MiniMax TTS Skill#

前置条件#

• Python 3 已安装

• requests 库： pip3 install requests

• websockets 库： pip3 install websockets（流式播放需要）

• ffplay（流式播放需要）：

  • macOS: brew install ffmpeg
  • Ubuntu: sudo apt install ffmpeg
  • Windows: 从 https://ffmpeg.org/download.html 下载
  • 如果 ffplay 未安装， stream_play.py 会提示安装方法

init#

需要初始化以下信息：#

第一步：获取 API Key

向用户获取 MiniMax API Key（ sk-cp- 开头的 Token Plan key，或普通 API Key）。

第二步：确认配置

向用户确认：

• API Key 是否正确
• 使用国内（ https://api.minimaxi.com）还是海外（ https://api.minimaxi.io）节点

第三步：填写配置

获取以上信息后：

1. 修改 scripts/generate.py 顶部的配置常量（ API_KEY、 BASE_URL），填入实际值
2. 修改 scripts/stream_play.py 顶部的配置常量（ API_KEY、 BASE_URL），填入相同的值
3. 同时更新下方 ## 配置 区段的表格，作为配置记录

第四步：判断音色

1. 根据 IDENTITY.md 自行选择声优
2. 如判断不出，则使用 male-qn-jingying（精英青年音色）
3. 然后更新下方 ## 配置 区段的表格及两个脚本

第五步：清理

配置填写完成后， 删除本 ## init 区段（包括 ### 需要初始化以下信息 的全部内容），仅保留 ## 配置 区段。

---

配置#

配置项值说明MINIMAX_API_KEY<待填入>初始化时替换为实际 keyBASE_URL<待填入>CN: https://api.minimaxi.com / Global: https://api.minimaxi.ioREGION<待填入>``CN 或 globalVOICE_ID<待填入>判断音色后填入

---

音色列表#

语言因音色较多，不再逐一列出，完整列表参考 MiniMax TTS 官方文档：

---

快速使用#

📢 channel=webchat 时的播放策略：当前 channel 为 webchat（实时对话场景）时， 应优先使用 stream_play.py 直接流式播放，而不生成文件。这样用户可以立即听到语音， 无需等待完整音频生成。仅当用户明确要求保存文件时，才使用 generate.py。

1️⃣ 流式播放（channel=webchat）#

通过 WebSocket 实时获取音频流，边生成边用 ffplay 播放。 无需生成文件，首个音频包到达即开始播放。

bash

SKILL_DIR="~/.openclaw/workspace/skills/minimax-tokenplan-tts"
python3 "$SKILL_DIR/scripts/stream_play.py" \
    --text "要播放的文本内容" \
    --voice "male-qn-jingying"

注意：以下示例中 stream_play.py 和 generate.py 均指 ~/.openclaw/workspace/skills/minimax-tokenplan-tts/scripts/ 下的完整路径。

参数说明：

参数必填说明默认值--text✅要播放的文本， 最长 10000 字符---voice❌声优 IDmale-qn-jingying``--speed❌语速 [0.5,2.0]1.0``--vol❌音量 (0,10]1.0``--pitch❌音调 [-12,12]0``--save❌同时保存到文件（MP3 格式）不保存--api-key❌API Key（默认使用文件顶部配置）---base-url❌Base URL（默认使用文件顶部配置）-

示例：

bash

# 直接播放（不保存文件）
python3 stream_play.py --text "你好，我正在通过流式方式播放语音"

# 播放同时保存到文件
python3 stream_play.py --text "这段语音会被保存" --save /tmp/stream_output.mp3

# 使用女声播放
python3 stream_play.py --text "今天天气真不错" --voice female-tianmei

---

2️⃣ 文件生成（需要保存 WAV 时使用）#

bash

SKILL_DIR="~/.openclaw/workspace/skills/minimax-tokenplan-tts"
python3 "$SKILL_DIR/scripts/generate.py" \
    --text "要转换的文本内容" \
    --voice "male-qn-jingying" \
    --output "/tmp/tts_output.wav"

