我用Claude Code做了一个TTS的文本转语音工作台（免费、已开源）（Claude Code保姆级图文配置+使用教程+中转站）（MiMo-V2-TTS教程）

先给大伙看看AI做的页面长什么模样

项目地址（已开源）： My-TTS

本项目需要python环境，安装好python后，点击start.bat，再通过浏览器打开localhost:5000即可使用

模型使用的是小米限时免费的mimo-v2-tts 模型，去Xiaomi MiMo 开放平台申请一个API Keys就行了，完全免费

从开始开发到项目完成共计两小时，只能感慨AI的发展真的太快了

使用这个项目的时候注意事项：生成的音频文件在该项目的目录下，生成后不用的需要手动清理一下~

Claude Code 的使用

Claude Code 是一个代理编码工具，可以读取你的代码库、编辑文件、运行命令，并与你的开发工具集成。可在终端、IDE、桌面应用和浏览器中使用。

Claude Code 是一个由 AI 驱动的编码助手，可以帮助你构建功能、修复错误和自动化开发任务。它理解你的整个代码库，可以跨多个文件和工具工作以完成任务。

Claude Code 官方文档：Claude Code overview - Claude Code Docs

Claude Code 是一个通过大预言模型调用CLI（命令行界面）的AI工具，可以自定义大预言模型，但截止26年3月22日，最优秀的编码类模型是gpt-5.3-codex（OpenAI的产品Codex），其次就是claude-opus 4.6和claude-sonnet 4.6（Anthropic的产品Claude Code）

我是用的是claude-sonnet 4.6的模型，配置了一个中转站（里面也有claude-opus 4.6、GTP-5.4和gpt-5.3-codex的模型），20人民币 = 200美刀/月，有需要的朋友可以找我（我只提供渠道，这个中转站不是我维护的）

一、安装方式

# 1. 确保Node.js已安装（v18+）
node --version

# 2. 安装Claude Code
npm install -g @anthropic-ai/claude-code

# 3. 验证安装
claude --version

# 可以先不忙启动 claude 我们先配置一下中转站再启动

# 4. 启动并认证
claude

二、配置第三方中转站的两种方式

1、通过命令行改配置文件实现

实现逻辑就是通过修改~/.claude.json文件实现

windows：打开CMD窗口输入回车即可

powershell -c "$p=Join-Path $env:USERPROFILE '.claude.json';$j=@{env=@{ANTHROPIC_BASE_URL='中转站地址';ANTHROPIC_AUTH_TOKEN='中转站API Key'};hasCompletedOnboarding=$true}|ConvertTo-Json -Depth 3;[IO.File]::WriteAllText($p,$j,[Text.Encoding]::UTF8);Write-Host 'Claude Code configured!'"

linux、macOS：我没有mac系统，这里只做参考

cat <<'EOF' > ~/.claude.json && echo "Claude Code configured!"
{"env":{"ANTHROPIC_BASE_URL":"http://39.96.215.72:64597","ANTHROPIC_AUTH_TOKEN":"sk-55eefa3f-afad-41a9-a8bd-2003cd73c998"},"hasCompletedOnboarding":true}
EOF

2、通过CC Switch实现配置（可视化）

CC Switch 是一个 Claude Code / Codex / Gemini CLI / Openclaw 的全方位辅助工具。

CC Switch 可以帮我们轻松管理这几个热门工具的 API 配置，就好比给你的开发工具箱来了个智能整理助手，所有工具的配置都能在它这有序管理。

去github下载安装即可：Release CC Switch v3.12.2 · farion1231/cc-switch

我们选择msi和zip都行，下载好后运行，添加供应商

添加一下供应商

点击测试看看是否可以运行

ps：还有一些其他的功能自己可以去玩玩（后续会出openclaw+飞书的教程，可以先关注一下主播，一直做开源教程也实属不易，写博客是没有收益的，但大家的关注和点赞可以给主播一点成就和动力，先感谢大家了（0^0））

三、Claude Code 使用

Claude Code 使用文档：交互模式 - Claude Code Docs

在cmd通过claude命令，或者CC switch 中运行即可打开 Claude Code 的 CLI 工作台

这里最重要的就是Alt+M切换切换权限模式，这里有三个权限模式我要重点讲一下

三个权限模式

正常模式（Ask）：默认基础模式，随心聊随心操作 一只看不动，只读分析

你可以在这个模式里跟Claude Code随意聊需求、提问题，它会根据你的指令给出对应的回应，比如你让它写一段简单代码、改一个小bug，它都会直接执行；但它不会主动推进任务，也不会自动规划流程，完全跟着你的指令走，你说一步它做一步，适合简单、直接的小需求，比如临时写个小功能、排查个简单的代码问题。

