宜博 / pixelphone

Commit 06d4382c9b41125f64a1ab45dc5d9c7ee9887cee

Authored by yibo 2026-07-07 17:03:25 +0800

feat(skill): 声音合成 skill — 文本→TTS→SILK→微信语音，全程手机端

新 skill voice-synth-send：一段文本合成为语音，作为微信语音消息发给联系人。
全程在 Pixel Termux 内跑（Hermes 环境），无需 Mac、无需本地 TTS 模型。

- voice_synth.sh: text → edge-tts(默认,免费云) / 豆包 seed-audio(可选,需额度) → MP3
  → ffmpeg 16k mono PCM → silk-wasm SILK V3 → stage 进微信数据目录 → SEND_VOICE_CGI。
  引擎 edge|doubao；音色可选；豆包 key 走 DOUBAO_KEY 环境变量（不入库）。
- 澄清 edge-tts 是云 TTS（非本地模型，无需 key/GPU，联网即用）；本机 Termux 已具备
  python/edge-tts/node/silk-wasm/ffmpeg。
- SKILL.md: 用法/引擎对比/真机验证/坑（TMPDIR、SILK 权限、adb-su 无 DNS 是测试
  artifact 非 skill bug）。

真机验证 2026-07-07：edge-tts(6.9s)+豆包 seed-audio(8.2s) 均发火星人成功，多分块上传
完整可播放，发送方本地已发送气泡。

