概述
语音合成技术涵盖两个方向：macOS 本地 Qwen3-TTS 模型的安装与使用，以及字节跳动（豆包）语音领域开源项目调研（MegaTTS3/Seed-VC/Seed-ASR）。
Qwen3-TTS 是在 macOS 本地部署的语音合成模型，主要用于生成语音文件并通过 Mattermost API 发送。字节跳动方面有三大项目：MegaTTS 3（语音克隆，⭐6081）、Seed-VC（实时变声）和 Seed-ASR（语音识别，豆包输入法核心引擎）。
关键事件
- 2026-03-10: 开始研究如何在 macOS 上安装 Qwen3-TTS
- 2026-03-12: 确认 Qwen3-TTS 已安装在
/Users/leway/Qwen3-TTS - 2026-03-15: 生成第一个测试语音，解决文件发送问题
- 2026-03-20: 通过 Mattermost API 发送语音文件
- 2026-03-30: 调研字节跳动语音开源项目（MegaTTS3/Seed-VC/Seed-ASR）
- 2026-03-30: 深入分析 Seed-ASR 架构和火山引擎 API 调用方案
- 2026-03-30: 评估 volcengine-asr OpenClaw Skill 集成方案
Qwen3-TTS 本地部署
- 模型: Qwen3-TTS（千问语音合成模型）
- 安装路径:
/Users/leway/Qwen3-TTS - 虚拟环境:
/Users/leway/qwen3tts-env - 文件发送流程: 生成语音 → 复制到工作区 → 通过 Mattermost API 上传为附件
- macOS 本地运行需要足够的内存和计算资源
字节跳动语音项目
MegaTTS 3 — 文本转语音（TTS）
- GitHub:
bytedance/MegaTTS3（⭐6081，0.45B 参数） - 几秒参考音频即可克隆声音，支持中英文
- 需要 GPU（CUDA），有 HuggingFace Demo
Seed-VC — 语音转换（变声）
- GitHub:
Plachtaa/seed-vc（⭐3663） - 零样本语音转换 + 唱歌变声，实时延迟 ~300ms
- 极低数据微调（最少 1 句话，100 步，2 分钟）
Seed-ASR — 语音识别
- 豆包输入法核心引擎，完全未开源
- 基于 LLM 的 ASR，比 Whisper 在专有名词/中英混杂/方言处理更好
- 可通过火山引擎 API 调用 Seed-ASR 2.0（免费额度约 10 万次）
- 社区代理:
doubao-asr2-openai-proxy，OpenClaw Skill:volcengine-asr
Seed-TTS — 字节王牌 TTS
- 只开源评测集（⭐1546），模型不开源（AI 安全考虑）
开源替代方案
- FunASR (阿里): 中文最好的开源 ASR
- Whisper (OpenAI): 多语言通用
- SenseVoice (阿里): 轻量快速
edge-tts 在 Healthbot 中的应用
Healthbot（health agent）使用 edge-tts（微软晓晓语音）为术后康复提醒生成语音消息：
- 引擎: edge-tts（微软 Edge 浏览器 TTS API）
- 语音: 晓晓（中文女声）
- 用途: 每日7次定时康复提醒（吃药、换药、散步、按摩）
- 发送方式: 生成语音文件 →
openclaw message send --account health --media→ Mattermost DM - 脚本:
workspace-health/scripts/remind.sh - 调度: 系统 crontab
实现过程
- 安装 edge-tts 工具
- 脚本生成语音文件（
.mp3） - 通过
openclaw message send --account health --channel mattermost发送语音+文字 - 初始测试时发到了错误的 Bot 账号，加上
--account health后修正
经验教训
- 生成的语音文件不能直接”发送”，需要通过 Mattermost 文件上传 API
- 文件路径需要是 Agent 可访问的工作区内路径
- 先生成文件再发送，而非流式输出