Microsoft TTS Bob 插件：免 API Key 的语音合成方案
Bob 很好用，懂得都懂，但是自带的离线语音合成读起来就很机械。
后来偶然间了解到了 edge-tts（Edge 浏览器的朗读功能），就想着能不能把它集成到 Bob 中，让 Bob 用户也能享受到大模型语音或者说带有情感的朗读。
其实之前随便写了写，一直自用的。后来在网上搜了搜相关插件很少或者说都不能用了，现在重新拿出来并调研了网上的几种逆向方案实现，做了个插件分享给大家和需要的朋友。
# 这个插件解决什么问题
Bob 本身已经把划词、翻译、朗读这些工作流做得很顺手，缺的是一个带有丰富感情、流畅且自然的朗读（语音合成插件）。并且最好是免费，无需任何配置（薅微软的羊毛😂）。
所以，这个插件的目标很明确：
- 日常使用尽量免 API Key、免部署；
- 网络不稳定时可以切换不同 Provider；
- 长文本能自动分块，不需要手动拆句；
- 服务端 429、5xx 这类可恢复错误能自动重试；
- 保留语速、音调、音量、音质、情感风格等可调项。
项目地址：https://github.com/zpj80231/bob-plugin-microsoft-tts (opens new window)
# Provider 设计
插件把语音合成后端抽象成 Provider，目前内置 4 种方案。
| Provider | 认证方式 | 协议 | 推荐场景 |
|---|---|---|---|
edge-tts | Sec-MS-GEC 签名 | WebSocket | 日常朗读首选，免费、稳定、配置少 |
azure-cognitive | Microsoft Translator 客户端签名 | HTTP REST | 功能最全，适合需要情感风格和完整 SSML 控制的场景 |
azure-trial | 无需认证 | HTTP REST | Azure 官网体验接口，适合临时备用 |
openai-gateway | 透传到自建网关 | HTTP REST | 网络直连微软不稳定时，通过自建 OpenAI 兼容网关绕过 |
我自己的默认推荐是 edge-tts。它模拟 Edge 浏览器「大声朗读」的调用方式，不需要用户准备 Key，也不需要额外部署服务。缺点是它不支持情感风格；如果想使用 cheerful、sad、angry 这类风格，就切到 azure-cognitive。
openai-gateway 是兜底接口。只要网关兼容 /v1/audio/speech 形式的请求，就可以把插件请求透传过去。比如某些网络下直连微软不稳定，就可以用 Cloudflare Worker 部署一层转发。
# 使用方式
安装流程保持 Bob 插件的常规方式：
- 进入项目 Releases (opens new window) 页面，下载最新
.bobplugin文件； - 双击安装到 Bob；
- 打开 Bob 设置，进入「服务」->「语音合成」->「添加」；
- 将「语音合成」切换为 Microsoft TTS 插件；
- 根据网络情况选择 Provider，默认可以先用
edge-tts。
常用配置项如下：
| 配置 | 默认倾向 | 说明 |
|---|---|---|
| 合成方案 | edge-tts | 日常优先，失败时再切换其他 Provider |
| 语音 | 各语种主流女声 | 支持简中、繁中、英语、日语、韩语 |
| 语速 | +0% | 如果觉得拖沓，可以调到 +10% 到 +25% |
| 音调 | +0Hz | 轻微调整即可，过高或过低都容易不自然 |
| 音量 | +0% | 通常保持默认 |
| 音质 | 24kHz / 48kbps | 对体积和听感做平衡 |
| 情感风格 | general | 主要在 azure-cognitive 下生效 |
# 工作原理
插件入口在 src/main.ts，对 Bob 暴露两个核心函数：
supportLanguages()：告诉 Bob 插件支持哪些语言；tts(query, completion)：接收 Bob 的朗读请求，合成音频后通过completion回调返回 Base64 音频。
整体链路可以概括为：
Bob 选中文本
│
▼
main.js（esbuild 单文件 bundle）
│
└──► service/synthesis-request （读取 Bob 配置，生成统一请求）
│
└──► providers/index （按 provider 分发）
├── edge-tts → WebSocket + Sec-MS-GEC 签名
├── azure-cognitive → core/azure-token 签名 → Azure TTS API
├── azure-trial → Azure 官网接口
└── openai-gateway → OpenAI 兼容 /v1/audio/speech
▼
