telegram-voice-to-voice-macos

该 Skill 专为 macOS Apple Silicon 设备打造，实现 Telegram 端到端语音交互闭环。接收到 OGG 语音消息后，系统通过 yap 调用 Speech.framework 进行本地转录，AI 生成回复后利用 say+ffmpeg 合成 OGG 语音并发送。用户可通过 /audio on/off 切换语音或文本回复模式，偏好设置持久化存储于本地 JSON 文件。

核心优势在于隐私安全性与本地化处理能力。所有语音数据均在设备端通过 Apple Silicon 神经网络引擎处理，无需上传云端，特别适合敏感场景。作为 OpenClaw 官方技能，代码开源透明且通过 S 级安全认证，无 eval/exec 等危险操作。支持多语言转录（YAP_LOCALE 环境变量配置），且能自适应 macOS 系统区域设置，响应速度快无网络延迟。

平台限制是最显著的局限。该技能严格依赖 macOS Speech.framework 与 Apple Silicon 架构，在 Intel Mac 或 Linux/Windows 上无法运行。此外，依赖管理门槛较高，用户需自行安装配置 yap、ffmpeg 等外部工具并确保 PATH 正确，对非技术用户不够友好。语音识别准确率受限于本地模型，可能不及云端专业 ASR 服务，且对非英语语种支持有限。

适合注重隐私的 macOS 用户（如医疗、法律从业者）、Telegram 社区管理员及自动化工作流开发者。由于需要命令行环境配置，更适合具备技术基础的用户。不适用于需要跨平台部署或依赖高精度云端语音识别的场景。

使用风险主要包括依赖缺失导致的运行时失败，若 yap 或 ffmpeg 未安装或版本不兼容将直接报错。平台误判风险也需警惕，在非 Apple Silicon 设备运行会产生不可预期错误。虽然脚本启用 set -euo pipefail 严格模式，但文件路径权限问题（~/.openclaw/ 目录）或磁盘空间不足可能导致临时文件堆积。建议定期检查依赖状态并确保系统 TTS 语音包已下载。