【Dify 实战】基于 Workflow + LLM 的智能语音合成（TTS）完整教程（支持情感 / 语速 / 自动语言）

weixin_462446232026-01-27 12:19

本文将手把手教你在 Dify 中，通过 Workflow + 大模型解析 + MCP 语音合成插件 ，实现一个

👉「用户输入文本 → 自动解析情感 → 合成语音 → 返回可播放 MP3」的完整流程。

适合人群：

  • 正在使用 Dify Workflow
  • 想接入 语音合成（TTS）
  • 想用 LLM 自动解析参数（情感 / 语速 / 语言）
  • 使用 Coze / MCP 语音合成插件

一、创建 Workflow 应用

进入 Dify 控制台 ，新建一个 Workflow 应用，进入可视化工作流编辑界面。

二、第一个节点：用户输入（Start）

作用说明

该节点用于接收用户在聊天框中输入的待语音合成文本。

节点配置

在「用户输入」节点中新增一个字段：

配置项 值
字段名 text
字段类型 段落（Paragraph）
是否必填 是
最大长度 5000

💡 该字段用于接收需要朗读的完整文本内容。

三、第二个节点：LLM（语音参数解析）

节点作用

使用大模型 自动解析用户输入文本，生成语音合成所需参数，例如：

  • 朗读文本
  • 情感（motion）
  • 情感强度
  • 语速
  • 语言类型

1️⃣ 模型选择

  • 模型类型：LLM
  • 示例模型：qwen2.5

2️⃣ 上下文变量配置

在「上下文输入」中，选择用户输入节点的 text 变量：

3️⃣ System 提示词（核心）

bash 复制代码 
你是一个语音合成参数解析器。

请根据用户输入的内容，生成用于语音合成（TTS）的参数。

要求：
1. 从用户输入中{{#1768335663610.text#}}提取要朗读的文本内容 text
2. 判断语音情感 motion（如：neutral / happy / sad / angry / calm）
3. 判断情感强度 emotion_scale，范围 0~1（默认 0.5）
4. 判断语速 speed_ratio（默认 1.0）
5. language 如果未明确说明，返回 "auto"
6. 不要添加多余解释，只返回 JSON

JSON 格式如下：
{
  "text": "",
  "motion": "",
  "emotion_scale": 0.5,
  "speed_ratio": 1.0,
  "language": "auto"
}

4️⃣ Structured Output 配置

在 structured_output 中导入以下 JSON Schema：

json 复制代码 
{
  "text": "",
  "motion": "",
  "emotion_scale": 0.5,
  "speed_ratio": 1.0,
  "language": "auto"
}

✅ 该步骤非常关键，可保证后续工具节点稳定读取字段

四、第三个节点：speech_synthesis（语音合成）

节点说明

使用 MCP 语音合成插件，根据解析出的参数生成音频（MP3）。

关键参数绑定说明

参数 来源
text LLM structured_output.text
emotion 固定或 LLM 解析
emotion_scale structured_output.emotion_scale
speed_ratio structured_output.speed_ratio
language structured_output.language
speaker_id 默认「爽快思思 / Skye」
voice_id MCP 系统音色

💡 emotion_scale 在 MCP 中范围为 1~5，LLM 中 0~1 可自行换算

五、第四个节点：LLM（解析 MP3 链接）

节点作用

从 speech_synthesis 返回的 JSON 中：

  • 提取 MP3 音频链接
  • 以 Markdown 播放格式输出到聊天框

上下文选择

System 提示词

bash 复制代码 
{{#1769414446925.text#}}请从 JSON 中读取 mp3 音频链接（字段通常为 
并以 Markdown 的方式输出播放链接。

要求：
1. 不要解释 JSON 内容
2. 不要输出多余文字
3. 只输出最终可用于聊天框展示的 Markdown
4. 如果找不到链接，输出：未生成音频

输出示例格式：
🎧 语音播放：
[▶ 点击播放](MP3_URL)

