核心用法
voice-reply 是一款专为 OpenClaw 平台设计的本地文本转语音（TTS）技能，基于 sherpa-onnx 运行时和 Piper 语音模型实现。用户通过简单的命令行调用即可将任意文本转换为语音，输出格式专为 Telegram 优化，生成带有 [[audio_as_voice]] 标签的 OGG Opus 音频文件，在聊天界面中显示为语音气泡。
使用方式极为简洁：执行 {baseDir}/bin/voice-reply "文本内容" [语言代码]]，其中语言参数可选 de（德语）或 en（英语），未指定时自动检测。技能内置 Thorsten（德语，中等质量）和 Ryan（英语，高质量）两款自然男声，覆盖日常对话与专业场景需求。
显著优点
完全离线是该技能最突出的特性。与依赖云 API 的 TTS 服务不同，voice-reply 在本地完成全部语音合成流程，无需网络连接即可运行，彻底杜绝了数据外传风险，特别适合对隐私敏感的企业内网环境。
零成本门槛同样关键。无需注册账号、无需申请 API 密钥、无调用次数限制，部署后即可无限使用。对于需要高频语音交互的场景（如客服机器人、教育辅助工具），可显著降低运营成本。
开箱即用的 Telegram 集成节省了开发时间。输出格式直接兼容 OpenClaw 的媒体处理机制，开发者无需额外编写音频转换或消息格式化代码。
潜在缺点与局限性
平台限制明显：当前仅支持 Linux 系统，且需要 x86_64 架构。Windows 和 macOS 用户无法直接使用，ARM 设备（如树莓派）也需自行编译 sherpa-onnx。
部署复杂度较高：相比云 API 的一行代码调用，voice-reply 需要完成多步系统级配置——安装 sherpa-onnx 运行时（约 200MB）、下载语音模型（各 50-100MB）、配置环境变量、确保 ffmpeg 可用。对于缺乏 Linux 运维经验的用户，安装脚本虽能简化流程，但故障排查仍需一定技术背景。
语音选择有限：目前仅内置两种男声，缺乏女声选项及更多语言支持（如中文、日语）。虽然文档提供了扩展指南，但新增语音需要手动下载模型并修改脚本，对普通用户不够友好。
性能依赖硬件：本地推理对 CPU 有一定要求，低配置服务器可能出现生成延迟，且不支持 GPU 加速（当前版本）。
适合的目标群体
- 隐私优先的开发者：金融、医疗、政务等领域，语音数据严禁出网的场景
- Telegram Bot 运营者：需要为机器人添加语音回复功能，且希望控制长期成本
- 德语/英语内容创作者：播客制作、语言学习应用、有声内容生成
- 边缘计算与内网环境：无公网访问权限的私有化部署需求
使用风险
依赖项维护负担：sherpa-onnx 和 Piper 作为活跃开发的开源项目，版本更新可能导致兼容性问题。用户需关注上游发布，及时更新模型或运行时。
存储与内存占用：完整安装后约占用 400MB 磁盘空间，运行时内存占用约 100-200MB。对于资源受限的容器环境，需提前规划配额。
音频质量一致性：自动语言检测基于简单启发式规则（如识别德语变音符号），混合语言文本可能出现误判，建议关键场景显式指定语言参数。
无服务级别保障：作为本地组件，无云服务商的 SLA 承诺，系统故障时需自行排查日志（位于 /tmp/voice-reply-output.log 等位置）。