给 OpenClaw 装上声带:创建第一个 TTS Skill

大家好，我是蜗牛AI。

以前，我的 OpenClaw 小龙虾只能在飞书里回复文字。

这次，我给它接入了语音合成能力。

现在只要发送一段文字，它就能生成音频，再通过飞书发回来。

整个流程是：

发送文字↓小龙虾调用 tts-momo Skill↓阿里云百炼生成语音↓飞书收到可播放、可下载的音频

这篇文章只做一件事。

创建一个名为 tts-momo 的 Skill，让云端小龙虾第一次开口说话。

TTS 是什么？

刚开始学习时，我连 TTS 是什么都不知道。

其实它很简单。

TTS 的全称是 Text To Speech，中文叫文本转语音。

例如输入：

大家好，我是蜗牛AI。

TTS 会把它转换成一段朗读这句话的音频。

有声书、导航语音、短视频配音和智能客服，都可能用到 TTS。

所以 TTS 不是某一个软件，而是一类“把文字变成声音”的能力。

这次提供 TTS 能力的平台，是阿里云百炼。

为什么还要创建 Skill？

阿里云百炼已经能生成语音，为什么还要创建 Skill？

因为我不想每次生成语音，都重新研究接口、填写参数，再处理音频文件。

Skill 可以把这些重复操作固定成一套流程。

你可以把它理解成小龙虾工具箱中的一个专用工具：

API 文档：使用说明书API Key：进入服务的门禁卡Skill：整理好的完整操作流程

创建 Skill 后，我只需要说一句：

把这段文字转成语音。

小龙虾就知道该调用哪个模型、使用什么音色，也知道怎样把音频发回来。

开始前需要准备什么？

开始操作前，需要确认：

• OpenClaw 已经部署并正常运行
• 已经接入飞书，可以正常与小龙虾聊天
• 拥有可以登录的阿里云账号
• 能够打开阿里云百炼控制台

这次使用的是阿里云百炼的非实时语音合成能力。

它适合接收一段完整文字，生成一个可以下载的音频文件。

第一步：找到语音合成 API 文档

进入阿里云百炼控制台。

先找到语音合成页面，再打开非实时语音合成的 API 文档。

这份文档介绍了多个语音模型。

我们主要关注 Qwen-TTS 的非流式调用方式。

文档中需要能看到这些关键信息：

模型：qwen3-tts-flash文字参数：text音色参数：voice语言参数：language_type

不用担心自己看不懂完整文档。

接下来，把文档交给小龙虾。

让它自己理解接口，再创建 Skill。

在文档页面复制 Markdown 内容。

做到这里，你应该已经拿到了一份完整的语音合成 API 文档。

第二步：让小龙虾创建 tts-momo

把刚才复制的 API 文档发送给小龙虾，再把下面的要求一起发给它：

先检查 Skill 是否创建正确，再进行真实调用。

这样出现问题时，更容易排查。

小龙虾创建完成后，返回了类似下面的目录结构：

这些文件分别负责：

• SKILL.md：说明什么时候使用这个 Skill，以及如何使用
• tts_momo.sh：调用 TTS、处理音频和发送结果
• api-docs.md：保存接口参数参考

如果小龙虾返回了文件位置、目录结构和使用方法，说明 Skill 已经创建完成。

但此时还不能说明它真的能生成语音。

第三步：配置 API Key

小龙虾想调用阿里云百炼，需要配置 API Key。

API Key 可以理解成一张门禁卡。

它告诉平台：

• 谁在调用服务
• 是否拥有调用权限
• 调用额度和费用属于哪个账号

进入阿里云百炼的 API Key 管理页面。

创建一个 Key，或者选择已有的可用 Key。

再按照小龙虾给出的方式，把它配置成云端服务器的环境变量：

DASHSCOPE_API_KEY

不要把完整 API Key 直接写进 Skill 脚本。

也不要把它展示在公开截图、文章或代码仓库中。

配置完成后，让小龙虾检查：

请检查 DASHSCOPE_API_KEY 是否可以正常读取，并确认 Skill 脚本、说明文档和日志中没有写入完整 API Key。暂时不要调用 TTS 接口。

如果小龙虾能读取环境变量，也没有在文件中发现完整 Key，说明配置成功了。

第四步：生成第一段语音

现在可以进行第一次真实测试。

第一次测试不要写太长。

先确认完整链路能不能跑通。

我使用的测试要求是：

请使用 tts-momo Skill，把下面这句话转换成语音，并通过飞书发给我：大家好，我是蜗牛AI，这是我的第一段小龙虾语音。

执行后，小龙虾会：

调用阿里云百炼 TTS↓使用 momo 音色生成语音↓将音频保存到云端服务器↓通过飞书发送音频↓清理临时文件

收到音频后，亲自确认四件事：

• 飞书能否正常收到音频
• 音频能否播放和下载
• 播放内容是否与输入文字一致
• 使用的是否为预期音色

这四项全部正确，才说明 tts-momo 真正跑通了。

为什么音频先保存到云端？

我的 OpenClaw 部署在云端服务器。

所以 Skill 中的“保存到本地”，指的是保存到云端服务器。

它不会直接保存到我正在使用的电脑。

实际链路是：

小龙虾在云端生成音频↓将音频通过飞书发回来↓在飞书中播放或下载到电脑

如果你的 OpenClaw 也部署在云端，这种方式最简单，也最实用。

为什么输出 OPUS，而不是 WAV？

第一版 tts-momo 还将生成的音频转换成了 OPUS 格式。

这里不用研究复杂的音频编码原理，只要知道：

WAV：文件通常更大OPUS：文件更小，更适合通过微信、飞书等聊天工具转发

我们要通过飞书接收音频，后面还可能转发到微信。

OPUS 的文件体积更小。发送更快，也更省流量。

日常收听时，音质一般也够用。

不过，适合转发不等于一定能直接播放。

不同微信版本对 .opus 文件的支持可能不同。即使不能直接播放，也可以作为文件发送和下载。

这也说明，一个 Skill 能够运行还不够。

真正好用的 Skill，还要考虑三个问题：

• 文件最后发到哪里
• 用户怎样播放和下载
• 使用后怎样清理临时文件

小白容易遇到的几个问题

Skill 创建成功，为什么还要测试？

创建成功只说明文件已经生成。

只有真实调用接口、收到音频，并确认内容正确，才能说明完整链路跑通。

小龙虾能把音频直接保存到我的电脑吗？

如果 OpenClaw 部署在云端，通常不能直接写入你的电脑。

更简单的方式是通过飞书发送音频，再由你播放或下载。

API Key 可以直接写进脚本吗？

不建议。

把 Key 放在环境变量里，更不容易被误传或公开。

最后总结

这次操作完成了这样一条链路：

阿里云百炼提供 TTS 能力↓小龙虾根据 API 文档创建 tts-momo Skill↓通过 API Key 获得调用权限↓将文字转换成语音↓通过飞书发送音频

现在，小龙虾不只会回复文字。

它还能把文字变成可以收听的声音。

不过，单个音色只能完成一个人的朗读。

下一篇，我们会在这个基础上继续创建一个男女对话短剧音频 Skill。

只要给小龙虾一份带有男女角色标记的对话稿，它就能识别不同角色。

最后按照台词顺序拼接成一段完整的双人短剧音频。