| name | voice-tts |
| description | 语音处理技能 - 完整的语音输入输出解决方案。功能：(1) 语音识别 ASR - 将用户语音转录为文字（使用 Whisper）(2) 语音合成 TTS - 将文字转换为语音（使用 Edge TTS）。触发场景：用户发送语音消息、主动要求"用语音读..."、"语音回复"等。支持平台：Telegram、Discord、WhatsApp、飞书/Lark。确保每次语音回复都同时发送文字和语音。 |
⚠️ 安装后请将 scripts/ 目录下的 .txt 文件名后缀去掉（去掉 .txt）才能正常使用！
Voice 语音处理技能
完整的语音输入输出解决方案，同时支持语音识别（ASR）和语音合成（TTS）。
功能概述
| 方向 | 技术 | 说明 |
|---|
| 语音→文字 | Whisper (本地) | 用户发语音时自动转录 |
| 文字→语音 | Edge TTS | 生成语音回复 |
安装依赖
pip install edge-tts whisper torch click
OpenClaw 配置
要在 OpenClaw 中使用语音识别，需要修改 openclaw.json：
{
"tools": {
"media": {
"audio": {
"enabled": true,
"models": [
{
"type": "cli",
"command": "python3",
"args": [
"{{SkillPath}}/voice-tts/scripts/whisper",
"--model",
"base",
"{{MediaPath}}"
]
}
]
}
}
}
}
说明：
{{SkillPath}} 会自动替换为 skill 安装路径--model base 可以改为 turbo 等其他模型- 修改后执行
openclaw gateway restart 重启生效
触发场景
场景一：用户发送语音消息（ASR）
当用户发送语音消息时：
- 系统会自动转录为文字（transcript）
- 你需要理解用户意图并回复
- 用语音+文字回复用户
场景二：用户主动要求语音回复（TTS）
当用户说以下话术时：
- "用语音读..."
- "语音回复"
- "读给我听"
- "说出来"
- "text to speech"
- "TTS"
- "飞书语音"
- 或任何明确要求语音输出的请求
脚本说明
Skill 自带两个脚本：
1. 语音识别 - whisper
位置：{{SkillPath}}/scripts/whisper
python3 {{SkillPath}}/scripts/whisper audio.mp3
python3 {{SkillPath}}/scripts/whisper audio.mp3 --model turbo
python3 {{SkillPath}}/scripts/whisper audio.mp3 --json
python3 {{SkillPath}}/scripts/whisper audio.mp3 --timestamps
可用模型：
| 模型 | 大小 | 速度 | 精度 |
|---|
| tiny | 39M | 最快 | 较低 |
| base | 74M | 快 | 中等 |
| small | 244M | 中等 | 较好 |
| turbo | 809M | 快 | 较好 |
| large-v3 | 1.5GB | 慢 | 最高 |
推荐：首次使用下载 base 或 turbo 模型，后续可直接使用。
2. 语音合成 - edge_tts
位置：{{SkillPath}}/scripts/edge_tts
python3 {{SkillPath}}/scripts/edge_tts "要说的内容" -f output.mp3
python3 {{SkillPath}}/scripts/edge_tts "你好" -v zh-CN-XiaoxiaoNeural -f output.mp3
python3 {{SkillPath}}/scripts/edge_tts "你好" -r +10% -f output.mp3
推荐声音：
zh-CN-XiaoxiaoNeural - 中文女声（默认推荐）zh-CN-YunxiNeural - 中文男声en-US-JennyNeural - 英文女声
3. 自动语音检查 - auto_voice_check（可选）
自动检查未处理的语音消息并批量处理。
python3 {{SkillPath}}/scripts/auto_voice_check
功能：
- 检查
~/.openclaw/media/inbound/ 下的新音频
- 自动转写（使用 whisper）
- 移动到已处理目录
4. 语音回复钩子 - voice_reply_hook（可选）
用于自动合成语音回复的钩子。
export REPLY_TEXT="你好，我是AI助手"
export MEDIA_OUT="{{Workspace}}/media/outbound"
python3 {{SkillPath}}/scripts/voice_reply_hook
使用流程
语音输入处理流程
用户发送语音 → 系统转录 → 你理解内容 → 语音+文字回复
- 用户语音消息到达时，系统会提供
transcript 字段（转录文字）
- 直接读取理解用户意图
- 用 Edge TTS 合成语音回复
- 同时发送文字和语音
语音输出流程
文字内容 → Edge TTS 合成 → 发送语音消息
- 确定要语音回复的内容
- 创建输出目录：