自动接受模式（Edit）：自动执行模式，敲定方案后高效干活 一直接执行，可写代码

自动接受代码编辑模式，其实就是说，默认允许Claude Code直接修改代码，不要每次修改什么代码的时候都要反问我们这样改动ok吗？我们允许吗？

这种方式理论上可以说是特别的不安全，相对于权限放开了，实际使用体验来说也挺安全的，因为重要的系统操作命令他还是要咨询我们的

Plan Mode （Plan）：专属规划模式，只聊方案不写代码，项目前期超实用 一谋定而后动，先规划后执行

plan模式是专门的规划沟通模式，核心特点就是：只跟你讨论、沟通需求，不会主动执行写代码、改代码这些操作，特别适合项目前期的功能规划、方案设计阶段。

快捷键如下，大家可以使用起来了

快捷键	描述	上下文
Ctrl+C	取消当前输入或生成	标准中断
Ctrl+F	终止所有后台代理。在 3 秒内按两次以确认	后台代理控制
Ctrl+D	退出 Claude Code 会话	EOF 信号
Ctrl+G	在默认文本编辑器中打开	在默认文本编辑器中编辑您的提示或自定义响应
Ctrl+L	清除终端屏幕	保留对话历史
Ctrl+O	切换详细输出	显示详细的工具使用和执行情况
Ctrl+R	反向搜索命令历史	交互式搜索以前的命令
Ctrl+V 或 Cmd+V（iTerm2）或 Alt+V（Windows）	从剪贴板粘贴图像	粘贴图像或图像文件的路径
Ctrl+B	后台运行任务	后台运行 bash 命令和代理。Tmux 用户按两次
Ctrl+T	切换任务列表	在终端状态区域中显示或隐藏任务列表
Left/Right arrows	在对话框选项卡之间循环	在权限对话框和菜单中的选项卡之间导航
Up/Down arrows	导航命令历史	回忆以前的输入
Esc + Esc	回退或总结	将代码和/或对话恢复到上一个点，或从选定的消息进行总结
Shift+Tab 或 Alt+M（某些配置）	切换权限模式	在自动接受模式、Plan Mode 和正常模式之间切换。
Option+P（macOS）或 Alt+P（Windows/Linux）	切换模型	在不清除提示的情况下切换模型
Option+T（macOS）或 Alt+T（Windows/Linux）	切换扩展思考	启用或禁用扩展思考模式。首先运行 /terminal-setup 以启用此快捷键

四、测试（这里随便测试一下，因为最好的测试就是我在gitee上开源的TTS项目了）

我们让 Claude Code 给我们在桌面写一个 html 页面，当然测试就不要太简单，写一个模仿WeChat的聊天页面

其实回复逻辑就是一个模拟回复的函数，其实真正要做的这样页面和功能不难（对我来说css很难），难的是你能在一分钟之内写完吗

// 模拟回复
    setTimeout(() => {
      const replies = ['哈哈，好的！', '明白了👍', '等等，我看看', '嗯嗯，收到！', '好的，稍等一下~', '😂😂', '这个问题我也不太清楚…'];
      const reply = replies[Math.floor(Math.random() * replies.length)];
      const rRow = document.createElement('div');
      rRow.className = 'msg-row them';
      const name = document.getElementById('chatName').textContent;
      const initial = name.charAt(0);
      rRow.innerHTML = `
        <div class="msg-avatar" style="background:#1976d2">${escapeHtml(initial)}</div>
        <div class="msg-content">
          <div class="msg-name">${escapeHtml(name)}</div>
          <div class="bubble them">${escapeHtml(reply)}</div>
        </div>`;
      list.appendChild(rRow);
      list.scrollTop = list.scrollHeight;
    }, 1000 + Math.random() * 1000);

MiMo-V2-TTS 模型

没有声音的 Agent 是不完整的。MiMo-V2-TTS 是小米自研的端到端文本转语音合成模型，基于自研 Audio Tokenizer 和**多码本联合建模（Multi-Codebook Joint Modeling）**架构。

官方地址：MiMo-V2-TTS | Xiaomi

功能使用文档：MiMo-V2-TTS 功能 使用文档

API使用文档：MiMo-V2-TTS API 使用文档

申请API Key

这个就很简单了，点击这个地址Xiaomi MiMo 开放平台，先注册一个小米账号，然后再点击这个地址（或者点击控制台–>API Keys），然后新建一个API Key就好了

API的使用（参数说明）

非流式输出

http 输入（在cmd窗口输入回车即可）

curl --location --request POST "https://api.xiaomimimo.com/v1/chat/completions" ^
--header "api-key: %MIMO_API_KEY%" ^
--header "Content-Type: application/json" ^
--data-raw "{\"model\": \"mimo-v2-tts\", \"messages\": [{\"role\": \"user\", \"content\": \"Hello, MiMo, have you had lunch?\"}, {\"role\": \"assistant\", \"content\": \"Yes, I had a sandwich.\"}], \"audio\": {\"format\": \"wav\", \"voice\": \"mimo_default\"}}"