参数说明：

参数必填说明默认值--text✅要转换的文本， 最长 10000 字符，超出会报错---voice❌声优 IDmale-qn-jingying``--speed❌语速 [0.5,2.0]1.0``--vol❌音量 (0,10]1.0``--pitch❌音调 [-12,12]0``--output❌输出路径自动生成--api-key❌API Key（默认使用文件顶部配置）---base-url❌Base URL（默认使用文件顶部配置）-

声优可选值： 完整327个音色列表见 ## 音色列表

示例：

bash

# 基本用法
python3 generate.py --text "你好，欢迎使用 MiniMax TTS" --output /tmp/hello.wav

# 快速播报（1.5倍速）
python3 generate.py --text "紧急通知，请立即处理" --speed 1.5 --output /tmp/alert.wav

# 柔和女声
python3 generate.py --text "今天天气真不错" --voice female-qn-tianying --output /tmp/weather.wav

---

工作流总结#

TTS 完整流程#

1. 文本预处理 → 检查是否需要插入语气词标签（见 ## 语气词标签）
2. 选择声优 → --voice 参数（默认 male-qn-jingying）
3. 调整参数 → --speed / --vol / --pitch
4. 生成 WAV → 脚本调用 MiniMax TTS API（自动处理 HEX 解码）
5. 格式转换 → 如需 MP3/AAC 等格式，用 ffmpeg 转换

---

脚本输出格式#

generate.py#

调用 generate.py 后， stdout 输出生成结果，格式如下：

stdout 输出说明保存后的文件绝对路径~/.openclaw/media/minimax/tts/tts-2026-03-27-hello.wav

stream_play.py#

调用 stream_play.py 后， stdout 输出播放状态：

stdout 输出说明STREAM_PLAY_DONE流式播放完成STREAM_PLAY_ERROR: <msg>播放失败，附带错误信息

两个脚本的日志信息（ [INFO]、 [WARN]、 [ERROR]）均输出到 stderr，不会混入 stdout。

---

错误处理#

code含义处理0成功继续1002限流提醒用户 API 限流中，建议稍后重试1004鉴权失败检查 API Key1008余额不足提醒充值2049无效 Key检查 Key 是否正确

---

文件存储#

• 默认保存到： ~/.openclaw/media/minimax/tts/（多 Agent 共享目录）
• 文件名格式： tts-YYYY-MM-DD-<slug>.wav
• slug：取 text 前20字符，英文数字保留，空格变 -

---

语气词标签#

• 在文本中适当位置插入以下标签，可生成对应的非语言音效（笑声、咳嗽、呼吸等）。AI 应根据文本情绪自动判断是否插入。
• 用户明确要求不插入语气词标签时，不要插入。

支持的标签#

标签含义标签含义(laughs)笑声(chuckle)轻笑(coughs)咳嗽(clear-throat)清嗓子(groans)呻吟(breath)正常换气(pant)喘气(inhale)吸气(exhale)呼气(gasps)倒吸气(sniffs)吸鼻子(sighs)叹气(snorts)喷鼻息(burps)打嗝(lip-smacking)咂嘴(humming)哼唱(hissing)嘶嘶声(sneezes)喷嚏

注意： (emm) 不支持，请用 (breath) 或语气停顿代替。

使用示例#

text

--text "今天是不是很开心呀(laughs)，当然了！"
--text "咳咳(coughs)，不好意思，有点呛到了"
--text "嗯(inhale)，让我想想(exhale)..."

---

注意事项#

• 文本长度：最长 10000 字符，超出会报错
• HEX 解码：API 返回的 audio 字段是 HEX 编码（不是 base64），脚本自动处理
• 完成后提示用户：可以从 https://platform.minimaxi.com/docs/faq/system-voice-id 找到更多音色