voice-mcp：ChatGPT 官方网页中的自定义语音

基于 Yinglianchun/voice-mcp，保留原有 Cloudflare Worker、MCP speak 工具、MCP Apps 内嵌播放器、/panel 页面和 ElevenLabs 历史记录。原项目是 garan0613/voice-mcp 的 fork；根目录 LICENSE 为 MIT。

能做什么

• speak(text, style?, raw_tags?, scene?)。旧的 speak(text) 和 speak(text, style) 继续有效。

• ElevenLabs（复用 fork 的带时间戳接口）、Cartesia Sonic、Azure Speech；旧 DashScope 继续可用。

• 按配置顺序尝试 provider。未配置、429、额度错误、5xx、超时或其他 API 失败时试下一家；不实时查询余额。

• TTS → 可选音频后处理 → MP3 播放器。后处理接口目前为空，没有部署 binaural 服务。

• 中英文按文本是否含汉字做简单选择；混合文本以中文 voice 为主。

• style 支持 normal、soft、whisper、teasing、tired、laughing、excited。provider 不支持时使用普通说话。

ChatGPT 边界： OpenAI 当前说明 MCP Apps 仅支持 ChatGPT 网页端，手机 App 中的播放器不能保证。Business 与 Enterprise/Edu 的管理员可启用开发者模式并创建自定义 app；Pro 的 MCP 能力有限，本工具是否可调用需要在实际账号验证。ChatGPT 连接远程 HTTPS MCP，不能直接连接本机 Worker。见 开发者模式说明 和 MCP Apps UI 文档。

路由配置

环境变量用逗号表示从左到右尝试。列表里没有的 provider 不会尝试。

显式 scene 优先于自动判断。旧部署只设 TTS_PROVIDER=dashscope 或 elevenlabs 时仍按单 provider 运行。若连 TTS_PROVIDER 都没设置，仍默认 DashScope。推荐同时填好三个场景变量，让 Azure 排在最后。

完整示例见 .env.example。Key 只写入 Cloudflare Secrets 或本机未跟踪的 .dev.vars，不要提交。播放器要求 MP3，ELEVENLABS_OUTPUT_FORMAT 应使用 mp3_* 值。Cartesia API 版本默认 2026-08-14，模型默认 sonic-3.6。Cartesia emotion 只用于英文；whisper 没有文档确认的等价控制，因此在 Cartesia 降级为普通说话。Azure 只对默认 voice 映射已确认支持的 style；自定义 voice 默认中性，以免使用它不支持的 style。参见 Cartesia 字节音频 API、Cartesia emotion、Azure REST TTS、Azure voice 列表。

本机检查（Windows PowerShell）

1. 在 Windows 文件资源管理器打开解压后的项目文件夹（能看到 package.json），点地址栏，输入 powershell 并回车。新窗口会直接位于这个目录。

2. 逐条运行 npm ci、npx tsc --noEmit、npx wrangler deploy --dry-run。正常情况下类型检查无报错，dry run 显示构建成功；这一步不会部署。

3. 如需本机试读，把 .env.example 复制为 .dev.vars，在 .dev.vars 填写申请的 key 与 voice ID，然后运行 npm run dev。正常会显示本机 URL；打开 <本机 URL>/status 查看 provider 是否配置，访问 /panel 试听。失败时请保留报错前后几行，隐藏 key 后再分享。

.dev.vars 已加入 .gitignore。仓库保留 package-lock.json，依赖下载地址使用 npm 官方 registry。

Cloudflare Workers 部署

下列命令均在 Windows PowerShell、仓库目录 逐条运行。需要自己的 Cloudflare 账号；部署会改变账号状态，请先核对 Worker 名称与费用设置。

1. 运行 npm ci。

2. 运行 npx wrangler login，在浏览器完成 Cloudflare 登录。

3. 对每个要用的变量运行 npx wrangler secret put 变量名，按提示输入值。至少要设置四个优先级变量，以及启用 provider 的 key、voice ID 或 Azure region。参考 .env.example，不要把 key 写在命令行参数里。Cloudflare 当前的 secret put 会立即发布一个新版本；首个 secret 操作后就可能出现公开 Worker 地址，请先确认账号设置与公开访问风险。

