核心用法
Voice Agent 是一款客户端语音交互技能，为AI代理添加"说"与"听"的能力。它通过本地运行的后端API（端口8000）实现两大核心功能：
1. 语音转文字（STT）：调用本地Whisper模型将用户音频转录为文本
2. 文字转语音（TTS）：使用AWS Polly将AI回复合成为自然语音
典型工作流：用户发送音频 → transcribe转录 → AI生成回复 → synthesize合成音频 → 直接发送音频文件（无文字说明）。
显著优点
- 隐私友好：Whisper在本地运行，语音数据不上传云端转录
- 音质优秀：AWS Polly提供高质量神经网络语音，支持多语言
- 架构清晰：客户端设计，不侵入容器或服务管理层
- 成本可控：AWS Polly按用量计费，本地Whisper零API成本
潜在局限
- 依赖复杂：必须自建并维护后端服务（Python环境+Whisper+AWS凭证）
- 网络依赖：需保持localhost:8000服务存活，无自动容错机制
- AWS门槛：需要AWS账号及IAM凭证配置，存在云端成本
- 无服务自愈：后端故障时仅能提示用户手动修复
适合人群
- 注重语音隐私、愿意自建基础设施的技术用户
- 已有AWS账户、需要高质量TTS的开发者
- 追求"纯语音交互"体验（音频优先模式）的场景
常规风险
- 服务可用性：后端未启动时技能完全失效
- AWS凭证泄露：需妥善保管
~/.aws/credentials - 成本不可控：高频使用Polly可能产生意外账单
- 本地资源占用：Whisper模型加载消耗GPU/内存资源