企业官网建设流程全解析

MOSS-TTS OpenClaw 技能实战：飞书语音消息一键发送

【免费下载链接】MOSS-TTSAn open-source model family for long-form speech, dialogue synthesis, voice design, sound effects, and real-time streaming TTS项目地址: https://gitcode.com/GitHub_Trending/mo/MOSS-TTS

MOSS-TTS 是 MOSI.AI 与 OpenMOSS 团队开源的语音与声音生成模型家族，覆盖长文本朗读、多说话人对话、音色设计、音效生成与实时流式 TTS。借助上架在 🦞 龙虾 ClawHub 平台的 OpenClaw 技能，你可以在飞书上让 AI一键发送语音消息——不用写代码、不用本地部署，三步即可上手。

为什么是 MOSS-TTS？

日常工作中，"把一段文字变成自然语音"是高频需求：给飞书群发条语音通知、生成播客旁白、做语音助理回复……自己搭一套 TTS 服务通常要装环境、下模型、写接口，门槛不低。

MOSS-TTS 家族把这条链路拆成了 5 个可独立使用、也可组合的量产级模型：

其中 MOSS-TTS-Realtime 的整体响应（LLM 首句 + TTS 首包）约为377ms，非常适合搭建低时延语音智能体。更多细节可查阅 docs/moss_tts_model_card.md 与 docs/moss_tts_realtime_model_card.md。

什么是 OpenClaw 技能？

OpenClaw 技能可以理解为给 AI 助手装的"插件"：安装一条命令装好，就能直接调用某个服务能力。MOSS-TTS 官方在 ClawHub 上架了两个技能：

两个技能共用同一套服务：语音合成由 MOSS-TTS 云端 API 完成，API Key 在MOSI AI Studio平台获取。技能官方说明见 README_zh.md 的 "OpenClaw API Skills" 小节。

飞书语音消息一键发送：三步上手

第 1 步：获取 MOSS-TTS API Key

注册 MOSI AI Studio 平台，在控制台创建 API Key。这是唯一的前置准备，无需购买 GPU、无需下载模型。

第 2 步：安装 feishu-voice-tts 技能

在已安装 OpenClaw（ClawHub CLI）的终端中执行：

clawhub install feishu-voice-tts

按照技能引导配置 MOSI AI Studio 的 API Key 与飞书机器人凭据即可。整个过程是交互式问答，全程不超过 1 分钟。

第 3 步：让 OpenClaw 在飞书里说人话

安装完成后，直接用自然语言下指令，例如：

• "给某某群发一条语音：今天下午三点开会，请准时参加"
• "把这段周报读出来，发到飞书"
• "用参考音频里的音色克隆一条欢迎语音"

OpenClaw 会自动完成"文本 → 语音合成 → 飞书语音消息"整条链路，最终你会在飞书里收到一条可以长按拖动、带小喇叭图标的标准语音消息，而不是一个冷冰冰的 mp3 文件。

💡小技巧：MOSS-TTS-v1.5 支持[pause X.Ys]内联停顿标记和拼音/IPA 发音控制。发正式通知时，可以在文本中插入停顿（如各位同事[pause 1.5s]下午好），语音会更自然。

moss-tts-voice 技能：更底层的语音生成

如果不想发飞书，只想把文本变成可下载的音频文件，可以装moss-tts-voice：

clawhub install moss-tts-voice

典型用法：

• "把这篇 5000 字的文章合成一段播客音频"
• "用 reference_zh.wav 的音色克隆一段英文旁白"
• "生成 30 秒的'雨声+城市环境'音效"

它直接暴露了 MOSS-TTS API 的能力：多语种合成、零样本语音克隆、时长控制等。仓库内 assets/audio/ 目录下的reference_zh.wav、reference_en.m4a等参考音频，都可以直接拿来体验音色克隆效果。

语音背后：模型是怎么工作的？

好奇的同学可以花 30 秒看懂核心架构：旗舰模型基于MossTTSDelay架构——一个 Decoder-Only LLM，用"延迟模式"并行预测多层 RVQ 音频 Token，再经音频解码器还原波形。这正是它能在 8B 参数量下取得 Seed-TTS-eval 开源最佳成绩、且长文本依然稳定的原因。源码位于 moss_tts_delay/modeling_moss_tts.py。

如果你还想更进一步——自己部署、做语音智能体：

• 本地部署：configs/llama_cpp/cpu-only.yaml 提供纯 CPU运行配置，完全无 GPU 需求；8GB 显存显卡也有对应的trt-8gb.yaml低显存方案，详见 moss_tts_delay/llama_cpp/README_zh.md
• 网页体验：直接运行 clis/moss_tts_app.py 启动 Gradio 界面，拖拽即听
• 实时语音智能体：moss_tts_realtime/fast_api.py 提供服务化接口，可搭配 LLM 流式输出做语音对话
• 微调自己的音色：三种架构的微调教程分别在 moss_tts_delay/finetuning/README_zh.md、moss_tts_local/finetuning/README_zh.md

常见问题速答

Q：安装技能需要本地 GPU 吗？不需要。OpenClaw 技能走云端 API 合成，任何能运行 OpenClaw 的设备都行。

Q：语音消息的音色可以自定义吗？可以。moss-tts-voice技能支持传入参考音频做零样本克隆；feishu-voice-tts也可在技能配置中指定参考音色。

Q：支持哪些语言？MOSS-TTS-v1.5 支持31 种语言，包括中英混合、粤语、日语、韩语、法语等，多语种合成时记得带上语言标签效果最佳。

Q：想完全离线运行怎么办？克隆仓库后按 moss_tts_delay/llama_cpp/README_zh.md 配置 llama.cpp 后端，可无 PyTorch、纯 CPU 运行；配合 moss_tts_local_v1.5/streaming.py 还能做 48kHz 立体声实时流式解码。

写在最后

从"文字"到"飞书语音消息"，过去需要一个后端团队，现在只需要一条安装命令。MOSS-TTS 把业界领先的开源 TTS 能力封装成 OpenClaw 技能，让普通用户也能零门槛用上高保真语音克隆与多语种合成。先装上feishu-voice-tts试试，下一条群通知，就让它用声音说话吧 🎙️

【免费下载链接】MOSS-TTSAn open-source model family for long-form speech, dialogue synthesis, voice design, sound effects, and real-time streaming TTS项目地址: https://gitcode.com/GitHub_Trending/mo/MOSS-TTS