OpenSkillIndex← back to search
claude-code

Skills article-tts

拍照或文字转音频：文章照片 OCR 提取文字，或直接接收文字，生成 Microsoft Edge TTS 语音，支持中英文、自动转写、语速调节、逐句拆分。| Capture article photos (OCR) or plain text, generate natural audio via Edge TTS. Bilingual support (EN/ZH), configurable speed, voice, and sentence splitting.

install
source · Clone the upstream repo
git clone https://github.com/openclaw/skills
Claude Code · Install into ~/.claude/skills/
T=$(mktemp -d) && git clone --depth=1 https://github.com/openclaw/skills "$T" && mkdir -p ~/.claude/skills && cp -r "$T/skills/54meteor/article-tts" ~/.claude/skills/clawdbot-skills-article-tts && rm -rf "$T"
manifest: skills/54meteor/article-tts/SKILL.md
source content

Article TTS Skill

Default Configuration

参数默认值说明
lang
en
语言：
en
或 
zh
skipConfirmation
false
是否跳过文字确认步骤
speed
90%
TTS 语速（
--rate=-10%
= 90%）
voice
en-US-EmmaNeural
（英文）/ 
zh-CN-XiaoxiaoNeural
（中文）		TTS 声音
splitSentences
false
是否生成按句拆分的音频

Supported Languages

语言OCR 语言包TTS Voice
en
eng
（预装）
en-US-EmmaNeural
zh
chi_sim
（需安装）
zh-CN-XiaoxiaoNeural

中文 OCR 语言包安装：

  • Linux（WSL/Debian/Ubuntu）：
    apt-get install tesseract-ocr-chi-sim
  • macOS：
    brew install tesseract-lang
    （自带中文）
  • Windows：下载 
    chi_sim.traineddata
    放入 Tesseract 安装目录的 
    tessdata
    文件夹

Workflow

Input Types

  • 图片：OCR 提取文字（需要 
    lang
    指定语言）
  • 纯文字：直接 TTS，无需 OCR

Standard Flow（默认，需确认）

图片 → OCR 提取文字 → 展示给用户确认 → 用户确认 → 生成 TTS → 发送
文字 → 直接生成 TTS → 发送

Skip-Confirmation Flow ⚠️

用户说"不需要确认"或"直接生成"时，跳过确认步骤。

⚠️ 安全提示：skipConfirmation 会跳过文字确认步骤，OCR 提取的文本（可能包含敏感信息）会直接转为音频并发送。适用于可信来源、低敏感内容。建议默认关闭（

skipConfirmation: false
）。

OCR Step

# 图片预处理
from PIL import Image, ImageOps
img = Image.open(image_path)
img = ImageOps.autocontrast(img.convert('L'), cutoff=10)
w, h = img.size
img = img.resize((w*4, h*4), Image.LANCZOS)
img.save('/tmp/ocr_input.jpg', quality=99)

# 英文
tesseract /tmp/ocr_input.jpg stdout -l eng --psm 4

# 中文
tesseract /tmp/ocr_input.jpg stdout -l chi_sim --psm 4

TTS Step

全文字频

uvx edge-tts \
  -t "FULL TEXT" \
  -v en-US-EmmaNeural \
  --rate=-10% \
  --write-media OUTPUT_DIR/full_article.mp3

# 中文
uvx edge-tts \
  -t "中文文字内容" \
  -v zh-CN-XiaoxiaoNeural \
  --rate=-10% \
  --write-media OUTPUT_DIR/full_article.mp3

按句拆分（仅 splitSentences=true）

import subprocess, re

def split_sentences(text, lang='en'):
    if lang == 'zh':
        # 中文按句号/感叹号/问号拆分
        sentences = re.split(r'(?<=[。！？])\s*', text)
    else:
        # 英文按 .!? 拆分
        sentences = re.split(r'(?<=[.!?])\s+', text)
    return [s.strip() for s in sentences if s.strip()]

sentences = split_sentences(text, lang=lang)
for i, sentence in enumerate(sentences, 1):
    num = str(i).zfill(2)
    voice = 'zh-CN-XiaoxiaoNeural' if lang == 'zh' else 'en-US-EmmaNeural'
    subprocess.run([
        "uvx", "edge-tts",
        "-t", sentence,
        "-v", voice,
        "--rate=-10%",
        "--write-media", f"OUTPUT_DIR/sentence_{num}.mp3"
    ])

Output Directory

/mnt/d/wslspace/workspace/articles/YYYY-MM-DD-article-slug/
├── original_text.md
├── full_article.mp3
└── sentence_01.mp3 ...

