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： INLINECODE4
支持的能力：
| 功能 | 模型 | 脚本 |
|---|
| 文字转语音（TTS） | moss-tts | INLINECODE5 / INLINECODE6 |
| 指令式语音生成 |
moss-voice-generator |
scripts/mosi_voice_generator.sh |
| 语音转文字（ASR） | — |
scripts/mosi_asr.sh |
| 多说话人对话合成 | moss-ttsd |
scripts/mosi_dialogue.sh |
| 音效生成 | moss-sound-effect |
scripts/mosi_sound_effect.sh |
| 声音克隆 | — |
scripts/mosi_voice.py |
| 飞书语音气泡 | — |
scripts/mosi_feishu_voice.sh |
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。
CODEBLOCK0
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：
| 工具 | 用途 | 缺失时的处理 |
|---|
| INLINECODE15 | JSON 处理、base64 解码 | 基础镜像自带，始终可用 |
| INLINECODE16 |
HTTP 请求 | 基础镜像自带，始终可用 |
|
ffmpeg | WAV→OPUS 转换（语音气泡必需） | 无法发语音气泡，TTS 仍可用 |
|
ffprobe | 获取音频时长（随 ffmpeg 一起安装） | 同上 |
|
python3 +
python3-requests | 声音克隆脚本 | 克隆功能不可用，其他功能正常 |
|
bc | 浮点数计算 | 用
awk 或
node -e 替代 |
|
jq | JSON 解析 | 用
node -e 替代 |
|
wget | 文件下载 | 用
curl -O 替代 |
|
sox | 音频格式分析/转换 | 用
ffprobe 替代 |
|
mediainfo | 媒体文件元信息 | 用
ffprobe 替代 |
|
unzip /
zip | 压缩包处理 | — |
|
tree | 目录结构显示 | 用
ls -R 替代 |
|
nano | 文件编辑 | — |
一键检查当前环境
CODEBLOCK1
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）：
CODEBLOCK2
临时安装（有 root 权限，重启后失效）：
CODEBLOCK3
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）
CODEBLOCK4
Python 脚本（需要 python3 + requests）
CODEBLOCK5
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
| 参数 | 类型 | 默认值 | 说明 |
|---|
| INLINECODE45 | string | — | 固定 INLINECODE46 |
| INLINECODE47 |
string | — | 要合成的文本 |
|
voice_id | string | — | 公共或自定义声音 ID |
|
expected_duration_sec | float | 自动 | 目标时长（0.5–1.5× 自然语速） |
|
sampling_params.temperature | float | 1.7 | 中文 1.7，英文 1.5 |
|
sampling_params.max_new_tokens | int | 512 | 最大 token 数 |
|
meta_info | bool | false | 是否返回性能指标 |
内置公共声音
| 声音 ID | 名称 | 风格 |
|---|
| 2001257729754140672 | 阿树 | 轻松自然（默认） |
| 2001931510222950400 |
程述 | 播客、理性 |
| 2002941772480647168 | 阿宁 | 温柔、暖心 |
| 2020009311371005952 | 台湾女声 | 柔和、治愈 |
| 2020008594694475776 | 北京男声 | 清晰、标准 |
| 2001286865130360832 | 周周 | 独白、讲故事 |
| 2001898421836845056 | 子琪 | 活力、明亮 |
| 2001910895478837248 | 小满 | 甜美、开朗 |
| 2002991117984862208 | 梁子 | 专业、播报 |
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
CODEBLOCK6
请求参数
| 参数 | 类型 | 必填 | 说明 |
|---|
| INLINECODE55 | string | 是 | 固定 INLINECODE56 |
| INLINECODE57 |
string | 是 | 要转换成语音的文字 |
|
instruction | string | 是 | 声音风格描述，如：一个温柔的女声 |
|
sampling_params.temperature | float | 否 | 采样温度，默认 1.5 |
|
sampling_params.top_p | float | 否 | 核采样阈值，默认 0.6 |
|
sampling_params.top_k | int | 否 | Top-K 采样，默认 50 |
|
meta_info | bool | 否 | 是否返回性能指标，默认 false |
instruction 描述技巧
描述越详细，生成的声音越符合预期：
CODEBLOCK7
请求示例
CODEBLOCK8
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：
CODEBLOCK9
看到这行时，必须立刻转写，不得跳过：
CODEBLOCK10
主动转写任意音频文件
CODEBLOCK11
响应结构
CODEBLOCK12
参数说明
| 参数 | 必填 | 说明 |
|---|
| INLINECODE64 | 是 | 音频文件（multipart/form-data） |
| INLINECODE65 |
否 | 语言提示：
zh、
en 等 |
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：
CODEBLOCK13
Shell 脚本
CODEBLOCK14
请求体结构
CODEBLOCK15
参数说明
| 参数 | 说明 |
|---|
| INLINECODE73 | 完整对话文本，每行以 [S1]/[S2]/… 开头 |
| INLINECODE76 |
S1 的声音 ID（必填） |
|
voice_id2–
voice_id5 | S2–S5 的声音 ID（按需添加） |
|
expected_duration_sec | 目标总时长（可选） |
5. 音效生成
状态：API 接口暂未公开（截至 2026-03）
INLINECODE80 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：
CODEBLOCK16
INLINECODE83 已预留，待接口上线后可直接使用。
预期请求结构：
CODEBLOCK17
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
| 方法 | 路径 | 说明 |
|---|
| POST | INLINECODE85 | 上传音频文件 |
| POST |
/api/v1/voice/clone | 从上传文件创建声音 |
| GET |
/api/v1/voices | 列出所有自定义声音 |
| GET |
/api/v1/voices/{voice_id} | 获取声音详情 |
完整流程
CODEBLOCK18
INLINECODE89 需要 python3 + requests，
缺失时参考"环境准备"章节安装。
声音状态说明
| 状态 | 含义 |
|---|
