小笨羊语音合成

它解决的问题

很多工程师在项目里需要把文本转成语音，但又不想自己搭一套浏览器自动化来调用 Microsoft Edge 内置的 TTS。原因很直接：浏览器侧的合成结果用起来不顺手，做服务端集成时还要处理音频抓取、角色切换和分片合并，链路太长。这个技能把这类工作收敛成一个可被大模型直接调用的工具：你负责理解意图、组织参数，代码负责真正调 API。

工作原理与核心能力

技能的核心是 scripts.tools.generate_speech，底层基于 Microsoft Edge TTS。能力包括多语言语音生成、多角色对话内容合成，以及把多段语音合并成单个 MP3 文件。调用方式是关键词参数：merge_output 控制是否合并所有片段；items 传入待合成的语音段落列表。模型在流程中是路由层：先检查 scripts.config.settings.api_key 是否存在；如果为空，必须通过 AskUserQuestion 向用户索取密钥，再用 scripts.config.set_api_key(key) 保存，而不是自己猜测或编造。

参数准备完成后，根据用户意图选择工具函数并提取参数；若缺少必要参数，同样需要主动询问。调用成功后会拿到包含 raw、success、message 的 dict：raw 是 API 原始 JSON 结果，整理后展示给用户；success 表示调用是否成功；message 提供状态说明。

适用边界与注意点

适合 TTS 原型、多语言旁白、多角色对话音频，以及需要把多个片段合并成单文件的场景。不适合在没有密钥时离线运行，也不适用于模型擅自补全缺失参数或绕开询问环节的自动化流程。