核心用法
本技能为 OpenClaw 平台配置完整的语音消息处理能力，实现 语音输入→文字理解→语音回复 的闭环交互。包含两大模块：
STT（语音转文字）：基于 faster-whisper 本地运行，支持多语言转录（默认俄语），通过虚拟环境隔离依赖，避免系统污染。提供可定制脚本 transcribe.py，支持模型尺寸（tiny 到 large）、计算设备（CPU/CUDA）、语言参数灵活调整。
TTS（文字转语音）：采用微软 Edge TTS 服务，无需 API 密钥即可使用。配置 auto: "inbound" 智能模式后，仅在收到语音消息时以语音回复，文字消息保持文字回复，交互逻辑自然。支持多音色选择（Svetlana/Dmitry 等）及语速、音调、音量微调。
配置通过修改 ~/.openclaw/openclaw.json 完成，重启 Gateway 后生效。测试流程涵盖语音发送、转录日志查验、语音回复接收三个环节。
显著优点
- 零 API 成本：Edge TTS 完全免费，faster-whisper 本地运行，无外部服务依赖
- 隐私优先：语音数据本地处理，不上传至第三方 STT 服务
- 硬件适配友好：默认
small模型在树莓派 4 上 20-40 秒完成转录，提供从 tiny 到 large 的五档性能选择 - 交互逻辑智能：
inbound模式避免文字消息意外触发语音回复，体验符合直觉 - 配置透明：JSON5 配置结构化，参数含义清晰，支持热调整音色与合成参数
潜在局限
- 首次冷启动延迟：Whisper 模型需从 Hugging Face 下载缓存，首跑等待 1-2 分钟
- ARM 设备性能瓶颈：medium/large 模型在嵌入式设备上耗时过长， practically 限制在 base/small
- Edge TTS 可用性风险：依赖微软在线服务，存在间歇性不可用的可能性（文档已标注）
- 短文本过滤：<10 字符回复自动跳过 TTS，可能误过滤简短确认类消息
- 语言支持局限：默认配置聚焦俄语（ru-RU），其他语言需手动调整模型与音色参数
适合人群
- 运行 OpenClaw 的自托管 Telegram Bot 开发者
- 追求零订阅成本、重视数据隐私的语音交互场景
- 树莓派/ARM 单板机用户，需平衡转录质量与本地算力
- 俄语区用户或需俄语音色合成的项目
常规风险
- 超时失败：20MB 默认文件限制与 120 秒超时可能在长语音或复杂转录场景下触发失败，需主动扩容
- 虚拟环境维护：venv 隔离带来路径硬编码问题，迁移环境需同步调整配置中的绝对路径
- 依赖漂移：faster-whisper 及其底层
ctranslate2、onnxruntime存在版本兼容风险，建议锁定版本 - 服务依赖单点：TTS 完全依赖微软 Edge 服务，无本地 fallback 方案，断网或微软服务异常时语音回复失效