| INLINECODE92 | 可正常使用 |
| INLINECODE93 |
已禁用 |
|
FAILED | 克隆失败 |
|
DELETED | 已删除 |
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
CODEBLOCK19
INLINECODE97 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：
CODEBLOCK20
脚本内部流程
- 1. TTS → INLINECODE102
- ffmpeg：WAV → INLINECODE103
- ffprobe 获取时长（毫秒）
- 用
$FEISHU_APP_ID / $FEISHU_APP_SECRET 获取 tenantaccesstoken - 上传 OPUS 到飞书（
file_type=opus） - 发送语音消息（
msg_type=audio）
需要 ffmpeg：apt-get install -y ffmpeg
接口限额
5 次/分钟 |
| 对话合成 RPM | 5 次/分钟 |
| 输出格式 | 24 kHz WAV（base64） |
| TTS 超时 | 600 秒 |
| 最大文本长度 | 约 1 小时音频 |
常见错误
| 错误 | 原因 | 解决 |
|---|
| INLINECODE109 | Secret 未注入 | 检查 K8s Secret |
| INLINECODE110 |
余额不足 | 充值 MOSI 账户 |
|
{"code":4029} | 触发限速 | 等待 60 秒后重试 |
|
{"code":5002} | 声音不存在 | 确认 voice status 为 ACTIVE |
|
{"code":5004} | 请求超时 | 将文本切分为更短片段 |
|
LocalMediaAccessError | 输出路径被拦截 | 必须用
~/.openclaw/workspace/ |
|
ffmpeg: not found | 未安装 |
apt-get install ffmpeg 或改用纯 sh 脚本 |
|
python3: not found | 未安装 | TTS 用
mosi_tts.sh；声音克隆需安装 python3 |
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：
| 功能 | 模型 | 脚本 |
|---|
| 文字转语音（TTS） | moss-tts | scripts/mositts.sh / mositts.py |
| 指令式语音生成 |
moss-voice-generator | scripts/mosi
voicegenerator.sh |
| 语音转文字（ASR） | — | scripts/mosi_asr.sh |
| 多说话人对话合成 | moss-ttsd | scripts/mosi_dialogue.sh |
| 音效生成 | moss-sound-effect | scripts/mosi
soundeffect.sh |
| 声音克隆 | — | scripts/mosi_voice.py |
| 飞书语音气泡 | — | scripts/mosi
feishuvoice.sh |
Base URL：https://studio.mosi.cn
环境准备
API Key
Key 通过 Kubernetes Secret 注入为 MOSITTSAPI_KEY，对话中不得透露。
bash
echo key已配置: $([ -n $MOSITTSAPI_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：
| 工具 | 用途 | 缺失时的处理 |
|---|
| node | JSON 处理、base64 解码 | 基础镜像自带，始终可用 |
| curl |
HTTP 请求 | 基础镜像自带，始终可用 |
| ffmpeg | WAV→OPUS 转换（语音气泡必需） | 无法发语音气泡，TTS 仍可用 |
| ffprobe | 获取音频时长（随 ffmpeg 一起安装） | 同上 |
| python3 + python3-requests | 声音克隆脚本 | 克隆功能不可用，其他功能正常 |
| bc | 浮点数计算 | 用 awk 或 node -e 替代 |
| jq | JSON 解析 | 用 node -e 替代 |
| wget | 文件下载 | 用 curl -O 替代 |
| sox | 音频格式分析/转换 | 用 ffprobe 替代 |
| mediainfo | 媒体文件元信息 | 用 ffprobe 替代 |
| unzip / zip | 压缩包处理 | — |
| tree | 目录结构显示 | 用 ls -R 替代 |
| nano | 文件编辑 | — |
一键检查当前环境
bash
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）：
bash
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）：
bash
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
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）
bash
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
| 参数 | 类型 | 默认值 | 说明 |
|---|
| model | string | — | 固定 moss-tts |
| text |
string | — | 要合成的文本 |
| voice_id | string | — | 公共或自定义声音 ID |
| expected
durationsec | float | 自动 | 目标时长（0.5–1.5× 自然语速） |
| sampling_params.temperature | float | 1.7 | 中文 1.7，英文 1.5 |
| sampling
params.maxnew_tokens | int | 512 | 最大 token 数 |
| meta_info | bool | false | 是否返回性能指标 |
内置公共声音
| 声音 ID | 名称 | 风格 |
|---|
| 2001257729754140672 | 阿树 | 轻松自然（默认） |
| 2001931510222950400 |
程述 | 播客、理性 |
| 2002941772480647168 | 阿宁 | 温柔、暖心 |
| 2020009311371005952 | 台湾女声 | 柔和、治愈 |
| 2020008594694475776 | 北京男声 | 清晰、标准 |
| 2001286865130360832 | 周周 | 独白、讲故事 |
| 2001898421836845056 | 子琪 | 活力、明亮 |
| 2001910895478837248 | 小满 | 甜美、开朗 |
| 2002991117984862208 | 梁子 | 专业、播报 |
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
bash
播音腔女声
bash scripts/mosi
voicegenerator.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
voicegenerator.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
voicegenerator.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
voicegenerator.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
voicegenerator.sh \
-t 测试文本 \
-i 专业女声 \
--meta-info
请求参数
| 参数 | 类型 | 必填 | 说明 |
|---|
| model | string | 是 | 固定 moss-voice-generator |
| text
