MiniMax 多模态 Skill（Token Plan 版）

使用 MiniMax Token Plan 额度进行语音合成和图片生成。

环境配置

• MINIMAX_API_KEY: MiniMax API 密钥（必填，从 Token Plan 页面获取）
• MINIMAX_REGION: cn 国内 / int 国际（默认 cn）

语音模块

同步 TTS

python3 scripts/speech.py tts "欢迎使用" -v female-tianmei -o hello.mp3

参数：

• text: 要转换的文本
• voice_id: 音色 ID（见下方内置音色表）
• output_file: 输出路径
• model: 模型，默认 speech-2.8-hd
• format: 音频格式，默认 mp3
• sample_rate: 采样率，默认 32000
• bitrate: 比特率，默认 128000

异步 TTS

python3 scripts/speech.py tts-async "长文本内容" -v female-tianmei
# 返回 task_id，再用 query 命令查询
python3 scripts/speech.py query <task_id>

音色克隆

python3 scripts/speech.py clone <音频文件路径> -t "我的音色"

内部自动完成两步：1) 上传音频到 /v1/files；2) 调用 /v1/voice_clone 复刻音色。

模型：speech-2.0-turbo（默认）。克隆后返回 voice_id，可用于 TTS。

音色设计

python3 scripts/speech.py design "年轻女性，活泼开朗" -s custom

音色管理

python3 scripts/speech.py list                    # 列出可用音色
python3 scripts/speech.py delete <voice_id>     # 删除音色

内置音色

图片模块

文生图

python3 scripts/image.py generate "日出海边风景" -o sunset.png -r 16:9

参数：

• prompt: 图片描述
• output_file: 输出路径（必填）
• aspect_ratio: 宽高比，1:1 / 16:9 / 9:16 / 4:3 / 3:4（默认 1:1）
• response_format: 返回格式，url（默认）或 base64

图生图（编辑）

python3 scripts/image.py edit "把猫变成老虎" -i cat.png -o tiger.png -r 1:1

支持本地文件路径或 URL。

Python 函数调用

语音

from scripts.speech import text_to_speech, clone_voice, design_voice, list_voices

# TTS
text_to_speech("你好世界", voice_id="female-tianmei", output_file="hello.mp3")

# 音色克隆
voice_id = clone_voice("my_voice.mp3", title="我的音色")

# 音色设计
voice_id = design_voice("年轻男性，沉稳专业", style="custom")

# 音色列表
voices = list_voices()

图片

from scripts.image import generate_image, generate_image_from_image, download_image

# 文生图
generate_image("日出海边", output_path="sunset.png", aspect_ratio="16:9")

# 图生图
generate_image_from_image("添加中国风元素", image_file="photo.png", output_path="result.png")

# 下载图片
download_image("https://example.com/image.png", "local.png")