MOSI Studio 音频全套 Skill

文件路径铁律（禁止例外） 所有生成的音频文件必须保存到 ~/.openclaw/workspace/。 绝对不能用 /tmp/、/var/tmp/ 或相对路径。 OpenClaw 媒体策略会静默拦截 workspace 以外的文件——不报错，直接失败。 错误示例：ffmpeg -i x.wav /tmp/out.opus 正确示例：ffmpeg -i x.wav ~/.openclaw/workspace/out.opus

支持的能力：

Base URL：https://studio.mosi.cn

环境准备

API Key

Key 通过 Kubernetes Secret 注入为 MOSI_TTS_API_KEY，对话中不得透露。

echo "key已配置: $([ -n "$MOSI_TTS_API_KEY" ] \
  && echo yes || echo NO)"

依赖清单

下表列出本 skill 用到的所有外部工具，以及缺失时的替代方案：

一键检查当前环境

for cmd in node curl ffmpeg ffprobe python3 \
           bc jq wget sox mediainfo unzip zip; do
  printf "%-12s %s\n" "$cmd" \
    "$(which $cmd 2>/dev/null || echo '未安装')"
done

安装缺失依赖

推荐方式：重新构建镜像（Dockerfile.py3 已包含全部依赖）：

# 在项目根目录执行
docker build -f Dockerfile.py3 -t openclaw-custom .

临时安装（有 root 权限，重启后失效）：

apt-get update && apt-get install -y --no-install-recommends \
  python3 python3-pip python3-requests \
  ffmpeg bc jq wget sox mediainfo unzip zip tree nano

没有 root 权限时：

• 基础 TTS / ASR / 对话合成：只需 curl + node，脚本可直接运行
• 飞书语音气泡：必须有 ffmpeg，无权限时请让用户重建镜像
• 声音克隆：需要 python3，无权限时功能不可用

1. 文字转语音（TTS）

接口：POST /api/v1/audio/speech 模型：moss-tts 输出：24 kHz WAV，响应中 base64 编码

Shell 脚本（无额外依赖）

bash scripts/mosi_tts.sh --text "你好，世界"
# 保存到：~/.openclaw/workspace/tts_output.wav

bash scripts/mosi_tts.sh \
  --text "Hello, world" \
  --voice-id 2001931510222950400 \
  --output ~/.openclaw/workspace/my_audio.wav

Python 脚本（需要 python3 + requests）

python3 scripts/mosi_tts.py \
  --text "你好，世界" \
  --output ~/.openclaw/workspace/tts_output.wav

输出路径规则：必须用 ~/.openclaw/workspace/， workspace 以外的路径会被 OpenClaw 媒体策略拦截。

请求参数

内置公共声音

2. 指令式语音生成（Voice Generator）

接口：POST /api/v1/audio/speech 模型：moss-voice-generator 输出：24 kHz WAV，响应中 base64 编码

通过自然语言描述所需的声音特征，即可生成对应风格的语音。 如果用户需要生成特定的某个名人的声音，可以告诉用户自己需要上网找一段音色，然后用这个音色调用voice clone接口（找不到就算了）。 无需指定 voice_id，用文字描述即可。

Shell 脚本

# 播音腔女声
bash scripts/mosi_voice_generator.sh \
  -t "各位观众朋友们大家好，欢迎收看今天的新闻节目。" \
  -i "播音腔女声，专业、清晰、有亲和力，像央视新闻主播"

# 温柔男声
bash scripts/mosi_voice_generator.sh \
  -t "晚安，好梦" \
  -i "一个温柔的男声，轻柔舒缓"

# 有活力的年轻女声
bash scripts/mosi_voice_generator.sh \
  -t "欢迎来到我们的节目！" \
  -i "年轻有活力的女声，热情开朗"

# 指定输出路径
bash scripts/mosi_voice_generator.sh \
  -t "要生成的文字" \
  -i "声音描述" \
  -o ~/.openclaw/workspace/output.wav

# 获取性能指标
bash scripts/mosi_voice_generator.sh \
  -t "测试文本" \
  -i "专业女声" \
  --meta-info

请求参数

instruction 描述技巧

描述越详细，生成的声音越符合预期：

# 好的描述示例
"播音腔女声，专业、清晰、有亲和力，像央视新闻主播"
"年轻有活力的男声，语速稍快，充满热情"
"温柔知性的女声，语速缓慢，像在讲睡前故事"
"沉稳有力的男声，低沉磁性，适合广告旁白"

# 不够好的描述
"女声"  # 太笼统
"好听的声音"  # 没有具体特征

请求示例

{
  "model": "moss-voice-generator",
  "text": "各位观众朋友们大家好",
  "instruction": "播音腔女声，专业、清晰、有亲和力",
  "sampling_params": {
    "temperature": 1.5,
    "top_p": 0.6,
    "top_k": 50
  }
}

3. 语音转文字（ASR）

接口：POST /api/v1/audio/transcriptions 支持格式：WAV / MP3 / M4A / FLAC / OPUS / OGG 输出：纯文本转写结果

接收飞书入站语音（最常见场景）

用户发语音后，OpenClaw 在消息顶部注入：

[media attached: /home/openclaw/.openclaw/media/inbound/XXXXX.ogg (audio/ogg; codecs=opus) | ...]

