让 OpenClaw 演双人对话短剧:创建 tts-drama Skill

大家好，我是蜗牛AI。

上一篇，我们让小龙虾学会了把文字变成语音。

这次继续升级。

让它识别【男】【女】角色，用不同音色生成一段完整短剧音频。

整个流程是：

提供带【男】【女】标记的对话稿↓小龙虾调用 tts-drama Skill↓识别男声和女声台词↓分别使用对应音色生成语音↓按台词顺序拼接↓飞书收到完整短剧音频

这篇文章只讲一件事：

创建 tts-drama Skill，把已有男女对话稿变成双人短剧音频。

自动读取文章、自动生成播客稿，先不讲。

为什么要做 tts-drama？

tts-momo 已经能生成语音了。

为什么还要再做一个 tts-drama？

原因很简单。

单人朗读和双人对话不是一回事。

单人朗读像一个人在读稿。

短剧对话更像两个人在交流。

如果男女台词都用同一个声音，听起来就会很别扭。

就像一个人一会儿装男生，一会儿装女生。

能听。

但不自然。

所以我们需要一个新的 Skill。

它专门处理多角色对话。

可以这样理解：

tts-momo：把一段文字读出来tts-drama：把一段男女对话演出来

这里的关键不是“声音更花哨”。

而是让小龙虾理解角色。

谁说男声。

谁说女声。

顺序不能乱。

内容不能丢。

最后还要拼成一个完整音频。

tts-drama 到底做什么？

先说清楚边界。

这一版 tts-drama 不负责写对话稿。

它只负责把已经写好的对话稿变成音频。

输入内容必须长这样：

【男】你好，我是程序员。【女】你好呀，我是设计师。【男】你觉得 AI 能取代我们吗？【女】哈哈，那得先问问女主同不同意。

这里最重要的是两个标记：

【男】【女】

这两个标记就是给 Skill 的信号。

看到【男】，就用男声音色。

看到【女】，就用女声音色。

然后它会按顺序处理：

读取每一行台词↓识别这句话属于男声还是女声↓调用 TTS 生成单句音频↓生成下一句↓把所有音频按原顺序拼接↓输出一个完整 OPUS 音频

注意这里有几个要求。

第一，角色标记要稳定。

不要一会儿写【男】，一会儿写“男：”。

格式乱了，小龙虾就容易判断错。

第二，台词顺序不能乱。

短剧音频听的是节奏。

一句错位，整个对话就不对了。

第三，Skill 不应该擅自改写台词。

用户给什么内容，它就照着生成。

这一步不是创作。

这一步是制作音频。

让小龙虾创建 tts-drama

接下来，就可以让小龙虾创建新的 Skill。

这里不要只说一句：

帮我做一个双人语音。

这句话太模糊。

小龙虾可能不知道你要的是短剧、播客，还是普通朗读。

更稳的做法，是把输入格式、角色音色、输出方式都说清楚。

我给小龙虾的要求可以这样写：

请帮我创建一个新的 Skill，专门用于生成男女短剧对话音频。要求：1. Skill 名称为 tts-drama。2. 输入是一段带【男】【女】角色标记的对话稿。3. 男声台词使用男声音色。4. 女声台词使用女声音色。5. 按原始台词顺序逐段生成音频。6. 最后将所有音频拼接成一个完整文件。7. 输出格式使用 OPUS，方便在飞书、微信等聊天工具中转发。8. 生成完成后，通过飞书把音频文件发给我。9. 音频发送成功后，清理服务器临时文件。10. 创建完成后先不要调用接口，请告诉我 Skill 的文件位置、目录结构和使用方法。男声音色：[填写实际男声音色]女声音色：[填写实际女声音色]

如果你已经确定了音色，就直接填进去。

比如男声用某个低沉一点的音色。

女声用某个更轻快一点的音色。

这里不要纠结音色名字本身。

重点是让两个角色能明显区分。

还是老规矩。

先让小龙虾创建。

不要一上来就让它调用接口。

先检查结构，再测试。

这样出问题时更容易定位。

创建完成后看什么？

小龙虾创建成功后，会返回类似这样的目录结构：

tts-drama/├── SKILL.md├── scripts/│   └── tts_drama.sh└── references/    └── api-docs.md

这几个文件不用一上来全看懂。

先知道它们各自负责什么就行。

SKILL.md 是 Skill 的说明书。

它告诉小龙虾：

什么情况下应该使用 tts-drama。

输入格式是什么。

输出结果是什么。

scripts/tts_drama.sh 是真正干活的脚本。

它负责拆台词、调用 TTS、生成音频、拼接音频、发送文件。

references/api-docs.md 是接口参考文档。

它保存语音合成 API 的参数和调用方式。

看到这些文件，说明 Skill 的骨架已经搭起来了。

但这还不等于成功。

文件创建成功，只能说明“工具做出来了”。

真正成功，要看它能不能跑通。

第一次测试

第一次测试不要写太长。

越短越好。

先确认男女音色、顺序和发送链路都没问题。

可以这样发给小龙虾：

请使用 tts-drama Skill，把下面这段对话生成短剧音频，并通过飞书发给我：【男】你好，我是程序员。【女】你好呀，我是设计师。【男】你觉得 AI 能取代我们吗？【女】哈哈，那得先问问女主同不同意。

这段测试稿很短。

但它足够验证核心能力。

它有男声。

有女声。

有来回对话。

也能看出顺序有没有错。

收到音频后，重点检查这几件事：

• 飞书是否收到完整音频
• 男声和女声是否能明显区分
• 台词顺序是否正确
• 有没有漏句
• 有没有把台词改掉
• 音频能否播放和下载

这几项都对，tts-drama 才算真正跑通。

如果只看到小龙虾说“创建完成”，但没有实际生成音频，那还不算完成。

为什么还用 OPUS？

这里继续使用 OPUS。

原因很简单：

短剧音频通常更长。

如果用 WAV，文件会比较大。

发送慢，也占空间。

OPUS 体积小，听感也够用。

更适合通过飞书、微信这类聊天工具转发。

但不同客户端支持不完全一样。

有的可以直接播放。

有的更适合作为文件下载后播放。

所以这里选 OPUS，不是追求最高音质，而是为了方便发送和分享。

这一篇做到了什么？

到这里，小龙虾已经从“会朗读”升级到了“会演对话”。

上一篇是：

文字 → 单音色 → 语音

这一篇是：

男女对话稿 → 两个角色 → 两种音色 → 完整短剧音频

它不只是多了一个声音。

而是把角色识别、音色分配、分段生成、音频拼接和文件发送串成了一条完整流程。

这才是 Skill 真正有用的地方。

下一篇，我们再继续升级。

现在对话稿还需要提前准备好。

下一步要做的是：

给小龙虾一篇财经文章。

让它自己提炼内容，生成男女对话稿。

然后再调用 tts-drama，做成一段完整双人播客。