件管理。
• 错误排查：针对认证失败等场景提供详细指引；可参考 references/api_setup.md 获取帮助。

更新日志

• 2026‑05‑09（v1.2.6）：移除 _backup_tests 目录，修复 ClawHub 安全扫描告警。
• 2026‑03‑31（v1.2.4）：从发布包中移除测试文件，并申请安全复检。
• 2026‑03‑31（v1.2.3）：修复 audio_merger.py 中裸 except: 语句；替换为明确异常类型捕获，提升调试效率与错误可见性。
• 2026‑03‑26（v1.2.2）：新增 MIT LICENSE 文件；更新元数据声明 ffmpeg 依赖；响应 ClawHub 安全警告。
• 2026‑03‑26（v1.2.1）：完成技能文档英文全量翻译；增强中英文双语触发支持，适配中英文用户。
• 2026‑03‑26（v1.2）：切换至 ffmpeg 替代 pydub，解决 Python 3.13 兼容性问题；修正百度 API 限制说明（仅支持单音色 SSML）；优化文档及默认音色映射逻辑。
• 2026‑03‑26（v1.1）：增强认证支持，新增 IAM Key 与直接 access_token 认证方式；更新免费配额信息；改进错误引导提示。
• 2026‑03‑26（v1.0）：初始版本发布，支持多角色对话合成，提供 SSML 与分段合并双模式。