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：

1. 速度慢 — 本地推理需要 3-5 秒才能生成音频
2. 音色少 — 只有 4 个预设音色
3. 不稳定 — 偶尔会因为显存不足而失败
4. 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"。

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：

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：

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