Coze工作流-语音故事创作-文本转语音的应用

本文在《[在扣子(coze)配置一个提供TTS语音合成服务+咨询服务的综合智能体：语音合成助手》](https://blog.csdn.net/LaoYuanPython/article/details/145932309)基础上对语音合成助手智能体和调用API的方法进行了完善，实现了通过API可以指定完成语音合成任务、输出合成的MP3文件保存到本地，并可以在合成过程中指定音色类型。

输出参数一共有五个值，分别代表：1、title：故事的标题2、role：故事中的角色3、sence：故事的场景4、outline：故事大纲5、meaning：故事寓意。至此，循环节点的设置已经完成。开始节点这里，我们加入一个参数，参数名为"subject" ,代表用户主题，当用户输入主题时，就会转入到这个参数，以供后面的节点进行使用。因为在上一步的节点中，我们已经生成了故事的大纲，那接下来我们再使用一个大模型节点，根据大纲来生成故事全文。」节点中提取的角色信息，在生成图片的时候，可以保证图片的一致性。

当 AI 智能体讲话时，如果需要打断智能体发言，并开始新一轮对话，可以通过语音自动打断，包括发声即打断或通过关键词打断。本文介绍如何设置通过关键词打断语音对话。

在[Coze使用开放平台接口-【2】创建工作流-语音伪造检测工作流](https://blog.csdn.net/weixin_40242845/article/details/141719578)，我们已经成功运用[Coze使用开放平台接口-【1】创建插件](https://blog.csdn.net/weixin_40242845/article/details/141719450)创建的插件，创建了语音伪造检测的工作流。本文档基于稍微复杂一点的`通话语音结果分析工作流`，结合大模型，来实现通话语音识别

语音小伴侣是扣子官方推出的低延时语音场景的智能体模板，融合了联网搜索、设备控制、闲聊、低时延等功能，你可以通过复制该模板，创建并定制符合自身业务需求的低延时语音陪伴智能体，尤其适用于对实时性要求较高的场景。

在智能眼镜等终端场景中，用户常常需要通过语音指令触发智能体，并上传图片以实现图片理解功能。这种多模态交互方式能够显著提升用户体验，尤其是在需要快速获取信息或进行复杂任务处理时。你可以选择基于对话 OpenAPI 或音视频通话来实现这一功能。

功能描述：音频理解，全类型音频感知，支持基于音频内容进行相关推理和创作，如语义理解，场景推理，相关推荐，内容创作等。插件库就相当于武器库，一个好的插件，就相当于一件趁手的兵器，可以让你事半功倍！程哥精心整理了Coze最常用和好用的插件精选集，将分批送给大家，今天是第五批，包括3大类：语音处理，教育学习，自媒体。功能描述：能根据文章内容进行二次创作，生成不同的文案，如适合小红书等子自媒体平台的内容。功能描述：根据用户的省份、分数、选科信息，智能的为用户推荐适合的学校。插件工具：get_host_list。

本文介绍了如何在coze平台配置一个提供TTS语音合成服务+咨询服务的综合智能体：语音合成助手，提供了Python调用API访问语音合成助手完成语音合成任务的方法。同时通过构建智能体实现业务功能的过程中，提示词工程在这种稍显复杂逻辑的智能体服务中起到了非常重要作用。

本教程介绍了语音转文本功能的实现方法，包括在线音频和本地文件的处理流程。首先演示了在线音频的直接转换，然后讲解了如何修改输入变量来支持本地音频文件的上传转换。最后展示了更智能的工作流设计，通过添加问答模块自动识别用户上传的是在线链接还是本地文件，并分别进行处理后将结果聚合输出。整个教程通过实际演示展示了如何构建一个灵活支持多种音频来源的语音转文本系统。

我们可以在 Coze 里调用大模型，直接帮我们编写或优化文章内容，然后一键上传到公众号的草稿箱，最后稍微调整一下就可以直接发布，非常高效。测试了一下，从我提供的公众号文章链接中，不仅标题和内容都能快速被解析出来，整个过程只用了 6 秒，效率确实挺高的！在每次搭建智能体之前，我们可以拆解好功能列表，再去 Coze 插件商店寻找合适的，尽可能优先选择官方提供的插件。当找不到现成插件时，不妨自己动手搭建一个。

这一个项目我实现了一个简易的coze，pycharm，百度云的交互，实现了一个智能体能够识别你的语音来回答你的问题：总页面：当你再对话框里面输入想问的问题，上面的面板中可以回答你的问题：在单独的线程中处理发送给 Coze 平台的消息，并通过信号将回复传递给主线程。在单独的线程中将音频数据转换为文本在单独的线程中将文本转换为语音并播放。实现应用程序的主要逻辑，包括发送消息、录音、处理语音转文字的结果以及展示回复。

语音识别：用户可以通过语音输入问题。自然语言处理：使用 Coze AI 智能体解析用户输入。语音合成：助手能够以语音形式响应用户。图形用户界面：使用 PySide6 创建友好的用户界面。通过以上步骤，我们成功构建了一个基于 Coze AI 智能体的语言聊天助手，结合了百度云语音模块和 PySide6 界面设计。这个项目不仅展示了如何将多种技术结合在一起，还为你提供了一个实用的聊天助手，能够通过语音与用户进行互动。

coze故事卡片（图片、音频、文字）