mkdir -p {{Workspace}}/media/outbound/
- 合成语音：
python3 {{SkillPath}}/scripts/edge_tts "内容" -f {{Workspace}}/media/outbound/voice.mp3
- 发送语音消息（见下方多平台说明）
配置
音频目录
- 输入音频：
~/.openclaw/media/inbound/（系统自动存放）
- 输出音频：
{{Workspace}}/media/outbound/
环境变量（飞书需要）
FEISHU_APP_ID - 飞书应用 IDFEISHU_APP_SECRET - 飞书应用密钥FEISHU_CHAT_ID - 群聊 ID
多平台支持
Telegram（推荐）
message(
action="send",
channel="telegram",
media="{{Workspace}}/media/outbound/voice.mp3",
asVoice=True,
message="这里是文字说明"
)
| 参数 | 说明 |
|---|
asVoice=True | 关键！设为 True 显示为语音消息 |
Discord
message(action="send", channel="discord", media=voice_path, message=text)
WhatsApp
message(action="send", channel="whatsapp", media=voice_path, message=text)
飞书/Lark
飞书不支持直接发语音，用文件消息：
TENANT_TOKEN=$(curl -s -X POST "https://open.feishu.cn/open-apis/auth/v3/tenant_access_token/internal" \
-H "Content-Type: application/json" \
-d "{\"app_id\": \"${FEISHU_APP_ID}\", \"app_secret\": \"${FEISHU_APP_SECRET}\"}" | \
python3 -c "import json,sys; print(json.load(sys.stdin).get('tenant_access_token',''))")
FILE_KEY=$(curl -s -X POST "https://open.feishu.cn/open-apis/im/v1/files" \
-H "Authorization: Bearer ${TENANT_TOKEN}" \
-F "file_type=mp3" \
-F "file=@{{Workspace}}/media/outbound/voice.mp3" | \
python3 -c "import json,sys; print(json.load(sys.stdin).get('data',{}).get('file_key',''))")
curl -s -X POST "https://open.feishu.cn/open-apis/im/v1/messages?receive_id_type=chat_id" \
-H "Authorization: Bearer ${TENANT_TOKEN}" \
-H "Content-Type: application/json" \
-d "{\"receive_id\": \"${FEISHU_CHAT_ID}\", \"msg_type\": \"file\", \"content\": \"{\\\"file_key\\\": \\\"${FILE_KEY}\\\"}\"}"
或用卡片发文字说明：
curl -s -X POST "${FEISHU_WEBHOOK_URL}" \
-H "Content-Type: application/json" \
-d '{"msg_type": "interactive", "card": {"header": {"title": {"tag": "plain_text", "content": "🎙️ 语音消息"}, "template": "blue"}, "elements": [{"tag": "markdown", "content": "**文字内容：**\n\n要说的内容"}]}}'
重要规则
- 语音输入：用户发语音 → 必须用语音+文字双回复
- 语音输出：用户要求语音 → 必须合成语音发送
- 同时发送：语音消息必须附带文字，确保兼容所有平台
- 检查文件：合成后确认文件存在再发送
示例
示例一：用户语音问天气
用户语音："今天天气怎么样？"
处理：
- 读取 transcript（系统已转录）
- 回答：今天天气晴朗，20-28度
- 合成语音
- 发送：文字+语音双回复
示例二：用户要求读文章
用户："用语音读一下这段话：AI正在改变世界"
处理：
- 提取要读的内容
- 合成语音：AI正在改变世界
- 发送：语音消息 + 文字"已经读给你听了"
故障排除
Whisper 转录失败
- 确认 ffmpeg 已安装：
ffmpeg -version
- 确认音频文件存在：
ls -la ~/.openclaw/media/inbound/
Edge TTS 生成失败
- 检查 Python 包：
python3 -c "import edge_tts"
- 检查输出目录权限
语音发送失败
- Telegram：文件需 < 20MB
- 飞书：需要配置 App ID/Secret
提示：这个技能可以自动和天气、新闻、日程等技能结合，用语音播报信息。
