核心用法
Jarvis Voice是一款完全离线的AI语音合成系统，通过sherpa-onnx本地TTS引擎（Alan英式男声）结合ffmpeg多链路音效处理，复刻钢铁侠电影中JARVIS的标志性金属质感声音。采用"混合输出"模式：每次语音响应需同时包含可见文本（**Jarvis:** *内容*）和后台音频执行（exec(command='jarvis "文本"', background=true)），前者通过OpenClaw webchat的CSS自动渲染为紫色斜体，后者触发本地音频播放。
技术架构
- 语音引擎：sherpa-onnx离线TTS，基于VITS架构的en_GB-alan-medium模型
- 语速处理：2倍速播放（
--vits-length-scale=0.5）营造AI的紧凑节奏感 - 音效链：ffmpeg串联处理——升调5%（ tighten 感）、镶边器（金属光泽）、15ms回声（机械共鸣）、200Hz高通+6dB高音增强（HUD般清晰）
- 输出：ALSA直接播放，自动清理临时文件
显著优点
1. 零延迟零依赖：完全本地运行，无需云端API，响应速度仅受限于硬件算力
2. 电影级音质：非简单变调，而是通过专业音频处理链路实现"金属AI"声学特征
3. 双通道确认：视觉+听觉双重反馈，紫色斜体文本即时呈现，音频后台异步播放
4. 跨平台适配：webchat自动渲染紫色样式，WhatsApp/Telegram等渠道回退为标准加粗斜体
潜在局限
- 语言锁定：Alan模型仅支持英语，非内容需翻译或摘要后播报
- 字符限制：单次≤1500字符，长文本需分段处理
- 环境依赖：需完整sherpa-onnx运行时+ffmpeg+ALSA音频系统，首次部署较重
- 单响应单语音：禁止连续调用，需合并内容后一次性输出
适合人群
- 追求沉浸式AI交互体验的科技爱好者/极客用户
- 需要离线隐私保护场景的语音交互需求（无数据上传）
- Iron Man/JARVIS IP粉丝，追求电影原声音质还原
- 智能家居/机器人项目的本地语音反馈模块
常规风险
- 系统兼容性：Linux/macOS需ALSA配置，Windows需额外适配层
- 模型存储：Alan模型约100MB级，需预留磁盘空间
- 音频冲突：
aplay直接占用默认声卡，可能与现有音频服务冲突 - 误用风险：需严格区分内置
tts工具（云端Edge TTS）与jarvis命令