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

Inline Side-by-side

Showing 2 changed files with 141 additions and 0 deletions

xhs_lsposed_a16_fix/skill_voice_synth/SKILL.md 0 → 100644

View file @06d4382

	1	+---
	2	+name: voice-synth-send
	3	+description: 文本转语音并作为微信语音消息发送（edge-tts 云合成/豆包可选 → SILK → 微信内部 uploadvoice cgi）。全程在 Pixel 手机 Termux 内运行，无需本地 TTS 模型。
	4	+version: 1.0
	5	+category: communication
	6	+---
	7	+
	8	+# 声音合成 + 微信语音发送
	9	+
	10	+把一段文本合成为语音，作为微信语音消息发给指定联系人。全程在手机 Termux 内跑
	11	+（Hermes 所在环境），无需 Mac、无需本地 TTS 模型。
	12	+
	13	+```
	14	+文本 → TTS（edge-tts 免费云 / 豆包可选）→ MP3
	15	+ → ffmpeg 16k mono PCM → silk-wasm SILK V3（腾讯 \x02#!SILK_V3 变种）
	16	+ → stage 进微信数据目录 → am broadcast SEND_VOICE_CGI（内部 uploadvoice cgi）
	17	+```
	18	+接收方收到可播放的语音条，发送方本地也显示已发送气泡。依赖上游 skill
	19	+[wechat-internal-send](../skill_wechat_send/SKILL.md) 的 `SEND_VOICE_CGI` 链路。
	20	+
	21	+## When to Use
	22	+- 用户要「发一条语音」「用语音念给某人」「语音播报」
	23	+- Agent 主动语音通知 / 播报
	24	+
	25	+## 关键澄清：edge-tts 不是本地模型
	26	+edge-tts 是微软 Edge 的免费云 TTS（Python 库，把文本发到微软服务器合成、流式取回），
	27	+不需要本地模型、不需要 API key、不占 GPU，只需要联网。所以「手机上没本地 TTS 模型」
	28	+不是问题。Hermes 作为 Termux app 有正常网络（它本来就在调 Kimi API），edge-tts 直接可用。
	29	+
	30	+## 前置（本机 Termux 已具备，2026-07-07 核实）
	31	+- `python3` + `edge-tts` 7.2.8、`ffmpeg`、`node` + `silk-wasm`
	32	+ （`/data/data/com.termux/files/usr/lib/node_modules/silk-wasm`）
	33	+- root（`su`）——用于把 SILK 放进微信数据目录 + 发广播
	34	+- wechathook LSPosed 模块已装、微信在跑（`SEND_VOICE_CGI` 由它处理）
	35	+
	36	+## 用法
	37	+```bash
	38	+# 在 Termux 内（Hermes 环境）直接跑：
	39	+bash voice_synth.sh <wxid> "<要说的话>" [voice] [engine]
	40	+
	41	+# 例：edge-tts 男声发给文件传输助手（先用 filehelper 测试）
	42	+bash voice_synth.sh filehelper "你好，这是一条语音测试。"
	43	+
	44	+# 指定音色（女声）
	45	+bash voice_synth.sh yibooo "下午三点开会，记得带材料。" zh-CN-XiaoxiaoNeural
	46	+
	47	+# 豆包引擎（需额度 + 环境变量 DOUBAO_KEY，可发带音乐/音效/多角色的场景音频）
	48	+DOUBAO_KEY=xxxx bash voice_synth.sh yibooo "<豆包 seed-audio 场景 prompt>" "" doubao
	49	+```
	50	+- `<wxid>`：rcontact.username（`filehelper` / `wxid_xxx` / `yibooo`=火星人）。先用 filehelper 测。
	51	+- `[voice]`：edge-tts 音色，默认 `zh-CN-YunxiNeural`（男声）；女声 `zh-CN-XiaoxiaoNeural`。
	52	+- `[engine]`：`edge`（默认，免费无额度）\| `doubao`（seed-audio-1.0，需 `DOUBAO_KEY` + 账号额度）。
	53	+
	54	+## 引擎对比
	55	+\| 引擎 \| 成本 \| 特点 \|
	56	+\|---\|---\|---\|
	57	+\| edge-tts（默认）\| 免费，无额度 \| 单人 TTS，多语言多音色，联网即用；日常播报首选 \|
	58	+\| 豆包 seed-audio-1.0 \| 按字数计费（火山账号额度）\| 可生成整段带背景音乐/音效/多角色的场景音频；额度用完报 `45000030 not granted` \|
	59	+
	60	+> ⚠️ 额度/授权：豆包报 `code 45000030 [resource_id=volc.service_type.10074] requested resource not granted`
	61	+> = 账号未开通「音频生成/SeedAudio」或字数额度用完。控制台开通/充值后同 key 即可用。
	62	+
	63	+## 真机验证（2026-07-07）
	64	+- edge-tts（6.9s）+ 豆包 seed-audio（8.2s）均端到端发火星人（yibooo）成功，多分块（6000 字节/片）
	65	+ 上传完整、可播放；发送方本地显示已发送。SILK 头 `\x02#!SILK_V3` 与微信自录字节级一致。
	66	+
	67	+## 坑
	68	+- edge-tts 要联网：Hermes 原生跑没问题；但 `adb→su→termux` 起的进程拿不到 per-UID DNS
	69	+ （`http=000`），别用那种方式测网络部分——在 Termux 里直接跑或让 Hermes 调。
	70	+- SILK 必须 WeChat 进程可读：脚本已 stage 进 `/data/data/com.tencent.mm/files/` +
	71	+ chown 微信 uid + restorecon；`/sdcard` 会 EACCES。
	72	+- TMPDIR：脚本强制 `$PREFIX/tmp`（root/adb 环境会把 TMPDIR 顶成不可写的 /data/local/tmp）。
	73	+- 不要自己实现 SILK 编码：用 silk-wasm（腾讯变种），pysilk 等未必字节兼容。
	74	+
	75	+## 相关
	76	+- `voice_synth.sh` — 本 skill 脚本
	77	+- `../skill_wechat_send/SKILL.md` — 底层 SEND_VOICE_CGI 发送链
	78	+- `../WECHAT_SEND_API.md` §2 — 语音全合成逆向（uploadvoice cgi + 派发）
	79	+- memory `wechat-voice-send-internals.md`
...	...