六、最终效果展示

点击「测试」，用户输入任意文本，即可得到：

  • 自动解析情感
  • 自动合成语音
  • 返回可播放 MP3

七、Workflow YAML 一键导入

可直接复制以下 YAML，在 Dify 中选择 导入 Workflow

yaml 复制代码 
app:
  description: ''
  icon: 🤖
  icon_background: '#FFEAD5'
  mode: workflow
  name: mcp_test
  use_icon_as_answer_icon: false
dependencies:
- current_identifier: null
  type: marketplace
  value:
    marketplace_plugin_unique_identifier: langgenius/ollama:0.1.1@f3a8b649027d1bd13e67df96f3463a601c16628da4292705528d28d97d96b263
    version: null
kind: app
version: 0.5.0
workflow:
  conversation_variables: []
  environment_variables: []
  features:
    file_upload:
      allowed_file_extensions:
      - .JPG
      - .JPEG
      - .PNG
      - .GIF
      - .WEBP
      - .SVG
      allowed_file_types:
      - image
      allowed_file_upload_methods:
      - local_file
      - remote_url
      enabled: false
      fileUploadConfig:
        audio_file_size_limit: 50
        batch_count_limit: 5
        file_size_limit: 15
        image_file_batch_limit: 10
        image_file_size_limit: 10
        single_chunk_attachment_limit: 10
        video_file_size_limit: 100
        workflow_file_upload_limit: 10
      image:
        enabled: false
        number_limits: 3
        transfer_methods:
        - local_file
        - remote_url
      number_limits: 3
    opening_statement: ''
    retriever_resource:
      enabled: true
    sensitive_word_avoidance:
      enabled: false
    speech_to_text:
      enabled: false
    suggested_questions: []
    suggested_questions_after_answer:
      enabled: false
    text_to_speech:
      enabled: false
      language: ''
      voice: ''
  graph:
    edges:
    - data:
        isInIteration: false
        isInLoop: false
        sourceType: start
        targetType: llm
      id: 1768335663610-source-1768528222096-target
      source: '1768335663610'
      sourceHandle: source
      target: '1768528222096'
      targetHandle: target
      type: custom
      zIndex: 0
    - data:
        isInLoop: false
        sourceType: llm
        targetType: tool
      id: 1768528222096-source-1769414446925-target
      source: '1768528222096'
      sourceHandle: source
      target: '1769414446925'
      targetHandle: target
      type: custom
      zIndex: 0
    - data:
        isInIteration: false
        isInLoop: false
        sourceType: tool
        targetType: llm
      id: 1769414446925-source-1769415778419-target
      selected: false
      source: '1769414446925'
      sourceHandle: source
      target: '1769415778419'
      targetHandle: target
      type: custom
      zIndex: 0
    - data:
        isInIteration: false
        isInLoop: false
        sourceType: llm
        targetType: end
      id: 1769415778419-source-1769416354451-target
      source: '1769415778419'
      sourceHandle: source
      target: '1769416354451'
      targetHandle: target
      type: custom
      zIndex: 0
    nodes:
    - data:
        selected: false
        title: 用户输入
        type: start
        variables:
        - default: ''
          hint: ''
          label: text
          max_length: 100000000
          options: []
          placeholder: ''
          required: true
          type: paragraph
          variable: text
      height: 109
      id: '1768335663610'
      position:
        x: 80
        y: 282
      positionAbsolute:
        x: 80
        y: 282
      selected: false
      sourcePosition: right
      targetPosition: left
      type: custom
      width: 242
    - data:
        context:
          enabled: true
          variable_selector:
          - '1768335663610'
          - text
        model:
          completion_params:
            temperature: 0.7
          mode: chat
          name: qwen2.5
          provider: langgenius/ollama/ollama
        prompt_template:
        - id: 5d284da3-622c-4d83-b0d2-e6b1725e6e5d
          role: system
          text: "你是一个语音合成参数解析器。\n\n请根据用户输入的内容，生成用于语音合成（TTS）的参数。\n\n要求：\n1. 从用户输入中{{#1768335663610.text#}}提取要朗读的文本内容\
