dsh-voice-say —— 语音合成（音色复刻）

把任意文字用一段参考音频的音色说出来。两条路：

引擎	怎么工作	需要什么	速度
cloud	把参考音频上传给服务商做音色复刻，拿到 voice_id 后合成	一个 API key（MiniMax 海螺，或任何 OpenAI 风格 /audio/speech 接口）	秒级
local	本机 F5-TTS 零样本克隆，完全离线	跑一次「装环境」：venv + 约 1.8GB 模型	CPU 上一句几十秒到几分钟

本插件只负责合成，不负责发到哪儿。要在 QQ 里发语音，需要 qq-bridge 那侧的发语音工具（或者自己把 wav 发出去）。

装

dsh plugin --profile <你的profile> add dsh-voice-say

或在 DSH 里 plugin_manager → install_bundle <本目录或 .tgz>。装完刷新页面，设置 → 语音合成。

用

云端（推荐起步）

设置页里选 cloud → 选服务商 → 填 API Key（OpenAI 兼容的还要 Base URL / 模型 / 音色）→ 保存。 MiniMax 那条会把参考音频上传复刻一次，之后复用缓存的 voice_id。

本地（免费离线）

点「一键装环境」，它会：

1. 建 venv（优先 uv，没有就 python -m venv）
2. pip install f5-tts faster-whisper soundfile
3. 下模型 —— 都走国内可达的镜像：F5-TTS 与 whisper 走 ModelScope，声码器走 aifasthub.com （官方 HuggingFace 的 xet 存储在国内会 302 到连不上的主机，这条路不通）
4. 把参考音频转成 24k 单声道并裁到 12 秒，然后用本地 whisper 转写参考文字

装完把参考音频放进 <数据根>/ref/（或脚本参数 node scripts/setup.mjs <参考音频>），写好后设置页里「参考音频 / 参考文字」会变 ✓。

工具与接口

工具：voice_say({ text, provider?, speed? })      → { out, seconds, engine, ... }
GET  /api/voice-say/status                        状态（引擎、key、本地环境、参考音频）
POST /api/voice-say/config                        改配置（存到 <数据根>/config.json）
POST /api/voice-say/synth                         { text, provider?, speed? }
GET  /api/voice-say/audio?name=xxx.wav            取回合成结果（页内试听）
POST /api/voice-say/setup                         启动「装环境」（后台跑，日志同下）
GET  /api/voice-say/setup                         读装环境日志尾巴
POST /api/voice-say/reference                     { src } 换参考音频：转码（文字仍需转写或手写）

数据放哪

默认 <用户主目录>/.dsh-voice，可用插件配置的 dataRoot 或环境变量 DSH_VOICE_HOME 改：

config.json     设置页写的配置（覆盖插件 patch 里的 config）
venv/           本地引擎的 Python 环境
models/         f5tts / vocos-mel-24khz / whisper-small
ref/            ref-24k.wav（24k 单声道）+ ref-text.txt（参考文字）
out/            合成结果
setup.log       装环境日志

已知限制

• CPU 上本地合成慢（一句几十秒到几分钟）。要快就上 GPU（装 CUDA 版 torch）或改用云端。
• 本地克隆质量取决于参考音频：5~15 秒干净人声最好；带伴奏/唱歌的素材会跑偏。
• 「参考文字」如果与实际音频不符，克隆会明显失真 —— 转写不可靠时可以手写 ref-text.txt。
• 云端复刻需要服务商支持（MiniMax 支持上传音频；OpenAI 官方 /audio/speech 只能用预置音色）。

许可

MIT。