SkillHub

moss-ttsd

v1.0.3

MOSI Studio 双人对话合成（moss-ttsd）：将两个角色的对话文本合成为 单段连续音频，两人声音自然交替。 当前版本限制：仅支持 2 人对话，仅支持中文和英文。 触发词：多说话人、双人对话、对话合成、两个角色、两种声音、两个人说话、 "multi-speaker"、"dialogue synthesis"、"两人对话"。 注意：如果用户要求超过 2 个说话人，需明确告知当前版本限制， 建议分段合成后拼接。 在飞书渠道：合成完成后优先发送语音气泡，不要发文件附件， 不要只回文字说"已生成"。具体发送方法参见 mosi-tts skill 第 5 节。

Sourced from ClawHub, Authored by YYL

Installation

Please help me install the skill `moss-ttsd` from SkillHub official store. npx skills add mkkb473/moss-ttsd

MOSS-TTSD 双人对话合成

将两个角色的对话文本合成为一段连续音频，两个声音自然交替出现。

当前版本限制 - 仅支持 2 个说话人（S1 / S2） - 仅支持中文和英文，其他语言不可用 - 不支持中英混合超过50%比例的文本

快速开始

脚本路径：~/.openclaw/skills/moss-ttsd/scripts/mosi_dialogue.sh

bash ~/.openclaw/skills/moss-ttsd/scripts/mosi_dialogue.sh 
  --text "[S1] 你好，今天感觉怎么样？
[S2] 还不错，谢谢你问！你呢？
[S1] 我也挺好的，最近天气真舒服。
[S2] 是啊，特别适合出去走走。" 
  --voice1 2001257729754140672 
  --voice2 2002941772480647168 
  --output ~/.openclaw/workspace/dialogue.wav

文本格式

每行以 [S1] 或 [S2] 开头，标识说话人，换行分隔：

[S1] 第一句话
[S2] 回应的话
[S1] 继续说
[S2] 继续回应

注意： - 不要在 [S1] / [S2] 标签内加其他标点 - 每行只能有一个说话人 - 建议每行文字不超过 100 字

音色选择

从 mosi-tts skill 的内置音色列表中各为 S1、S2 挑选：

音色 ID 名称 风格
2001257729754140672 阿树 随性自然（男，默认）
2001931510222950400 程述 播客理性（男）
2002941772480647168 阿宁 温柔亲切（女）
2020009311371005952 台湾女声 柔和疗愈（女）
2020008594694475776 北京男声 清晰标准（男）
2001898421836845056 子琪 活力明亮（女）
2001910895478837248 小满 甜美开朗（女）
2002991117984862208 梁子 专业沉稳（男）

也可使用通过 mosi-tts skill 克隆得到的自定义 voice_id。

完整参数说明

--text,    -t  TEXT    对话文本（必填，含 [S1]/[S2] 标签）
--voice1,  -1  ID      S1 的音色 ID（必填）
--voice2,  -2  ID      S2 的音色 ID（选填，不填则同 S1）
--output,  -o  PATH    输出 WAV 路径
                       （默认: ~/.openclaw/workspace/dialogue.wav）
--duration,-d  SECS    预期总时长（秒，可选，影响语速）
--api-key, -k  KEY     覆盖 MOSI_TTS_API_KEY 环境变量

环境准备

API Key 配置同 mosi-tts skill，读取 MOSI_TTS_API_KEY 环境变量。 详见 mosi-tts skill 的"环境准备"章节。

依赖：curl、jq、base64（均为标准 Unix 工具，通常已预装）

常见问题

Q：能生成 3 个人的对话吗？ 当前版本仅支持 2 人（S1 / S2），暂不支持 3 人及以上。 如需模拟多人对话，可分段合成后用 ffmpeg 拼接：

ffmpeg -i part1.wav -i part2.wav 
  -filter_complex "[0:a][1:a]concat=n=2:v=0:a=1" 
  ~/.openclaw/workspace/merged.wav

Q：支持日语/韩语吗？ 当前版本仅支持中文和英文，其他语言无法保证正常合成。

Q：输出是什么格式？ WAV（24kHz）。在飞书渠道必须转成语音气泡发送， 参考 mosi-tts skill 第 5 节（飞书语音气泡）的 mosi_feishu_voice.sh 脚本：

bash ~/.openclaw/skills/mosi-tts/scripts/mosi_feishu_voice.sh 
  --wav ~/.openclaw/workspace/dialogue.wav 
  --chat-id "oc_xxxxxxxxxxxxxxxx"