输入json讲解：

关于输出内容风格，如：东北话、生气、夹子声

这个后面讲，这里只讲json的内容分析

{
    // 模型名称
    "model": "mimo-v2-tts",
    // 消息
    "messages": [
        {
            // user 角色的消息为可选参数，但建议用户携带，可在部分场景下调整语音合成的语气与风格。
            "role": "user",
            // 内容
            "content": "Hello, MiMo, have you had lunch?"
        },
        {
            // 语音合成的目标文本需填写在 role 为 assistant 的消息中，不可放在 user 角色的消息内。
            "role": "assistant",
            // 内容 这里可以有风格设置后面会讲，这里只讲json的内容分析
            "content": "Yes, I had a sandwich."
        }
    ],
    // 音频输出参数
    "audio": {
        // 指定输出音频格式。默认值：wav，如果设置 stream: true 则为 pcm。
        // 可选值：wav，mp3，pcm，pcm16
        "format": "wav",
        // 模型用于响应的内置音色。
        // 可选值：mimo_default，default_en，default_zh
        "voice": "mimo_default"
    },
    // 是否流式输出
    "stream": false
}

http 输出（json讲解）

通过choices.message.audio.data的Base64编码可以输出为对应的音频文件

{
    // 唯一ID
    "id": "dd4b41d152e84d97bf828a06583d68c6",
    // 包含生成的回复选项列表。
    "choices": [
        {
            // 模型停止生成 token 的原因。如果模型到达自然停止点或提供的停止序列，则为 stop；
            // 如果达到请求中指定的最大 token 数，则为 length；
            // 如果模型调用了工具，则为 tool_calls。
            // 如果内容因触发过滤策略而被拦截，则为 content_filter。
            "finish_reason": "stop",
            // 选项列表中对应选项的索引。
            "index": 0,
            // 模型生成的对话补全消息。
            "message": {
                // 消息的内容。
                "content": "",
                // 消息作者的角色。
                "role": "assistant",
                // 模型音频响应的数据。
                "audio": {
                    // 此音频响应的唯一标识符。
                    "id": "dc4acca3976643d88c4e6904f74afd5e",
                    // 模型生成的 Base64 编码音频，格式为请求中指定的格式。
                    "data": "base64编码(这里太长了，我给删掉了)",
                    // 此音频响应过期的 Unix 时间戳（以秒为单位）。当前仅为 null。
                    "expires_at": null,
                    // 模型生成的音频的文字记录。当前仅为 null。
                    "transcript": null
                },
                // 函数调用启动后，模型会返回待调用的工具以及该调用所需的参数。
                // 此参数可包含一个或多个工具响应对象。
                "tool_calls": null
            }
        }
    ],
    // 对话补全对象创建时的 Unix 时间戳（以秒为单位）。每个数据块均使用相同的时间戳。
    "created": 1774233257,
    // 用于生成结果的模型。
    "model": "mimo-v2-tts",
    // 对象类型，仅为 chat.completion.chunk。
    "object": "chat.completion",
    // 该对话补全请求的用量信息。
    "usage": {
        // 模型输出内容花费的 token。
        "completion_tokens": 22,
        // 提示词使用的 token 数量。
        "prompt_tokens": 139,
        // 请求中使用的 token 总数（提示词 + 补全结果）。
        "total_tokens": 161,
        // 补全中使用的 token 数量明细。
        "completion_tokens_details": {
            // 模型为推理生成的 token 数量。
            "reasoning_tokens": 0
        },
        // 提示中使用的 token 数量明细。
        "prompt_tokens_details": {
            // 缓存中提供的 token 数量。
            "cached_tokens": 138
        }
    }
}

python输入（OpenAI API 兼容）

这个和上面的内容是一样的，所以就不过多讲解了

import os
from openai import OpenAI
import base64

client = OpenAI(
    api_key=os.environ.get("MIMO_API_KEY"),
    base_url="https://api.xiaomimimo.com/v1"
)

completion = client.chat.completions.create(
    model="mimo-v2-tts",
    messages=[
        {
            "role": "user",
            "content": "Hello, MiMo, have you had lunch?"
        },
        {
            "role": "assistant",
            "content": "Yes, I had a sandwich."
        }
    ],
    audio={
        "format": "wav",
        "voice": "mimo_default"
    }
)

message = completion.choices[0].message
audio_bytes = base64.b64decode(message.audio.data)
with open("audio_file.wav", "wb") as f:
    f.write(audio_bytes)