            \ text\n2. 判断语音情感 motion（如：neutral / happy / sad / angry / calm）\n3. 判断情感强度\
            \ emotion_scale，范围 0~1（默认 0.5）\n4. 判断语速 speed_ratio（默认 1.0）\n5. language\
            \ 如果未明确说明，返回 \"auto\"\n6. 不要添加多余解释，只返回 JSON\n\nJSON 格式如下：\n{\n  \"text\"\
            : \"\",\n  \"motion\": \"\",\n  \"emotion_scale\": 0.5,\n  \"speed_ratio\"\
            : 1.0,\n  \"language\": \"auto\"\n}\n"
        selected: false
        structured_output:
          schema:
            additionalProperties: false
            properties:
              emotion_scale:
                type: number
              language:
                type: string
              motion:
                type: string
              speed_ratio:
                type: number
              text:
                type: string
            required:
            - text
            - motion
            - emotion_scale
            - speed_ratio
            - language
            type: object
        structured_output_enabled: true
        title: LLM
        type: llm
        vision:
          enabled: false
      height: 88
      id: '1768528222096'
      position:
        x: 382
        y: 282
      positionAbsolute:
        x: 382
        y: 282
      selected: false
      sourcePosition: right
      targetPosition: left
      type: custom
      width: 242
    - data:
        is_team_authorization: true
        paramSchemas:
        - auto_generate: null
          default: null
          form: llm
          human_description:
            en_US: 语音情感
            ja_JP: 语音情感
            pt_BR: 语音情感
            zh_Hans: 语音情感
          label:
            en_US: emotion
            ja_JP: emotion
            pt_BR: emotion
            zh_Hans: emotion
          llm_description: 语音情感
          max: null
          min: null
          name: emotion
          options: []
          placeholder: null
          precision: null
          required: false
          scope: null
          template: null
          type: string
        - auto_generate: null
          default: null
          form: llm
          human_description:
            en_US: 调用emotion设置情感参数后可使用emotion_scale进一步设置情绪值，范围1~5，不设置时默认值为4。 注：理论上情绪值越大，情感越明显。但情绪值1~5实际为非线性增长，可能存在超过某个值后，情绪增加不明显，例如设置3和5时情绪值可能接近。
            ja_JP: 调用emotion设置情感参数后可使用emotion_scale进一步设置情绪值，范围1~5，不设置时默认值为4。 注：理论上情绪值越大，情感越明显。但情绪值1~5实际为非线性增长，可能存在超过某个值后，情绪增加不明显，例如设置3和5时情绪值可能接近。
            pt_BR: 调用emotion设置情感参数后可使用emotion_scale进一步设置情绪值，范围1~5，不设置时默认值为4。 注：理论上情绪值越大，情感越明显。但情绪值1~5实际为非线性增长，可能存在超过某个值后，情绪增加不明显，例如设置3和5时情绪值可能接近。
            zh_Hans: 调用emotion设置情感参数后可使用emotion_scale进一步设置情绪值，范围1~5，不设置时默认值为4。 注：理论上情绪值越大，情感越明显。但情绪值1~5实际为非线性增长，可能存在超过某个值后，情绪增加不明显，例如设置3和5时情绪值可能接近。
          label:
            en_US: emotion_scale
            ja_JP: emotion_scale
            pt_BR: emotion_scale
            zh_Hans: emotion_scale
          llm_description: 调用emotion设置情感参数后可使用emotion_scale进一步设置情绪值，范围1~5，不设置时默认值为4。
            注：理论上情绪值越大，情感越明显。但情绪值1~5实际为非线性增长，可能存在超过某个值后，情绪增加不明显，例如设置3和5时情绪值可能接近。
          max: null
          min: null
          name: emotion_scale
          options: []
          placeholder: null
          precision: null
          required: false
          scope: null
          template: null
          type: number
        - auto_generate: null
          default: null
          form: llm
          human_description:
            en_US: 音色的语种，非必填，所有中文音色支持中英文混合场景。可参考系统音色列表https://www.coze.cn/open/docs/dev_how_to_guides/sys_voice查看各音色支持的语种。
            ja_JP: 音色的语种，非必填，所有中文音色支持中英文混合场景。可参考系统音色列表https://www.coze.cn/open/docs/dev_how_to_guides/sys_voice查看各音色支持的语种。
            pt_BR: 音色的语种，非必填，所有中文音色支持中英文混合场景。可参考系统音色列表https://www.coze.cn/open/docs/dev_how_to_guides/sys_voice查看各音色支持的语种。
            zh_Hans: 音色的语种，非必填，所有中文音色支持中英文混合场景。可参考系统音色列表https://www.coze.cn/open/docs/dev_how_to_guides/sys_voice查看各音色支持的语种。
          label:
            en_US: language
            ja_JP: language
            pt_BR: language
            zh_Hans: language
          llm_description: 音色的语种，非必填，所有中文音色支持中英文混合场景。可参考系统音色列表https://www.coze.cn/open/docs/dev_how_to_guides/sys_voice查看各音色支持的语种。
