核心功能
Voice-TTS 是面向 OpenClaw 框架的完整语音处理技能，集成语音识别(ASR)与语音合成(TTS)双向能力，实现"所说即所得"的自然交互体验。
语音识别：基于 OpenAI Whisper 本地部署，支持从 tiny 到 large-v3 五种模型规格，可在离线环境下完成语音转文字，自动检测语言并输出带时间戳的精确转录。
语音合成：采用微软 Edge TTS 引擎，提供 zh-CN-XiaoxiaoNeural、YunxiNeural 等高质量神经网络语音，支持语速调节(-100%至+100%)，生成效果接近真人发音。
显著优点
1. 端到端闭环：同时解决"听"与"说"两大需求，无需依赖第三方云服务即可完整运行
2. 多平台适配：原生支持 Telegram（语音消息）、Discord、WhatsApp 及飞书（文件形式），一套配置覆盖主流 IM 场景
3. 模型灵活：Whisper 提供从 39MB 轻量到 1.5GB 高精度的五级选择，平衡速度与准确率
4. 双模回复：强制要求语音+文字同时发送，兼顾无障碍访问与信息留存需求
潜在局限
- 硬件依赖：large-v3 模型需充足显存/内存，边缘设备可能受限
- 飞书兼容：飞书不支持原生语音消息，需退化为文件上传，体验折损
- 网络要求：Edge TTS 依赖微软服务，纯内网环境无法合成
- 中文优化：Whisper 对中文识别准确率略低于英文，嘈杂环境需使用 larger 模型
适合人群
- 需为 IM Bot 添加语音交互能力的开发者
- 追求离线隐私、不愿将语音数据上传云端的用户
- 视障辅助、驾驶场景等「听优于看」的交互需求
- 多语言客服、播客自动化等批量语音生产场景
常规风险
- 文件大小限制：Telegram 语音消息≤20MB，长文本需分段合成
- 环境配置复杂度：需同时管理 Python 依赖、ffmpeg 二进制及模型下载
- Token 安全：飞书集成需暴露 App ID/Secret，存在泄露风险
- 存储管理：inbound/outbound 音频文件需定期清理，避免磁盘膨胀