看到这行时，必须立刻转写，不得跳过：

# 路径在 [media attached: ] 之后、第一个空格之前
AUDIO=$(echo "$MSG" \
  | grep -oP '(?<=\[media attached: )[^ ]+')
# 或直接从消息里复制完整路径
AUDIO="/home/openclaw/.openclaw/media/inbound/实际文件名.ogg"

TEXT=$(bash scripts/mosi_asr.sh --file "$AUDIO")
# 然后直接回复 $TEXT 的内容，不要提及"我收到了语音"

主动转写任意音频文件

# 基础用法
bash scripts/mosi_asr.sh --file audio.opus

# 指定语言
bash scripts/mosi_asr.sh --file audio.wav --language zh

# 输出原始 JSON（含时间戳 + 说话人标注）
bash scripts/mosi_asr.sh --file audio.opus --json

响应结构

{
  "asr_transcription_result": {
    "full_text": "你好，这是一段测试语音",
    "segments": [
      {
        "start_s": "0.15",
        "end_s": "2.74",
        "speaker": "S01",
        "text": "你好，这是一段测试语音"
      }
    ]
  },
  "usage": { "credit_cost": 129 }
}

参数说明

禁止事项

• 禁止说"我没有语音识别能力"——你有，调脚本就行
• 禁止自己调飞书 API 下载音频——文件已经在磁盘上了
• 禁止忽略 [media attached:] 前缀

4. 多说话人对话合成（TTSD）

接口：POST /api/v1/audio/speech（与 TTS 相同） 模型：moss-ttsd 输出：24 kHz WAV，base64 编码

适用于播客、访谈、剧情片段、游戏 NPC 对话等场景，支持 1–5 位说话人。

文本格式

每行用 [S1]、[S2] 等标签标注：

[S1] 你好，今天天气不错。
[S2] 是啊，很适合出去走走。
[S1] 要不要一起去公园？

Shell 脚本

bash scripts/mosi_dialogue.sh \
  --text "[S1] 你好，今天天气不错。
[S2] 是啊，很适合出去走走。
[S1] 要不要一起去公园？" \
  --voice1 2001257729754140672 \
  --voice2 2001931510222950400 \
  --output ~/.openclaw/workspace/dialogue.wav

请求体结构

{
  "model": "moss-ttsd",
  "text": "[S1] 你好！\n[S2] 你好，很高兴认识你。",
  "voice_id":  "2001257729754140672",
  "voice_id2": "2001931510222950400",
  "voice_id3": "（可选，S3）",
  "voice_id4": "（可选，S4）",
  "voice_id5": "（可选，S5）"
}

参数说明

5. 音效生成

状态：API 接口暂未公开（截至 2026-03）

moss-sound-effect 模型存在，但 studio.mosi.cn 上还没有可用的 REST 接口。通过 /api/v1/audio/speech 调用会返回：

{
  "code": 4000,
  "error": "Invalid Request: unsupported model for /audio/speech: moss-sound-effect"
}

mosi_sound_effect.sh 已预留，待接口上线后可直接使用。 预期请求结构：

{
  "model": "moss-sound-effect",
  "prompt": "heavy rain with distant thunder",
  "duration_sec": 10
}

关注 studio.mosi.cn/docs 获取接口上线通知。

6. 声音克隆

从短音频（建议 10–120 秒）创建自定义声音。

接口清单

完整流程

# Step 1：上传音频（WAV/MP3/M4A/FLAC，最大 100 MB）
python3 scripts/mosi_voice.py upload --file my_voice.wav
# => File ID: 1234567890

# Step 2：克隆
python3 scripts/mosi_voice.py clone \
  --file-id 1234567890 \
  --text "可选的转写文本，提供后质量更好"
# => Voice ID: abc123def

# Step 3：在 TTS 中使用克隆声音
bash scripts/mosi_tts.sh \
  --text "这是我的克隆声音" \
  --voice-id abc123def

# 列出所有声音
python3 scripts/mosi_voice.py list --status ACTIVE

# 获取声音详情
python3 scripts/mosi_voice.py get --voice-id abc123def

mosi_voice.py 需要 python3 + requests， 缺失时参考"环境准备"章节安装。

声音状态说明

7. 飞书语音气泡

直接用一键脚本，不要自己管理中间文件。 脚本内部已将所有路径固定在 ~/.openclaw/workspace/。

一行命令搞定

bash scripts/mosi_feishu_voice.sh \
  --text "你好，世界" \
  --chat-id <CHAT_ID>

<CHAT_ID> 从入站消息 context 中获取： 群聊用 GroupSubject / oc_xxxxxxxx，私聊用 From / ou_xxxxxxxx。

可选指定声音：

bash scripts/mosi_feishu_voice.sh \
  --text "你好" \
  --chat-id oc_xxxx \
  --voice-id 2001931510222950400

脚本内部流程

1. TTS → ~/.openclaw/workspace/tts_output.wav
2. ffmpeg：WAV → ~/.openclaw/workspace/tts_output.opus
3. ffprobe 获取时长（毫秒）
4. 用 $FEISHU_APP_ID / $FEISHU_APP_SECRET 获取 tenant_access_token
5. 上传 OPUS 到飞书（file_type=opus）
6. 发送语音消息（msg_type=audio）

需要 ffmpeg：apt-get install -y ffmpeg

接口限额

常见错误