核心用法
Voice Skill 围绕 edge-tts 库构建，提供三种主要交互模式：
1. `speak` 动作（推荐）：即时文字转语音并直接播放，音频文件在播放后 5 秒自动清理，无需关心文件管理。
2. `tts` 动作：生成音频文件并返回 MEDIA 链接，支持 playImmediately 参数即时播放，也可通过 options 自定义音色（voice）、语速（rate）、音量（volume）和音调（pitch）。
3. 辅助动作：voices 列出所有可用发音人；cleanup 按时间阈值清理临时文件；play 直接播放已有音频文件。
临时文件默认存储于 temp 目录，1 小时后自动清理，平衡了即用即走与持久化需求。
显著优点
- 零配置开箱即用：仅需
pip3 install edge-tts即可运行，无需 Azure 订阅或 API Key。 - 丰富的语音选择：内置 100+ 神经网络语音，覆盖中、英、日、韩等主流语种，支持 Xiaoxiao、Yunxi 等中文特色音色。
- 灵活的音频控制：支持 SSML 级别的 rate、volume、pitch 微调，满足情感化、场景化播报需求。
- 资源管理友好：自动清理机制防止磁盘堆积，
speak动作的 5 秒延迟清理尤其适合高频短句场景。
潜在缺点与局限性
- 网络依赖：Edge TTS 依赖 Microsoft 在线服务，离线环境或网络受限时无法使用。
- 音质与延迟：边缘 TTS 为免费服务，音质略低于 Azure 付费版；首包合成需 200-500ms，不适合超低延迟实时对话。
- 临时文件风险：虽然默认自动清理，但异常中断可能导致临时文件残留，需定期手动
cleanup。 - 平台限制：基于 Python 运行时，非 Python 环境需额外封装；部分 ARM 架构设备可能遇到依赖兼容问题。
适合人群
- 需要快速搭建语音播报原型、IoT 语音助手、无障碍阅读工具的开发者。
- 预算有限、不愿维护 Azure 订阅的个人项目或中小企业。
- 对语音自然度要求适中、可接受轻微网络延迟的场景。
常规风险
- 隐私合规：文本内容经网络传输至 Microsoft 服务器，敏感信息（如个人身份信息、金融数据）不建议直接使用，需评估数据出境合规性。
- 服务稳定性：Edge TTS 为微软服务，接口变更或限速可能影响可用性，生产环境建议设置降级策略（如本地 TTS 备份）。
- 依赖维护：
edge-tts为社区封装库，更新频率与官方 API 同步存在滞后风险，需关注版本兼容性。