流式输出

因为这是文件的IO流操作，所以用流式和非流式，都要最终合成文件然后再给用户

所以流式的效果不能直观的展示给用户，在我看来非常的鸡肋，所以这里只做展示

注意事项

• 采用流式调用时，输出音频的格式请指定为 pcm16，以便拼接成完整音频。拼接示例可参考 Python 调用方式。

http 输入（在cmd窗口输入回车即可）

就是在data里面多一个参数 “stream”: true，其他都是一样的

curl --location --request POST "https://api.xiaomimimo.com/v1/chat/completions" ^
--header "api-key: sk-cafbpgu5o8171zbwacw3klmh3zpv5em87igqomit31wq00lf" ^
--header "Content-Type: application/json" ^
--data-raw "{\"model\": \"mimo-v2-tts\", \"messages\": [{\"role\": \"user\", \"content\": \"Hello, MiMo, have you had lunch?\"}, {\"role\": \"assistant\", \"content\": \"Yes, I had a sandwich.\"}], \"audio\": {\"format\": \"wav\", \"voice\": \"mimo_default\"},\"stream\": true}"

python输入（OpenAI API 兼容）

import base64
import os
import numpy as np
import soundfile as sf
from openai import OpenAI

client = OpenAI(
    api_key=os.environ.get("MIMO_API_KEY"),
    base_url="https://api.xiaomimimo.com/v1"
)

completion = client.chat.completions.create(
    model="mimo-v2-tts",
    messages=[
        {
            "role": "assistant",
            "content": "You are UN-BE-LIEVABLE! I am sooooo done with your constant lies. GET. OUT!"
        }
    ],
    audio={
        "format": "pcm16",
        "voice": "default_en"
    },
    stream=True
)

# 24kHz PCM16LE mono audio
collected_chunks: np.ndarray = np.array([], dtype=np.float32)

for chunk in completion:
    if not chunk.choices:
        continue
    delta = chunk.choices[0].delta
    audio = getattr(delta, "audio", None)

    if audio is not None:
        assert isinstance(audio, dict), f"Expected audio to be a dict, got {type(audio)}"
        pcm_bytes = base64.b64decode(audio["data"])
        np_pcm = np.frombuffer(pcm_bytes, dtype=np.int16).astype(np.float32) / 32768.0
        collected_chunks = np.concatenate((collected_chunks, np_pcm))
        print(f"Received audio chunk of size {len(pcm_bytes)} bytes")

# Save the collected audio to a file
os.makedirs("tmp", exist_ok=True)
sf.write("tmp/output.wav", collected_chunks, samplerate=24000)
print("Audio saved to tmp/output.wav")

模型输出风格设置

语音整体风格控制

将 <style>style</style> 置于转换目标文本开头，其中 style 为需要生成的音频风格。如需设置多种风格，请将多个风格名称置于同一个 <style> 标签内，分隔符不限。

格式示例：<style>风格1 风格2</style>待合成内容。

以下是一些推荐使用的风格，支持使用不在列表中的风格。

风格类型	风格示例
语速控制	变快/变慢
情绪变化	开心/悲伤/生气
角色扮演	孙悟空/林黛玉
风格变化	悄悄话/夹子音/台湾腔
方言	东北话/四川话/河南话/粤语

样例：

• <style>开心</style>明天就是周五了，真开心！
• <style>东北话</style>哎呀妈呀，这天儿也忒冷了吧！你说这风，嗖嗖的，跟刀子似的，割脸啊！
• <style>粤语</style>呢个真係好正啊！食过一次就唔会忘记！
• <style>唱歌</style>原谅我这一生不羁放纵爱自由，也会怕有一天会跌倒，Oh no。背弃了理想，谁人都可以，哪会怕有一天只你共我。

音频标签细粒度控制

通过 [音频标签] ，你可以对声音进行细粒度控制，精准调节语气、情绪和表达风格——无论是低声耳语、放声大笑，还是带点小情绪的小吐槽，也可以灵活插入呼吸声，停顿，咳嗽等，都能轻松实现。语速同样可以灵活调整，让每句话都有它该有的节奏。

样例：

• （紧张，深呼吸）呼……冷静，冷静。不就是一个面试吗……（语速加快，碎碎念）自我介绍已经背了五十遍了，应该没问题的。加油，你可以的……（小声）哎呀，领带歪没歪？
• （极其疲惫，有气无力）师傅……到地方了叫我一声……（长叹一口气）我先眯一会儿，这班加得我魂儿都要散了。
• 如果我当时……（沉默片刻）哪怕再坚持一秒钟，结果是不是就不一样了？（苦笑）呵，没如果了。
• （寒冷导致的急促呼吸）呼——呼——这、这大兴安岭的雪……（咳嗽）简直能把人骨头冻透了……别、别停下，走，快走。
• （提高音量喊话）大姐！这鱼新鲜着呢！早上刚捞上来的！哎！那个谁，别乱翻，压坏了你赔啊？！