语音合成服务

技能简介

Chichi Speech 是一个基于 FastAPI 的 RESTful 服务，使用 Qwen3 模型实现高质量文本转语音（TTS）。该服务针对特定声音提示词复用进行了优化，避免重复计算，提升语音克隆的效率和一致性。

能做什么

• 将文本转换为自然流畅的语音输出
• 基于参考音频进行声音克隆，保持音色一致
• 通过预计算的声音提示词加速生成过程
• 提供标准的 HTTP API 接口供外部调用

使用说明

1. 安装依赖

# 环境要求：Python >= 3.10
pip install -e .

2. 启动服务

# 默认运行在 9090 端口
chichi-speech --port 9090 --host 127.0.0.1 \
  --ref-audio "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen3-TTS-Repo/clone_2.wav" \
  --ref-text "Okay. Yeah. I resent you. I love you. I respect you. But you know what? You blew it! And thanks to you."

可替换为自定义参考音频和文本。

3. 验证服务状态

curl http://localhost:9090/docs

4. 生成语音

curl -X POST "http://localhost:9090/synthesize" \
     -H "Content-Type: application/json" \
     -d '{"text": "Nice to meet you", "language": "English"}' \
     --output output/nice_to_meet.wav

输入与输出

见下方输入与输出表格。

风险提示

• 使用第三方参考音频需注意版权合规问题
• 服务默认绑定 127.0.0.1，如需外网访问请修改 host 配置并评估安全风险
• 生成的语音内容需符合当地法律法规
• 依赖 qwen-tts 库，需确保网络可访问相关模型资源

来源信息

原始链接：https://github.com/openclaw/skills/tree/main/skills/hudeven/chichi-speech/SKILL.md
来源类型：GitHub 开源项目