          max: null
          min: null
          name: language
          options: []
          placeholder: null
          precision: null
          required: false
          scope: null
          template: null
          type: string
        - auto_generate: null
          default: null
          form: llm
          human_description:
            en_US: 音色ID，默认为爽快思思/Skye。详细音色列表参考 https://www.coze.cn/open/docs/guides/text_to_speech_plugin,
              default value is 爽快思思/Skye
            ja_JP: 音色ID，默认为爽快思思/Skye。详细音色列表参考 https://www.coze.cn/open/docs/guides/text_to_speech_plugin,
              default value is 爽快思思/Skye
            pt_BR: 音色ID，默认为爽快思思/Skye。详细音色列表参考 https://www.coze.cn/open/docs/guides/text_to_speech_plugin,
              default value is 爽快思思/Skye
            zh_Hans: 音色ID，默认为爽快思思/Skye。详细音色列表参考 https://www.coze.cn/open/docs/guides/text_to_speech_plugin,
              default value is 爽快思思/Skye
          label:
            en_US: speaker_id
            ja_JP: speaker_id
            pt_BR: speaker_id
            zh_Hans: speaker_id
          llm_description: 音色ID，默认为爽快思思/Skye。详细音色列表参考 https://www.coze.cn/open/docs/guides/text_to_speech_plugin,
            default value is 爽快思思/Skye
          max: null
          min: null
          name: speaker_id
          options: []
          placeholder: null
          precision: null
          required: false
          scope: null
          template: null
          type: string
        - auto_generate: null
          default: null
          form: llm
          human_description:
            en_US: 语速，范围是[0.2,3]，默认为1，通常保留一位小数即可, default value is 1
            ja_JP: 语速，范围是[0.2,3]，默认为1，通常保留一位小数即可, default value is 1
            pt_BR: 语速，范围是[0.2,3]，默认为1，通常保留一位小数即可, default value is 1
            zh_Hans: 语速，范围是[0.2,3]，默认为1，通常保留一位小数即可, default value is 1
          label:
            en_US: speed_ratio
            ja_JP: speed_ratio
            pt_BR: speed_ratio
            zh_Hans: speed_ratio
          llm_description: 语速，范围是[0.2,3]，默认为1，通常保留一位小数即可, default value is 1
          max: null
          min: null
          name: speed_ratio
          options: []
          placeholder: null
          precision: null
          required: false
          scope: null
          template: null
          type: number
        - auto_generate: null
          default: null
          form: llm
          human_description:
            en_US: 要合成音频的文本内容
            ja_JP: 要合成音频的文本内容
            pt_BR: 要合成音频的文本内容
            zh_Hans: 要合成音频的文本内容
          label:
            en_US: text
            ja_JP: text
            pt_BR: text
            zh_Hans: text
          llm_description: 要合成音频的文本内容
          max: null
          min: null
          name: text
          options: []
          placeholder: null
          precision: null
          required: true
          scope: null
          template: null
          type: string
        - auto_generate: null
          default: null
          form: llm
          human_description:
            en_US: 扣子音色 ID，支持选择扣子系统预置的音色或资源库中复刻的音色。 可以在操作页面直接选择音色，或通过系统音色列表https://www.coze.cn/open/docs/dev_how_to_guides/sys_voice查看音色
              ID。
            ja_JP: 扣子音色 ID，支持选择扣子系统预置的音色或资源库中复刻的音色。 可以在操作页面直接选择音色，或通过系统音色列表https://www.coze.cn/open/docs/dev_how_to_guides/sys_voice查看音色
              ID。
            pt_BR: 扣子音色 ID，支持选择扣子系统预置的音色或资源库中复刻的音色。 可以在操作页面直接选择音色，或通过系统音色列表https://www.coze.cn/open/docs/dev_how_to_guides/sys_voice查看音色
              ID。
            zh_Hans: 扣子音色 ID，支持选择扣子系统预置的音色或资源库中复刻的音色。 可以在操作页面直接选择音色，或通过系统音色列表https://www.coze.cn/open/docs/dev_how_to_guides/sys_voice查看音色
              ID。
          label:
            en_US: voice_id
            ja_JP: voice_id
            pt_BR: voice_id
            zh_Hans: voice_id
          llm_description: 扣子音色 ID，支持选择扣子系统预置的音色或资源库中复刻的音色。 可以在操作页面直接选择音色，或通过系统音色列表https://www.coze.cn/open/docs/dev_how_to_guides/sys_voice查看音色
            ID。
          max: null
          min: null
          name: voice_id
