qq-voice

QQ 语音（GPT-SoVITS 本地 TTS）#

本地部署了 GPT-SoVITS：本地合成 wav → 走 QQ 官方机器人接口以「语音」消息发出（msg_type 7）。 有两条路，优先用 A。

方式 A：通道级（只在 QQ 会话里有效，最自然）#

在 QQ 私聊/群的回复里，把整条回复写成这样：

[[voice]]主人，我在这儿呢，今天累不累呀？

• QQ 通道会把这行识别成「要说的内容」，合成语音后当成语音气泡发出去；
• 合成失败会自动降级成普通文字，不会丢消息；
• 标记只认开头；一条回复一个语音，后面的文字仍然走普通消息；
• 不要在 Web/桌面会话里写 [[voice]]，那边没有这个钩子，会原样显示。

适合：闲聊、撒娇、道晚安这类一两句话。写长段落、贴代码、讲正事时用文字。

方式 A+：自动语音（默认关闭）#

QQBot.send() 还有一层自动语音：打开后，QQ 里的短回复（≤120 字、不含代码块/表格/链接）会按概率自动转成语音气泡，不需要 agent 配合。

默认 auto_voice: false——只在别人明确要语音时才发（用方式 A 的 [[voice]] 或方式 B）。

开关都读同一份 qqvoice\config.json：

键	默认	说明
auto_voice	false	总开关；关着的时候只有显式 [[voice]] 才会发语音
auto_voice_ratio	0.5	打开后有多大概率把这条回成语音，1 = 每条都语音
auto_voice_max_chars	120	超过这个字数的回复仍然用文字

TTS 服务自愈：发语音时如果 9880 没在监听，SDK 会自己拉起 TTS 服务（CUDAGraph=0、cwd 指向项目目录），等端口就绪后重试一次；冷启动约 20 秒。可用环境变量 GPTSOVITS_PYTHON / GPTSOVITS_PROJ / GPTSOVITS_START_CMD 覆盖路径。

方式 B：命令行（任何会话都能发）#

当前会话发（自动认人在哪个 QQ 会话，按 DSH_SESSION_ID 反查）：

qqvoice\say-here.cmd --text "要说的话"

指定对象发（绕开自动识别）：

qqvoice\say.cmd --text "要说的话"                        # 默认主人私聊
qqvoice\say.cmd --scope group --target <群openid> --text "要说的话"

只合成不发送：加 --dry，音频落在 qqvoice\out\。

音色：本地微调模型#

• 用自备音声素材微调出来的专属模型（素材如来自第三方，请自行确认版权）：
  • s1（韵律）<GPT-SoVITS目录>\logs\<模型>\<模型>-e15.ckpt
  • s2（声码器）<GPT-SoVITS目录>\logs\<模型>\<模型>_e8_s712.pth
  • 写在 GPT_SoVITS\configs\tts_infer.yaml 的 custom 段（version v2）。
• 参考音是素材内的真人音频（prompt_lang: ja，硬限制 3~10 秒）：默认 refs\<参考音>\<参考音>.wav。
• 音色参数存在 qqvoice\config.json：temperature 0.7 / sample_steps 32 / cfg_rate 0.35 / speed 1.05；合成后自动过一遍 ffmpeg loudnorm=I=-16:TP=-1.5:LRA=11 再上传（否则偏轻发闷）。
• 换参考音只改 ref + prompt_text（两者必须严格对应）；换音色模型改 tts_infer.yaml 的 custom 段后重启 TTS。

参数#

参数	说明
--text	必填，要合成的话（中文，10~100 字最自然）
--scope	c2c / group，不填读 config.json 或按会话自动判断
--target	openid，不填读 config.json / 会话映射
--ref / --prompt-text	参考音色与对应文本，默认读 qqvoice\config.json
--out	指定 wav 输出路径
--dry	只合成不发送

依赖与排错#

• TTS 服务 http://127.0.0.1:9880；没起来先跑 <GPT-SoVITS目录>\gptsovits\start-api.cmd（可设登录自启）。
• 首次请求加载模型约 515 秒，之后单句 0.51.5 秒。
• 100016 invalid appid or secret：qqvoice\.env 的 AppSecret 过期，从配置中心/凭据管理取当前值更新。
• TTS 报 Resource 'averaged_perceptron_tagger_eng' not found：nltk 数据缺失，跑 python -c "import nltk; nltk.download('averaged_perceptron_tagger_eng')"。文本里出现英文单词会触发这个检查。
• 通道级 [[voice]] 依赖 QQBot.js 的本机补丁（@tencent-connect/qqbot-nodejs/dist/QQBot.js），改完要重启 DSH 才生效；补丁文件注意备份。

说话风格#

• 1~2 句，口语化，带语气词（呀、哦、嘛）更自然。
• 别念 markdown、表情、网址。
• 语音发出就无法编辑，发之前想清楚。