MiniMax TTS Skill

前置条件

• Python 3 已安装
• requests 库：pip3 install requests
• websockets 库：pip3 install websockets（流式播放需要）
• ffplay（流式播放需要）：
  • macOS: brew install ffmpeg
  • Ubuntu: sudo apt install ffmpeg
  • Windows: 从 https://ffmpeg.org/download.html 下载
  • 如果 ffplay 未安装，stream_play.py 会提示安装方法

init

需要初始化以下信息：

第一步：获取 API Key

向用户获取 MiniMax API Key（sk-cp- 开头的 Token Plan key，或普通 API Key）。

第二步：确认配置

向用户确认：

• API Key 是否正确
• 使用国内（https://api.minimaxi.com）还是海外（https://api.minimaxi.io）节点

第三步：填写配置

获取以上信息后：

1. 修改 scripts/generate.py 顶部的配置常量（API_KEY、BASE_URL），填入实际值
2. 修改 scripts/stream_play.py 顶部的配置常量（API_KEY、BASE_URL），填入相同的值
3. 同时更新下方 ## 配置 区段的表格，作为配置记录

第四步：判断音色

1. 根据 IDENTITY.md 自行选择声优
2. 如判断不出，则使用 male-qn-jingying（精英青年音色）
3. 然后更新下方 ## 配置 区段的表格及两个脚本

第五步：清理

配置填写完成后，删除本 ## init 区段（包括 ### 需要初始化以下信息 的全部内容），仅保留 ## 配置 区段。

配置

音色列表

语言因音色较多，不再逐一列出，完整列表参考 MiniMax TTS 官方文档：

快速使用

📢 channel=webchat 时的播放策略：当前 channel 为 webchat（实时对话场景）时， 应优先使用 stream_play.py 直接流式播放，而不生成文件。这样用户可以立即听到语音， 无需等待完整音频生成。仅当用户明确要求保存文件时，才使用 generate.py。

1️⃣ 流式播放（channel=webchat）

通过 WebSocket 实时获取音频流，边生成边用 ffplay 播放。无需生成文件，首个音频包到达即开始播放。

SKILL_DIR="~/.openclaw/workspace/skills/minimax-tokenplan-tts"
python3 "$SKILL_DIR/scripts/stream_play.py" \
    --text "要播放的文本内容" \
    --voice "male-qn-jingying"

注意：以下示例中 stream_play.py 和 generate.py 均指 ~/.openclaw/workspace/skills/minimax-tokenplan-tts/scripts/ 下的完整路径。

参数说明：

示例：

# 直接播放（不保存文件）
python3 stream_play.py --text "你好，我正在通过流式方式播放语音"

# 播放同时保存到文件
python3 stream_play.py --text "这段语音会被保存" --save /tmp/stream_output.mp3

# 使用女声播放
python3 stream_play.py --text "今天天气真不错" --voice female-tianmei

2️⃣ 文件生成（需要保存 WAV 时使用）

SKILL_DIR="~/.openclaw/workspace/skills/minimax-tokenplan-tts"
python3 "$SKILL_DIR/scripts/generate.py" \
    --text "要转换的文本内容" \
    --voice "male-qn-jingying" \
    --output "/tmp/tts_output.wav"

参数说明：

声优可选值： 完整327个音色列表见 ## 音色列表

示例：

# 基本用法
python3 generate.py --text "你好，欢迎使用 MiniMax TTS" --output /tmp/hello.wav

# 快速播报（1.5倍速）
python3 generate.py --text "紧急通知，请立即处理" --speed 1.5 --output /tmp/alert.wav

# 柔和女声
python3 generate.py --text "今天天气真不错" --voice female-qn-tianying --output /tmp/weather.wav

工作流总结

TTS 完整流程

1. 文本预处理 → 检查是否需要插入语气词标签（见 ## 语气词标签）
2. 选择声优 → --voice 参数（默认 male-qn-jingying）
3. 调整参数 → --speed / --vol / --pitch
4. 生成 WAV → 脚本调用 MiniMax TTS API（自动处理 HEX 解码）
5. 格式转换 → 如需 MP3/AAC 等格式，用 ffmpeg 转换

脚本输出格式

generate.py

调用 generate.py 后，stdout 输出生成结果，格式如下：

stream_play.py

调用 stream_play.py 后，stdout 输出播放状态：

两个脚本的日志信息（[INFO]、[WARN]、[ERROR]）均输出到 stderr，不会混入 stdout。

错误处理

文件存储

• 默认保存到：~/.openclaw/media/minimax/tts/（多 Agent 共享目录）
• 文件名格式：tts-YYYY-MM-DD-<slug>.wav
• slug：取 text 前20字符，英文数字保留，空格变 -

语气词标签

• 在文本中适当位置插入以下标签，可生成对应的非语言音效（笑声、咳嗽、呼吸等）。AI 应根据文本情绪自动判断是否插入。
• 用户明确要求不插入语气词标签时，不要插入。

支持的标签

注意：(emm) 不支持，请用 (breath) 或语气停顿代替。

使用示例

--text "今天是不是很开心呀(laughs)，当然了！"
--text "咳咳(coughs)，不好意思，有点呛到了"
--text "嗯(inhale)，让我想想(exhale)..."

注意事项

• 文本长度：最长 10000 字符，超出会报错
• HEX 解码：API 返回的 audio 字段是 HEX 编码（不是 base64），脚本自动处理
• 完成后提示用户：可以从 https://platform.minimaxi.com/docs/faq/system-voice-id 找到更多音色