Bob 播放器 ◄──── MP3 / WAV 音频
2
3
4
5
6
7
8
9
10
11
12
13
14
synthesis-request.ts 负责把 Bob 的查询参数和用户配置转换成统一的 SynthesisRequest。
Provider 分发在 src/providers/index.ts。这里做了 3 件关键的事：
- 根据配置选择最终 Provider；
- 当
openai-gateway没有填写合法 URL 时回退到azure-cognitive； - 对返回结果做音频字节校验，避免把错误 JSON 当成音频交给 Bob。
这个分层的好处是：Bob 入口、参数构建、Provider 调度、具体协议实现互相隔离。后续要加新的 TTS 后端，只需要补一个 Provider，并注册到路由中心。
# 长文本分块与重试
TTS 接口通常都有单次文本长度限制，长文本直接提交容易失败。项目里的 src/core/text-split.ts 会按中文句号、感叹号、问号和换行符拆分文本，默认每块不超过 1500 字符；如果单句本身超过上限，再强制按长度截断。
这种策略比粗暴按固定长度切更适合朗读，因为它尽量保留句子边界，减少语音拼接后的突兀感。
网络侧则通过 src/util/retry.ts 做指数退避重试，默认会对这些情况重试：
- HTTP 429 限流；
- HTTP 5xx 服务端错误；
- 请求超时；
ECONNRESET这类连接重置。
重试不是为了掩盖错误，而是把临时抖动和真正失败区分开。尤其是 Azure 官网体验接口这类容易触发频控的方案，有自动重试会明显减少偶发失败。
# SSML 与情感风格
src/core/ssml.ts 负责生成 Microsoft TTS 需要的 SSML。它会统一处理：
- 文本和属性的 XML 转义；
- 发音人；
- 语速、音调、音量；
- 情感风格
style； <mstts:express-as>标签包装。
需要注意的是，情感风格不是所有发音人都支持。比如 zh-CN-XiaoxiaoNeural、en-US-AriaNeural 这类语音通常支持得更好；不支持时，服务端可能会忽略 style，回落到普通朗读。
所以实践上可以这样选：
- 只想稳定朗读：选
edge-tts； - 想调情绪和表现力：选
azure-cognitive； - 微软直连不稳定：选
openai-gateway，填自建网关地址。
# 构建与发布
项目使用 TypeScript 编写，通过 esbuild 打成 Bob 插件可用的单文件 bundle。常用命令如下：
pnpm install
pnpm run typecheck
pnpm run build
2
3
pnpm run build 会清理旧产物、生成 changelog，并输出插件发布文件。仓库里也配置了 appcast.json，用于支持 Bob 的自动更新检测。
# 常见问题
Q：朗读偶尔报 429 错误？
A：Azure 官网端点有频率限制。插件已内置自动重试（指数退避），但短时间内频繁触发仍可能失败。建议切换到 edge-tts 方案。
Q：直连微软失败？
A：可能是 dev.microsofttranslator.com 在你的网络受限。可以切换到 edge-tts 方案，或填一个自建网关 URL 绕过。
Q：情感风格不生效？
A：不是所有语音都支持 <mstts:express-as>。一般 zh-CN-XiaoxiaoNeural、en-US-AriaNeural 等语音支持；不支持时服务端会忽略 style 字段，回落到 general。另外，Edge TTS 方案不支持情感风格，仅 Azure 认知服务支持。
Q：Azure 体验服务和 Azure 认知服务有什么区别？
A：认知服务通过 Microsoft Translator 签名获取临时 Token，支持情感风格和长文本分块，更稳定；体验服务是 Azure 官网接口，无需签名但易触发限流。
Q：Edge TTS 和 Azure 认知服务怎么选？
A：Edge TTS 免费稳定，适合日常使用，但不支持情感风格；Azure 认知服务功能最全（情感风格、SSML 全部配置项），但依赖 Microsoft Translator 签名，偶尔可能因签名变更失效。
# 致谢
- wangwangit/tts (opens new window)：Azure 认知服务签名协议的原始实现参考
- rany2/edge-tts (opens new window)：Edge Read Aloud 协议参考
- bobtranslate.com (opens new window)：Bob 插件平台
- Linux.do (opens new window)：Linux.do 社区
- 02
- 未来 10 年，哪些工作会被替代？哪些更稳？我们到底该焦虑什么04-15
- 03
- Kubernetes-10 弹性伸缩04-07