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、node（均为基础环境自带）
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"