Dify集成TTS（语音合成）实现语音对话

今天聊聊在 Dify 里搭建一个真正能“开口说话”的语音对话系统。核心诉求其实很明确：要把用户输入的文字实时转成语音，返回可播放的音频。这事儿的关键在于，整个过程需要支持情感识别、语速调节和多语言自动判断，而且不能依赖外部代码编写——全部在 Dify 的 Workflow 内闭环完成。

下面就直接进入实操环节，从配置模型服务到建立完整的对话工作流，一步不落。

配置TTS模型服务接入

首先是把 TTS 模型接到 Dify 平台里。进入 Dify 控制台，左侧导航栏找到「模型管理」，右上角点「+ 添加模型」。在「模型类型」下拉菜单中，选择「Text-to-Speech」。

接着填写模型的连接信息：模型名称建议填“ChatTTS-Chinese”，提供方选“Xinference”。API 端点填 http://xinference-host:9997/v1/audio/speech。认证方式要分情况——如果部署在内网环境，选「无认证」；如果对外暴露服务，用「Bearer Token」并填入对应的 API Key。

这里有一个容易踩坑的地方：

。如果还没加载，需要在 Xinference 服务中执行 xinference launch --model-name chat-tts --model-size 1.7b --device cuda。特别提醒，如果没有启用 GPU，整个合成过程会严重卡顿，甚至直接超时报错。

创建语音合成Workflow

回到 Dify 首页，点击「应用」→「新建应用」，模板选择「Workflow」，命名为“VoiceDialog-TTS”。

开始搭建节点：

第一个节点拖入「用户输入」，配置字段名“text”，字段类型选「段落」，最大长度设为 5000，并勾选「必填」。

第二个节点是核心——「LLM」。模型选 qwen2.5，System 提示词需要精心设计。粘贴以下内容：

你是一个语音参数解析器。请严格根据用户输入{{#1768335663610.text#}}，输出标准JSON：{"text":"","motion":"neutral","emotion_scale":0.5,"speed_ratio":1.0,"language":"auto"}。仅输出JSON，不加任何说明、换行或额外字符。

注意，需要开启「结构化输出」，并粘贴对应的 JSON Schema，这样 LLM 才能稳定地返回格式正确的参数。

添加TTS调用节点并处理音频流

这一步有两种实现思路。

拖入「TTS」节点，在「模型」下拉中选择前面配置好的“ChatTTS-Chinese”。然后绑定输入变量：text 字段来自 LLM 节点的 text，motion 来自 motion，speed_ratio 来自 speed_ratio，language 来自 language。

关键配置在这里：勾选「返回 Base64 编码音频」，输出格式选 MP3，音频采样率固定为 24000Hz。这个值是 ChatTTS 的默认兼容值，如果设成其他值，输出的音频会是静音的。

拖入「HTTP请求」节点，方法选 POST，URL 填 {{tts_api_endpoint}}——这个地址需要在环境变量里提前定义。Body 选 JSON，写入：

{"text":"{{llm_output.text}}","voice":"default","motion":"{{llm_output.motion}}","speed_ratio":{{llm_output.speed_ratio}},"language":"{{llm_output.language}}","format":"mp3"}

需要注意的是，这种方式必须保证响应体是完整的 MP3 二进制数据，而且 Header 中必须包含 Content-Type: audio/mpeg，否则 Dify 无法正确识别为有效音频。

连接播放与返回结果

第一步，拖入「条件分支」节点，设置判断逻辑为「TTS 节点是否成功返回音频」。成功的分支连接到「返回结果」节点，失败的分支连接到「返回错误提示」节点。

第二步，在「返回结果」节点中配置「返回字段」为 audio_base64，类型选「文件」，文件名设为 "output.mp3"，MIME 类型填 audio/mp3。

最后，启用「Web UI 预览」开关，保存并发布应用。在聊天界面输入任意中文句子试试，比如“今天天气真好”，点击发送，应该就能听到合成出来的语音了。