背景

在软件开发中，文本转语音（TTS）技术广泛应用于有声读物、视频配音、语音提示等场景。传统做法是编写 Python 脚本，手动管理依赖、配置环境变量、执行命令行操作，流程繁琐且容易出错。

Claude Code 提供了技能系统，可以将这类重复性操作封装为命令式接口，通过自然语言交互完成任务。本文阐述如何将文字转音频功能封装为 Claude Code 技能，并通过提示词实现高效调用。

技能设计思路

从脚本到技能的转变

传统开发模式涉及多步操作：

# 1. 编写 Python 脚本
# 2. 安装依赖（openai, numpy, soundfile）
# 3. 设置环境变量
# 4. 执行命令
python tts.py "你好" --voice Chloe --output output.wav

封装为 Claude Code 技能后，直接使用自然语言指令：

/mimo-tts 你好，欢迎使用小米MIMO语音合成

两者的差异在于：技能通过 SKILL.md 文件向 Claude 描述自身能力，Claude 根据用户输入自动解析参数、调用执行脚本、返回结果。用户无需记忆命令格式，无需关心底层实现细节。

技能实现

文件结构

~/.claude/skills/mimo-tts/
├── SKILL.md          # 技能描述文件，定义参数、示例与注意事项
└── tts.py            # 核心执行脚本，对接小米MIMO TTS API

SKILL.md 设计

SKILL.md 是 Claude Code 技能的核心配置文件。它定义了技能的名称、用途和操作协议，引导 Claude 如何解析用户请求，明确所需参数及其默认值，并提供使用示例帮助用户快速上手。

---
name: mimo-tts
description: 文字转音频命令 - 使用小米MIMO TTS API将文字转换为音频文件
---

SKILL.md 的关键设计点：

• 技能名称和描述：让 Claude 准确识别技能用途，在用户触发时正确调用
• 使用方式：提供覆盖常见场景的示例，降低学习成本
• 参数说明：逐项列出参数名称、作用、默认值，避免歧义
• 注意事项：涵盖 API Key 安全、音频格式、依赖库等要求，确保技能稳定运行

tts.py 执行逻辑

tts.py 是技能的核心执行模块，负责以下工作：

1. 从环境变量或命令行参数读取 API Key
2. 构建 OpenAI 兼容的请求（小米MIMO API 采用 OpenAI 接口规范）
3. 流式接收 PCM16 音频数据
4. 转换并保存为 WAV 文件（24kHz 采样率）
5. 返回生成结果（文件路径、时长、大小）

使用指南

提示词是用户与技能交互的核心方式。以下按使用复杂度递进，分别介绍基础指令、高级指令和自然语言指令。

基础指令

# 文本转音频
/mimo-tts 你好，欢迎使用小米MIMO语音合成

# 指定音色
/mimo-tts 这是一段测试文本 --voice default

# 指定输出文件
/mimo-tts 今天天气真好 --output weather.wav

# 组合使用
/mimo-tts "Hello，欢迎来到我们的产品发布会" --voice Mia --output welcome.wav

高级指令

# 从文件读取文本内容
/mimo-tts --file input.txt --output narration.wav

# 列出所有可用音色
/mimo-tts --list-voices

列出音色列表：

自然语言指令

Claude Code 具备自然语言理解能力，用户可以通过语义丰富的指令实现复杂场景：

# 有声书制作
/mimo-tts 将这段文字转换为有声书音频：第一章 在一个遥远的地方，有一个美丽的村庄...

# 视频旁白
/mimo-tts 为这个演示视频生成旁白：这是一个产品功能演示，我们将展示核心特性

# 多语言内容
/mimo-tts 将这段中英文混合内容转换为语音：Hello大家好，我是今天的主持人

Claude 会根据指令中的上下文信息，自动推断音色、输出文件名等参数，无需用户显式指定。

音色选择建议

不同音色适用于不同场景，选择合适的音色能显著提升最终效果：

场景	推荐音色	原因
中文有声书	茉莉、冰糖	自然流畅，适合长文本朗读
英文内容	Chloe、Mia	发音标准，语调自然
男性旁白	苏打、白桦	声音沉稳，适合正式场合
儿童内容	mimo_default	声音亲切，适合儿童内容

文件命名规范

使用有意义的文件名便于管理和识别，避免使用 output.wav 这类无意义命名：

/mimo-tts 第一章内容 --voice 茉莉 --output chapter1_茉莉.wav
/mimo-tts 欢迎词 --voice 冰糖 --output welcome_开场白.wav
/mimo-tts 产品介绍 --output product_intro_v1.wav

批量处理

技能本身不支持批量处理，但可通过对话逐步实现。Claude 会记住上下文，保持参数一致性：

/mimo-tts 第一章内容 --output chapter1.wav
/mimo-tts 第二章内容 --output chapter2.wav

进阶用法

结合其他技能

Claude Code 技能可以串联使用，形成完整的工作流，以下是大致思路：

# 先用文章配图技能生成图片
/article-img 文章.md

# 再用 TTS 技能生成旁白
/mimo-tts 文章内容 --output narration.wav

# 然后再调用其他技能制作成视频

自动化工作流

在对话中，Claude 会根据上下文自动选择合适的参数：

用户: 我需要为这个产品视频制作旁白
Claude: 好的，请问你希望使用什么音色？
用户: 男声，沉稳一些
Claude: 好的，我将使用"苏打"音色生成旁白。

随后 Claude 执行：

/mimo-tts 这是一个产品功能演示，我们将展示核心特性 --voice 苏打 --output product_demo.wav

---

常见问题

Q: 如何设置 API 密钥？

在环境变量中设置：

export MIMO_API_KEY="your-api-key-here"

或在项目目录创建 .env 文件：

MIMO_API_KEY=your-api-key-here

Q: 支持哪些音频格式？

目前支持 WAV 格式，采样率 24kHz。

Q: 音频质量如何？

小米MIMO TTS API 采用神经网络语音合成技术，音质接近真人发音，支持多种音色可选。

Q: 是否支持长文本？

支持，但建议分段处理，每段控制在 500 字以内，以获得最佳合成效果。

Q: 如何处理特殊字符？

Claude 会自动处理大部分特殊字符。对于包含复杂符号或罕见字的内容，建议先测试小段文本确认效果。

总结

通过将文字转音频功能封装为 Claude Code 技能，用户可以：

• 用自然语言指令代替复杂命令行参数
• 通过对话上下文实现智能化参数推断
• 获得清晰的执行反馈和错误处理引导

这种技能封装模式具有通用性，可以复用到其他重复性操作中。Claude Code 的技能系统为开发者提供了低门槛的扩展能力，将常用工具整合进统一的对话交互界面。

---

附录

快速参考

命令	说明
/mimo-tts 文本	基本转换
/mimo-tts 文本 --voice 音色	指定音色
/mimo-tts 文本 --output 文件名	指定输出文件
/mimo-tts --file 文件名	从文件读取
/mimo-tts --list-voices	列出所有音色

技能下载

https://gitcode.com/u011186532/CreativeToolkit/tree/main/mimo-tts

参考资源： 小米MIMO TTS API 文档