Sending via Message Channel

The agent detects the active channel from the runtime context and calls 

message(...)
accordingly. No hardcoded channel — the agent uses whichever channel the user is currently chatting through.

# Detect active channel automatically (from runtime inbound metadata)
# channel is inferred: feishu / telegram / discord / whatsapp / signal / imessage / openclaw-weixin

# 发送全文
message(action="send", channel="{active_channel}",
        message="📄 全文音频",
        media="PATH/full_article.mp3",
        filename="full_article.mp3")

# 发送每句
for i, sentence in enumerate(sentences, 1):
    num = str(i).zfill(2)
    message(action="send", channel="{active_channel}",
            message=f"📝 {num}: {sentence}",
            media=f"PATH/sentence_{num}.mp3",
            filename=f"sentence_{num}.mp3")

Channel Behavior Notes

Channel音频支持备注
Feishu✅推荐使用 feishu-voice-send skill 发送语音消息
Telegram✅直接发送 mp3
Discord✅作为附件发送
WhatsApp✅直接发送 mp3
Signal⚠️取决于信号强度，可能不支持
iMessage⚠️通过 macOS 发送，mp3 兼容性一般
WeChat Work✅同 Feishu

If the channel does not support audio, the agent saves the file to 

OUTPUT_DIR
and sends the file path as a text message instead.

如何发送为语音消息（而非附件）

重要说明： OpenClaw 内置的飞书媒体发送存在 bug（缺少 

duration
参数），导致 
.ogg
文件有时显示为附件而非语音消息。

推荐方案：使用 feishu-voice-send skill

该 skill 调用飞书官方 API，正确传递 

duration
参数，确保语音消息正常显示。

方式一：通过 feishu-voice-send skill 发送

# 发送现有的 .ogg 文件
python3 /mnt/d/wslspace/workspace/skills/feishu-voice-send/scripts/send_voice.py \
    /path/to/audio.ogg \
    <接收者open_id>

# 或直接生成 TTS 并发送
python3 /mnt/d/wslspace/workspace/skills/feishu-voice-send/scripts/tts_and_send.py \
    "要转换的文字" \
    <接收者open_id> \
    -v zh-CN-YunjianNeural \
    -r -10%

方式二：手动调用（不推荐）

如果必须使用 OpenClaw 内置的 

message
工具，需要：

  1. 将 mp3 转换为标准 Ogg Opus 格式
  2. 发送时必须带 message 参数
  3. 注意：即使带 message 参数，仍可能因为缺少 duration 而显示为附件
# 1. 用 edge-tts 生成 mp3
uvx edge-tts \
  -t "Your text here" \
  -v en-US-EmmaNeural \
  --rate=-10% \
  --write-media OUTPUT_DIR/voice.mp3

# 2. 用 ffmpeg 转换为标准 Ogg Opus
ffmpeg -i OUTPUT_DIR/voice.mp3 \
  -c:a libopus \
  -b:a 32k \
  -ar 24000 \
  -ac 1 \
  OUTPUT_DIR/voice.ogg

# 3. 使用 message 工具发送（仍可能显示为附件）
message(action="send", channel="feishu", \
        message="📄 语音", \
        media="OUTPUT_DIR/voice.ogg")

Available TTS Voices

English

en-US-EmmaNeural
, 
en-US-BrianNeural
, 
en-GB-LibbyNeural
, ...

Chinese

zh-CN-XiaoxiaoNeural
（女声）, 
zh-CN-YunxiNeural
（男声）, 
zh-CN-YunyangNeural
（新闻男声）, ...

查看完整列表：

uvx edge-tts -l | grep "zh-CN"

Notes

  • Tesseract + English 预装；中文需 
    apt-get install tesseract-ocr-chi-sim
  • edge-tts 通过 
    uvx
    运行，无需安装
  • 图片质量直接影响 OCR 效果，尽量保持光线充足、角度端正