          options: []
          placeholder: null
          precision: null
          required: false
          scope: null
          template: null
          type: string
        params:
          emotion: ''
          emotion_scale: ''
          language: ''
          speaker_id: ''
          speed_ratio: ''
          text: ''
          voice_id: ''
        plugin_id: ''
        plugin_unique_identifier: ''
        provider_icon:
          background: '#FFEAD5'
          content: stuck_out_tongue_winking_eye
        provider_id: '7426655854067351562'
        provider_name: 语音合成
        provider_type: mcp
        retry_config:
          max_retries: 3
          retry_enabled: true
          retry_interval: 1000
        selected: false
        title: speech_synthesis
        tool_configurations: {}
        tool_description: 根据音色和文本合成音频。按照字符数计费，计费项&免费额度说明：https://www.coze.cn/open/docs/coze_pro/asr_tts_fee。使用资源库音色时，计费项为复刻音色文字转语音字数；使用预设音色时，模型为大模型对应系统音色文字转语音字数，小模型对应小模型合成次数
          。
        tool_label: speech_synthesis
        tool_name: speech_synthesis
        tool_node_version: '2'
        tool_parameters:
          emotion:
            type: mixed
            value: happy
          emotion_scale:
            type: variable
            value:
            - '1768528222096'
            - structured_output
            - emotion_scale
          language:
            type: mixed
            value: '7568423452617506870'
          speaker_id:
            type: mixed
            value: 爽快思思/Skye
          speed_ratio:
            type: variable
            value:
            - '1768528222096'
            - structured_output
            - speed_ratio
          text:
            type: mixed
            value: '{{#1768528222096.text#}}'
          voice_id:
            type: mixed
            value: '7566481398970712100'
        type: tool
      height: 114
      id: '1769414446925'
      position:
        x: 689.5789746654016
        y: 205.28909835072767
      positionAbsolute:
        x: 689.5789746654016
        y: 205.28909835072767
      selected: true
      sourcePosition: right
      targetPosition: left
      type: custom
      width: 242
    - data:
        context:
          enabled: true
          variable_selector:
          - '1769414446925'
          - text
        model:
          completion_params:
            temperature: 0.7
          mode: chat
          name: qwen2.5
          provider: langgenius/ollama/ollama
        prompt_config:
          jinja2_variables: []
        prompt_template:
        - edition_type: basic
          id: 40a87e92-4924-48a9-be72-519195bfac4b
          role: system
          text: "{{#1769414446925.text#}}请从 JSON 中读取 mp3 音频链接（字段通常为 \n并以 Markdown\
            \ 的方式输出播放链接。\n\n要求：\n1. 不要解释 JSON 内容\n2. 不要输出多余文字\n3. 只输出最终可用于聊天框展示的 Markdown\n\
            4. 如果找不到链接，输出：未生成音频\n\n输出示例格式：\n\U0001F3A7 语音播放：\n[▶ 点击播放](MP3_URL)"
        selected: false
        structured_output_enabled: true
        title: LLM 2
        type: llm
        vision:
          enabled: false
      height: 88
      id: '1769415778419'
      position:
        x: 1115.51083897085
        y: 194.60531694508558
      positionAbsolute:
        x: 1115.51083897085
        y: 194.60531694508558
      selected: false
      sourcePosition: right
      targetPosition: left
      type: custom
      width: 242
    - data:
        outputs:
        - value_selector:
          - '1769415778419'
          - text
          value_type: string
          variable: text
        selected: false
        title: 输出
        type: end
      height: 88
      id: '1769416354451'
      position:
        x: 1417.51083897085
        y: 194.60531694508558
      positionAbsolute:
        x: 1417.51083897085
        y: 194.60531694508558
      selected: false
      sourcePosition: right
      targetPosition: left
      type: custom
      width: 242
    viewport:
      x: 249.40474601947903
      y: 132.2880216823403
      zoom: 0.5581120532606064
  rag_pipeline_variables: []