4. 运行 npx wrangler deploy。成功后 Wrangler 打印形如 https://你的-worker.workers.dev 的地址；MCP URL 是该地址加 /mcp。

5. 打开 https://你的-worker.workers.dev/status：configured: true 表示至少一个优先级列表中的 provider 配好了。此状态检查不会发 TTS 请求，也不验证额度。用短句实际试读才能确认能出声。

第 3 步的最小三家配置命令如下，逐条运行，每条命令后按提示输入相应的值，不要把整段一次粘贴进终端：

npx wrangler secret put TTS_PROVIDER_PRIORITY
npx wrangler secret put TTS_PRIORITY_ASMR
npx wrangler secret put TTS_PRIORITY_CONVERSATION
npx wrangler secret put TTS_PRIORITY_GENERAL
npx wrangler secret put ELEVENLABS_API_KEY
npx wrangler secret put ELEVENLABS_VOICE_ID
npx wrangler secret put CARTESIA_API_KEY
npx wrangler secret put CARTESIA_VOICE_ID
npx wrangler secret put AZURE_SPEECH_KEY
npx wrangler secret put AZURE_SPEECH_REGION

四个优先级变量的具体值在上表。运行时会看到输入 secret 的提示，成功通常显示 Worker 已更新。失败时保留错误文字，隐藏任何 key 再分享。

公开访问与费用： 原仓库的 /mcp、/speak、/panel、/events/latest 都没有用户认证；知道 Worker 地址的人可能调用 TTS 或读取最近一次音频。MVP 沿用此方式，适合私下验证，不宜公开传播地址。ChatGPT 当前自定义 MCP 认证要求 OAuth，不能直接提供自定义 API key；本阶段没有加入 OAuth。长期使用前应增加符合 MCP 的认证和使用限额。Cloudflare 免费计划与三家 TTS 的额度、价格会变化，请在各自控制台核对，不要假定 Azure 一定免费或无限量。音频正文会发送给最终选中的 TTS 厂商。

接入 ChatGPT 网页端

1. 在电脑浏览器打开 ChatGPT，确认账号/工作区具备自定义 MCP Apps 开发者模式。Business 管理员从 Workspace settings → Apps → Create；Enterprise/Edu 按管理员授予的权限从 Settings → Apps → Create。以 OpenAI 当前说明 为准。

2. 新建 app，填入 https://你的-worker.workers.dev/mcp；当前 Worker 没有 OAuth，选择无认证。点 Scan Tools，确认看到 speak，再创建草稿 app。

3. 在新聊天中选择这个 app，请 ChatGPT“调用 speak，用 whisper 读这句：……”；正常应出现内嵌播放器，点击播放。浏览器通常禁止未经点击自动播放。

4. 若只看到文字没有播放器，检查是否在 ChatGPT 网页端、工具是否附带 MCP Apps UI、浏览器控制台是否有 iframe/CSP 报错。移动端 App 当前不在官方支持范围内。

原有辅助端点

• GET /status：配置状态，不显示 key。

• GET /panel：原 fork 的可视化页面；GET /events/latest 是它的最新音频缓存接口。

• GET /history?id=...：原 fork 的 ElevenLabs 历史记录加载接口。

• GET/POST /speak：直接返回 MP3；POST JSON 例如 { "text": "Hello", "style": "soft", "scene": "conversation" }。

/panel 和最新音频缓存是单实例机制，不按用户隔离，也不保证跨 Cloudflare 边缘节点同步。MCP 内嵌播放器直接接收本次工具结果，不依赖该缓存。

以后加入音频后处理

src/index.ts 中的 audioPostprocessors 在 provider 成功后、输出播放器前顺序运行，目前数组为空。以后加入 binaural/spatial audio 时，应让处理器接收 MP3 并返回 MP3，或同时更新播放器 MIME 与直出接口。第一版没有引入模型、GPU、常驻服务或额外云资源。