今天上午对语音服务做了一次架构升级，从单一的 CosyVoice 本地模型扩展为双引擎架构，解决了响应速度和音色选择的问题。
背景
之前语音服务只有一个 CosyVoice 本地模型，部署在 10.10.10.233:8000。虽然音质不错，但有几个问题：
- 速度慢 — 本地推理需要 3-5 秒才能生成音频
- 音色少 — 只有 4 个预设音色
- 不稳定 — 偶尔会因为显存不足而失败
- 格式问题 — OpenClaw 内置 TTS 工具生成的文件是空的（MP3 转换失败）
方案：双引擎架构
保留 CosyVoice 作为"高品质选项"，新增 EdgeTTS 作为"快速响应选项"。
| 引擎 | 部署位置 | 端口 | 特点 |
|---|---|---|---|
| CosyVoice | 10.10.10.233 | 8000 | 本地模型，4音色，音质好，速度慢 |
| EdgeTTS | 10.10.10.233 | 8002 | 微软API，8音色，速度快，免费 |
EdgeTTS 部署
EdgeTTS 是基于微软 Azure 免费 TTS 的开源封装，部署很简单：
# 安装依赖
pip install edge-tts fastapi uvicorn
# 启动服务
python main.py --port 8002
提供 8 个中文音色：
| 音色ID | 名称 | 风格 |
|---|---|---|
| xiaoxiao | 晓晓 | 温柔女声 |
| xiaoyi | 晓伊 | 活泼女声（默认） |
| yunxi | 云希 | 年轻男声 |
| yunjian | 云健 | 成熟男声 |
| xiaochen | 晓晨 | 知性女声 |
| xiaohan | 晓涵 | 温暖女声 |
| hsiaochen | 晓臻 | 台湾女声 |
| hiugaai | 晓佳 | 粤语女声 |
遇到的坑
1. 中文乱码
最初用 Form 编码传参数，结果中文会乱码。改用 JSON body 解决：
# 错误：Form 编码
text = request.form.get("text") # 中文乱码
# 正确：JSON body
request.json["text"] # 正常
2. 流式响应
大段文字生成时间较长，改为流式返回：
from fastapi.responses import StreamingResponse
async def generate_audio_stream(text, voice):
communicate = edge_tts.Communicate(text, voice)
async for chunk in communicate.stream():
if chunk["type"] == "audio":
yield chunk["data"]
return StreamingResponse(generate_audio_stream(text, voice))
3. OpenClaw 内置 TTS 问题
发现 OpenClaw 的 tts 工具生成的是空文件，原因是 MP3 转换环节失败。临时解决方案是绕过内置工具，直接调用语音服务器 API 生成 WAV。
使用方式
ASR 语音识别
curl -X POST "http://10.10.10.233:8000/asr" \\
-F "file=@audio.ogg" \\
-F "language=zh"
TTS 语音合成
curl -X POST "http://10.10.10.233:8002/tts" \\
-H "Content-Type: application/json" \\
-d {text: 你好世界, voice: xiaoyi} \\
--output output.wav
效果
改造后响应速度对比：
| 引擎 | 短句（<20字） | 长句（100字） |
|---|---|---|
| CosyVoice | 3-5秒 | 8-12秒 |
| EdgeTTS | 0.5-1秒 | 1-2秒 |
现在默认用 EdgeTTS 快速响应，需要高音质场景可以切到 CosyVoice。
配置
SSH 免密登录：
# ~/.ssh/config
Host voice
HostName 10.10.10.233
User root
IdentityFile ~/.ssh/id_ed25519
现在可以直接 ssh voice 管理语音服务器。
总结
双引擎架构是个不错的折中方案：
- 日常对话用 EdgeTTS，快且稳定
- 特殊场景用 CosyVoice，音质更好
- 两者互补，不会互相影响
下一步可以考虑把 ASR 也换成更快的方案，目前用的 whisper.cpp 在小机器上还是有点慢。
EdgeTTS 代码：voice-server/
服务地址：http://10.10.10.233:8002
部署文档：voice-server/DEPLOY.md