MOSS-TTSD 多人对话合成
将多个角色的对话文本合成为一段连续音频，多个声音自然交替出现。
支持 1~5 个说话人，使用 [S1]~[S5] 标签标记每位说话人。
快速开始
脚本路径：~/.openclaw/skills/moss-ttsd/scripts/mosi_dialogue.sh
# 2 个说话人
bash ~/.openclaw/skills/moss-ttsd/scripts/mosi_dialogue.sh \
--text "[S1]你好，今天天气真好。[S2]是的，很适合出去走走。[S1]要不要一起去公园？" \
--speakers "2001257729754140672,2002941772480647168" \
--output ~/.openclaw/workspace/dialogue.wav
# 3 个说话人
bash ~/.openclaw/skills/moss-ttsd/scripts/mosi_dialogue.sh \
--text "[S1]大家好！[S2]你好！[S3]欢迎！[S1]今天我们来聊聊AI。" \
--speakers "ID_A,ID_B,ID_C"
文本格式
规则
- 使用
[S1]~[S5]标签，必须大写 - 标签后紧跟文本，不加空格
[S1]对应--speakers中第 1 个 ID，[S2]对应第 2 个，以此类推- speakers 数量必须 >= 文本中用到的最大标签序号
正确示例
[S1]你好，今天天气真好。[S2]是的，很适合出去走走。[S3]我们去公园吧。
错误示例
| 错误写法 | 原因 |
|---|---|
你好。你好。 | 没有标签 |
[s1]你好 | 标签小写 |
[S1] 你好 | 标签后有空格 |
[说话人1]你好 | 中文标签 |
音色选择
从以下公共音色中为各说话人挑选 voice ID：
| Voice 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]~[S5] 标签）
--speakers, -s IDs 逗号分隔的 voice ID，1~5 个（必填）
例：--speakers "ID_A,ID_B,ID_C"
--output, -o PATH 输出 WAV 路径
（默认: ~/.openclaw/workspace/dialogue.wav）
--model, -m MODEL 模型名称（默认: moss-ttsd）
快照版本: moss-ttsd-20260320
--max-tokens INT 最大生成 token 数（默认: 20000，上限: 40960）
长文本请调大，避免音频截断
--temperature FLOAT 采样温度（默认: 1.1，不建议调整）
--top-p FLOAT 核采样阈值（默认: 0.9）
--top-k INT Top-K 采样（默认: 50）
--rep-penalty FLOAT 重复惩罚系数（默认: 1.1）
--audio-penalty FLOAT 音频通道惩罚（默认: 1.5）
--meta-info 返回性能指标（延迟、token 消耗等）
--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）
使用限制
| 项目 | 限制 |
|---|---|
| 说话人数 | 1~5 个 |
| 文本长度 | < 10000 字符（约 60 分钟音频） |
| 请求超时 | 30 分钟 |
| RPM | 5 次/分钟 |
常见问题
Q：支持几个说话人？
15 个，使用 [S1][S5] 标签。
Q：长文本音频被截断怎么办？
增大 --max-tokens，最大可设为 40960。
Q：输出是什么格式？
WAV（32kHz，16-bit，单声道）。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"