核心用法
Voice Skill (Edge TTS) 是一款基于微软 Edge 浏览器的在线 TTS 引擎封装的语音合成技能，提供三种主要调用模式：
1. 流式播放（推荐）：action: 'stream' 边生成边播放，延迟极低，适合实时对话场景
2. 文件生成：action: 'tts' 生成 MP3 文件并返回媒体路径，适合需要保存音频的场景
3. 直接播放：action: 'speak' 简化调用，快速播报
支持 8 种预设语音（中/英/日/韩），可通过 options 参数精细调节语速（-50%~+100%）、音量（-50%~+50%）和音调。依赖 edge-tts Python 库及 ffmpeg 实现流式解码。
显著优点
- 音质优秀：继承 Edge 浏览器的神经网络语音合成技术，中文 XiaoxiaoNeural 音色自然流畅
- 实时性强：流式播放模式无需等待完整文件生成，首响延迟可控制在 1-2 秒内
- 多语言覆盖：内置中英日韩主流语种，满足国际化需求
- 参数丰富：支持 SSML 级别的 prosody 控制（rate/volume/pitch）
- 开箱即用：预设热门音色，无需复杂配置
潜在缺点与局限性
- 网络依赖：依赖微软在线 TTS 服务，离线环境不可用，存在服务稳定性风险
- ffmpeg 额外依赖：流式功能需用户自行安装 ffmpeg，Windows 用户配置门槛较高
- 音色选择有限：仅封装 8 种预设语音，无法接入 Azure TTS 的全量 400+ 音色
- 无 SSML 完整支持：仅开放基础 prosody 参数，高级语音标记（如停顿、强调）未暴露
- 中文长文本优化不足：超长文本可能出现断句不自然，建议客户端预分句
适合人群
- 需要为 AI 助手、聊天机器人添加语音交互能力的开发者
- 追求快速部署、不愿自建 TTS 服务的小团队/个人开发者
- 对音质有一定要求但预算有限、不愿接入付费 Azure Speech API 的用户
- 多语言内容创作者，需要中/英/日/韩语音批量生成
常规风险
- 服务可用性：微软可能调整 Edge TTS 接口或增加限制，需关注
edge-tts库更新 - 版权合规：合成语音的商用需确认微软服务条款，部分场景可能存在限制
- 依赖维护：Python 依赖与 Node 封装层双轨维护，版本兼容性需持续测试
- 长文本处理：未实现自动文本切片，单次请求过长可能导致失败或异常断句