Dify智能体自定义文本转语音（TTS）工作流

🔊 自定义文本转语音（TTS）工作流

该工作流是一个简洁而实用的语音合成工具。其核心功能是，利用一个自定义部署的 Text-to-Speech (TTS) 服务，将用户输入的任何文本内容，即时转换成一段语音，并生成一个可直接在聊天界面播放的音频播放器。

接收用户文本输入

用户在“开始”节点，通过聊天的方式输入任意一段想要转换成语音的文字。这段文字会被系统捕获，作为后续语音合成的原材料。

调用本地 TTS 服务

用户的文本输入会被直接送入一个“HTTP 请求”节点，该节点负责与外部的 TTS 服务进行通信。

• 发起请求：它会向一个本地部署的服务地址（http://127.0.0.1:8080/edgetts/generate-tts/）发起一次 POST 请求。
• 传递参数：请求的正文（Body）是一个 JSON 对象，其中包含了需要转换的文本（input_text）、指定的语音角色（voice: zh-CN-XiaoxiaoNeural）、模型、语速和响应格式等详细参数。

处理返回结果并生成播放器

本地的 TTS 服务在成功生成音频文件后，会返回一个包含音频文件名和访问链接（URL）的 JSON 数据。

• 解析数据：一个“代码执行”节点会接收这个 JSON 数据。
• 动态生成 HTML：节点内置的 Python 脚本会解析出音频的 URL，然后动态地生成一段标准的 HTML <audio> 代码，也就是一个嵌入式的音频播放器。

图文并茂地回复

工作流的“直接回复”节点会将原始文本和生成的音频播放器组合在一起，作为最终的输出。

• 整合输出：用户最终会看到自己输入的原始文本，以及紧随其后的一个音频播放器。点击播放按钮，即可听到由指定声音朗读的文本内容。

主要特点

• 自定义服务集成：清晰地展示了 Dify 如何通过“HTTP 请求”节点，与任何外部的、甚至是用户自己部署的本地服务（如 EdgeTTS）进行无缝集成，极大地扩展了 Dify 的原生能力。
• 即时语音合成：实现了对任意文本的即时“发声”功能，为打造语音助手、内容播报、辅助阅读等应用场景提供了基础。
• 动态 HTML 生成：巧妙地利用“代码”节点，根据上一步 API 返回的动态结果，程序化地生成前端 HTML 元素，实现了灵活的富媒体内容展示。
• 富媒体输出：最终的回复内容是“文本 + 音频播放器”的组合，而非单一的文本，为用户提供了更丰富、更多感官维度的交互体验。

重要提示

此工作流的正常运行，强依赖于一个在本地 http://127.0.0.1:8080/ 地址上正确部署并运行的 EdgeTTS 服务。如果该服务未启动或地址不正确，工作流将无法生成音频。

非常适合希望在 Dify 应用中使用特定声音、或者希望通过私有化部署来降低 TTS 服务成本的开发者。它为构建具有自定义语音播报功能的应用，提供了一个简洁明了的实现范例。