核心用法
jarvis-voice 通过 sherpa-onnx 离线 TTS 引擎（Piper Alan 英式男声）叠加 ffmpeg 音频特效链，为 OpenClaw 代理赋予高度人格化的语音输出能力。不同于标准 tts 工具的云服务依赖，该技能采用完全本地化的语音合成管线，确保零网络延迟与隐私安全。
执行采用混合输出模式：每次语音响应需同时触发 (1) 后台 jarvis 命令执行音频播放，与 (2) 可见文本转录（**Jarvis:** *spoken text*）。WebChat 界面会自动将 Jarvis 前缀内容渲染为紫色斜体，形成「先听后看」的沉浸式体验。
音频处理链经过精心调参：语速 2x 加速、音高提升 5%、flanger 金属镶边、15ms 回声、高通滤波+高音增强，最终呈现类似钢铁侠电影中 JARVIS 的 crisp HUD 质感。
显著优点
- 完全离线：零 API 调用、零网络依赖、零订阅费用
- 人格化设计：英式 Alan 声线自带「管家的从容」，特效处理后远离廉价 TTS 感
- 架构整合：与
ai-humor-ultimate等技能形成 12-skill 认知架构，支持会话记忆、幽默风格、语音人格的协同工作 - 多端适配：本地音箱播放（aplay）与 WhatsApp 语音消息（OGG/Opus）双路径支持
- 确定性安全：
jarvis脚本参数硬编码，无动态命令注入风险
局限性与风险
- 英语唯一：Alan 模型无法处理非英语内容，需前置翻译或摘要
- Linux 限定：依赖 ALSA/aplay，macOS/Windows 需额外适配
- 硬件依赖：需本地音频设备与 sherpa-onnx 运行时（~1GB 模型体积）
- 无并发控制：单一会话应避免多语音队列堆积
- 字符限制：单次合成 ≤1500 字符，长文本需分段策略
适合人群
追求「科幻感交互体验」的极客用户、本地化隐私优先场景、OpenClaw 深度玩家（已部署多技能认知架构）、以及希望为 AI 助手建立一致人格声音的开发者。
常规风险提示
音频后台执行通过 shell 脚本完成，虽参数固定仍建议审计 jarvis 脚本内容；首次部署需确认 $SHERPA_ONNX_TTS_DIR 环境变量与模型路径正确性；ALSA 设备索引（plughw:0,0）在多声卡环境可能需要手动调整。