核心用法
Audio Reply Skill 为 Claude Code 扩展了文本转语音（TTS）能力，通过两种主要模式工作：
1. 网页朗读模式：用户输入 "read it to me [URL]"，系统抓取网页内容、提取正文、生成语音并播放。
2. 对话生成模式：用户输入 "talk to me [topic]" 或类似触发词（"speak"/"say it"/"voice reply"），AI 生成自然口语化回复并转为语音。
技术实现上，该 Skill 调用 mlx-audio 的 TTS 模块，使用 chatterbox-turbo-fp16 模型（约500MB），通过 uv run 执行生成命令，支持 --play 自动播放和 --file_prefix 指定临时文件路径。
显著优点
- 离线本地运行：基于 Apple MLX 框架，完全本地推理，无需云端 API，隐私性极佳
- 触发灵活：多种自然语言指令均可激活，降低使用门槛
- 自动清理机制：强制要求播放后删除临时音频文件，避免磁盘堆积
- 语音自然度高：chatterbox-turbo 模型专为对话设计，支持语速调节（--speed）和表现力增强（--exaggeration）
潜在缺点与局限性
- 仅支持 macOS：MLX 为 Apple Silicon 专属框架，Intel Mac 或 Linux/Windows 无法运行
- 首次启动慢：模型需下载约500MB，冷启动有明显延迟
- 语言支持有限：文档明确指出"英文效果最佳，其他语言可能不稳定"
- 长文本需分段：建议单次不超过200词，长内容需手动切分
- 依赖 uv 工具链：要求预装 uv 并配置好 Python 环境
适合人群
- 需要长时间阅读网页内容但希望"听"而非"看"的用户
- 视觉疲劳或 accessibility 需求用户
- 偏好本地隐私计算、拒绝云端语音合成的用户
- 已配置好 Apple Silicon Mac + uv 环境的 Claude Code 深度用户
常规风险
- 临时文件残留风险：尽管文档强调删除，若进程异常中断可能导致 /tmp 目录堆积 wav 文件
- 音频播放干扰：
--play调用系统音频，在安静环境可能突兀出声 - 模型偏见传递：TTS 模型可能继承训练数据中的口音/性别偏见
- URL 内容风险：WebFetch 抓取任意 URL 可能引入恶意内容并被朗读，缺乏内容过滤机制
- 依赖单点故障：uv 或 mlx-audio 版本更新可能破坏兼容性