核心用法
Voice Agent 是一个本地语音代理后端技能，为AI Agent提供完整的语音交互能力。该技能通过调用本地AI Voice Agent API，实现双向语音处理：
语音输入（ASR）：使用 transcribe 命令将用户发送的音频文件转录为文本，支持常见的音频格式如OGG。
语音输出（TTS）：使用 synthesize 命令将AI生成的文本转换为自然语音，输出为MP3等标准音频格式。
工作流设计：采用"Audio First"原则——当用户通过音频交流时，AI应以音频文件作为主要响应方式，且遵循"静默交付"规范，不附加文字说明。
显著优点
1. 本地化部署：服务运行在本地环境，音频数据无需上传云端，有效保护用户隐私
2. 低延迟交互：本地API调用避免了网络传输延迟，实现近实时的语音响应
3. 无缝集成：通过Python客户端脚本与标准Shell命令即可调用，集成成本低
4. 标准格式支持：支持OGG、MP3等通用音频格式，兼容性好
潜在缺点与局限性
- 环境依赖：需要本地Python运行环境和相关依赖库
- 服务稳定性：需手动管理服务启停，存在服务中断风险
- 无云端模型能力：本地部署可能受限于硬件性能，语音合成自然度和识别准确率取决于本地模型
- 平台限制：目前脚本针对Unix-like系统设计，Windows平台可能需要适配
适合人群
- 注重隐私安全的个人用户与企业
- 需要离线语音能力的开发者
- 构建语音助手的AI Agent开发者
- 对延迟敏感的场景（如实时对话系统）
常规风险
- 服务可用性：健康检查失败时需手动启动服务，存在单点故障
- 音频质量：输入音频的降噪、格式兼容性可能影响转录准确率
- 资源占用：本地TTS/ASR模型持续运行消耗计算资源
- 配置复杂度：需正确配置
{baseDir}路径等环境变量