八、运行前必备条件

  1. Dify 已启用 Workflow 模式
  2. 已配置 Ollama / qwen2.5
  3. 已安装并授权 MCP 语音合成插件
  4. 账户具备 TTS 调用额度

参考文档：

👉 https://blog.csdn.net/weixin_46244623/article/details/157396139

相关推荐
IT_陈寒24 分钟前
SpringBoot自动配置差点让我加班到凌晨
前端·人工智能·后端
yumgpkpm37 分钟前
Acceldata ODP（Open Data Platform）3.3.6.4（RHEL9）保姆级完整安装手册
大数据·人工智能·hive·hadoop·kafka·hbase·cloudera
程序员cxuan40 分钟前
腾讯又来一王炸，开源版 WorkBuddy 太夯了！
人工智能·后端·程序员
邓工说电1 小时前
智慧断路器安全吗？数据加密、离线保护与合规认证全解读
大数据·数据库·人工智能·智能断路器·炜晔科技
阿里云大数据AI技术1 小时前
Lance 数据检索怎么选，当然阿里云 Milvus 向量湖
人工智能
出海客1 小时前
跨境电商多语言客服知识库怎么建：资料结构、检索边界与人工升级
大数据·人工智能
xsd202411181 小时前
从自主导航到视觉读表：一台工业巡检机器人的全栈技术链路拆解
人工智能
袁哥大话安全1 小时前
巡隐WEBSHELL扫描软件
人工智能·安全·web
论文复现现场2 小时前
8卡4090能跑70B吗？Llama-2显存预算、QLoRA与通信瓶颈
人工智能·深度学习·分布式训练·llama·显存·qlora·算家云
酷虎软件2 小时前
如何用AI创作AI歌曲AI音乐
人工智能
热门推荐
01如何新建文件夹？ 电脑新建文件夹的4种方法02历年考研数学一、数学二、数学三真题试卷及答案PDF03国内可直接用、免费额度/永久免费的大模型API清单（含 SiliconFlow、火山、阿里、智谱、百度、Kimi、DeepSeek、DMXAPI 等）04GitHub 镜像站点05蜘蛛磁力 搜索引擎大全，如何使用蜘蛛磁力查找磁力链接06轻量化AI渗透武器库｜ARTEX自主攻防系统、资产梳理、漏洞挖掘、链路分析全流程智能化落地07Windows 10/11 如何退出微软账户并改用本地账户登录（含找不到选项的解决方法）08Telegram APK 下载安装完整指南 — 2026年最新09微信历史版本含下载地址（ Windows PC | 安卓 | MAC ）及设置微信不更新10「全语录+省流版」邵艾伦 × 孙宇晨：聊风口、聊个人IP、聊年轻人如何抓住 AI 时代的机会