xhs_lsposed_a16_fix/skill_voice_synth/voice_synth.sh 0 → 100755

View file @06d4382

	1	+#!/data/data/com.termux/files/usr/bin/bash
	2	+# voice_synth.sh — synthesize speech and send it as a WeChat voice message.
	3	+# Runs FULLY ON-DEVICE in Termux (where Hermes lives): no Mac, no local TTS model.
	4	+#
	5	+# text → TTS (edge-tts cloud, free / or Doubao) → MP3
	6	+# → ffmpeg 16k mono PCM → silk-wasm SILK V3 (Tencent \x02#!SILK_V3 variant)
	7	+# → stage into WeChat's data dir (uid + SELinux ctx)
	8	+# → am broadcast SEND_VOICE_CGI (internal uploadvoice cgi, our synthetic voice send)
	9	+#
	10	+# The recipient gets a playable voice AND the sender sees a sent bubble.
	11	+#
	12	+# Usage:
	13	+# voice_synth.sh <wxid> "<text>" [voice] [engine]
	14	+# <wxid> talker id as in rcontact.username (e.g. filehelper, wxid_xxx, yibooo)
	15	+# <text> what to say (UTF-8; for Doubao you can embed the rich scene prompt)
	16	+# [voice] edge-tts voice name (default zh-CN-YunxiNeural male; e.g. zh-CN-XiaoxiaoNeural female)
	17	+# [engine] edge (default, free cloud, no quota) \| doubao (needs DOUBAO_KEY + quota)
	18	+#
	19	+# Test with filehelper first. edge-tts needs internet (it's a cloud service, not a local model).
	20	+set -e
	21	+
	22	+WXID="$1"; TEXT="$2"; VOICE="${3:-zh-CN-YunxiNeural}"; ENGINE="${4:-edge}"
	23	+[ -z "$WXID" ] \|\| [ -z "$TEXT" ] && { echo "usage: voice_synth.sh <wxid> \"<text>\" [voice] [engine]"; exit 1; }
	24	+
	25	+PREFIX=/data/data/com.termux/files/usr
	26	+SILK_WASM="$PREFIX/lib/node_modules/silk-wasm"
	27	+export TMPDIR="$PREFIX/tmp"; mkdir -p "$TMPDIR" # Termux tmp (root/adb env may force /data/local/tmp)
	28	+WORK=$(mktemp -d "$TMPDIR/voicesynth.XXXXXX")
	29	+trap 'rm -rf "$WORK"' EXIT
	30	+MP3="$WORK/tts.mp3"; PCM="$WORK/tts.pcm"; SILK="$WORK/tts.silk"
	31	+
	32	+# ── 1. text → MP3 ────────────────────────────────────────────────────────────
	33	+case "$ENGINE" in
	34	+ edge)
	35	+ echo "[1/3] edge-tts ($VOICE) → MP3"
	36	+ edge-tts --voice "$VOICE" --text "$TEXT" --write-media "$MP3" >/dev/null
	37	+ ;;
	38	+ doubao)
	39	+ : "${DOUBAO_KEY:?doubao engine needs DOUBAO_KEY env var}"
	40	+ echo "[1/3] Doubao seed-audio-1.0 → MP3"
	41	+ PROMPT=$(python3 -c "import json,sys;print(json.dumps(sys.argv[1]))" "$TEXT")
	42	+ curl -s --max-time 120 -X POST 'https://openspeech.bytedance.com/api/v3/tts/create' \
	43	+ -H 'Content-Type: application/json' -H "X-Api-Key: $DOUBAO_KEY" \
	44	+ --data-raw "{\"model\":\"seed-audio-1.0\",\"text_prompt\":$PROMPT,\"audio_config\":{\"format\":\"mp3\",\"sample_rate\":48000},\"watermark\":{}}" \
	45	+ \| python3 -c "import json,sys,base64; d=json.load(sys.stdin); sys.exit('Doubao error: '+str(d)) if 'audio' not in d else open('$MP3','wb').write(base64.b64decode(d['audio']))"
	46	+ ;;
	47	+ *) echo "unknown engine: $ENGINE (use edge\|doubao)"; exit 1 ;;
	48	+esac
	49	+
	50	+# ── 2. MP3 → 16k mono PCM → SILK V3 ──────────────────────────────────────────
	51	+echo "[2/3] MP3 → 16k mono PCM → SILK V3"
	52	+ffmpeg -y -i "$MP3" -ar 16000 -ac 1 -f s16le "$PCM" -loglevel error
	53	+DUR=$(node -e "const s=require('$SILK_WASM'),fs=require('fs');s.encode(fs.readFileSync('$PCM'),16000).then(r=>{fs.writeFileSync('$SILK',r.data);process.stdout.write(String(Math.round(r.duration)));})")
	54	+[ -s "$SILK" ] \|\| { echo "SILK encode failed"; exit 1; }
	55	+
	56	+# ── 3. stage into WeChat data dir + fire SEND_VOICE_CGI (root) ────────────────
	57	+echo "[3/3] stage SILK + SEND_VOICE_CGI → $WXID (${DUR}ms)"
	58	+WX_UID=$(su -c "stat -c %U /data/user/0/com.tencent.mm" \| tr -d '\r')
	59	+STAGE=/data/data/com.tencent.mm/files/hook_voice_cgi.silk
	60	+su -c "cp '$SILK' '$STAGE' && chown $WX_UID:$WX_UID '$STAGE' && chmod 600 '$STAGE'; restorecon '$STAGE' 2>/dev/null; \
	61	+ am broadcast -a com.hermes.wechat.SEND_VOICE_CGI --es to '$WXID' --es src_path '$STAGE' --ei duration $DUR"
	62	+echo "done: sent ${DUR}ms voice to $WXID via $ENGINE."
...	...