Voice TTS/ASR

语音输入（Whisper ASR）+ 语音输出（Edge TTS）技能，支持 agent 专属音色，可调用 send_voice_reply.mjs 发送 Telegram 语音消息。

voice-tts

语音输入（ASR）+ 语音输出（TTS）技能，完整替代 OpenClaw 内置 tts 工具处理中文内容。

技术概览

方向	技术	说明
语音 → 文字	Whisper（本地）	接收语音，自动转文字
文字 → 语音	Edge TTS（云端）	生成 MP3，发送 Telegram 语音消息

---

工作方式

ASR（语音 → 文字）

用户发来语音消息 → voice-asr.mjs 转写为文字 → 触发 agent 处理。

语音识别在 OpenClaw 工具层自动完成，agent 收到的是文字。

TTS（文字 → 语音）

agent 回复文字后，如需以语音发送，调用 send_voice_reply.mjs 手动发送 Telegram 语音消息：

bash

node /path/to/voice-tts/scripts/send_voice_reply.mjs \
  --text "你的回复内容" \
  --chat-id 8317347201 \
  --agent main

---

快速安装

方式一：一键安装（推荐）

bash

# 默认安装 turbo 模型
bash /path/to/voice-tts/install.sh

# 国内加代理
bash /path/to/voice-tts/install.sh --proxy http://127.0.0.1:7897

方式二：手动安装

bash

pip install edge-tts whisper click
brew install ffmpeg   # macOS
sudo apt install -y ffmpeg  # Ubuntu

安装完成后运行冒烟测试：

bash

bash tests/smoke.sh

---

配置（可选）

config.default.json 已包含所有默认值，不填配置可直接使用。

如需自定义 agent 音色映射或 ASR 参数，在 openclaw.json 的 skills.entries.voice-tts.config 中覆盖：

json

{
  "skills": {
    "entries": {
      "voice-tts": {
        "enabled": true,
        "config": {
          "tts": {
            "defaultVoice": "zh-CN-XiaoxiaoNeural",
            "agentVoices": {
              "main":       "zh-CN-XiaoxiaoNeural",
              "researcher": "zh-CN-YunxiNeural",
              "product":    "zh-CN-XiaoyiNeural",
              "coder":      "zh-CN-YunyangNeural",
              "devops":     "zh-CN-YunjianNeural"
            }
          },
          "asr": {
            "defaultInitialPrompt": "以下是中文语音转文字。常见词包括：管家、研究员、邮差、码农、产品、运维、OpenClaw、小爱、Telegram。",
            "defaultTemperature": 0,
            "conditionOnPreviousText": true
          }
        }
      }
    }
  }
}

修改后执行 openclaw gateway restart。

---

核心脚本

语音合成 — bin/voice-tts.mjs

将文字转为语音文件：

bash

# 基本用法
node bin/voice-tts.mjs "你好" -f /tmp/demo.mp3

# 指定 agent 音色
node bin/voice-tts.mjs "你好" -f /tmp/demo.mp3 --agent main

# 指定声音 / 语速
node bin/voice-tts.mjs "你好" -f /tmp/demo.mp3 -v zh-CN-YunxiNeural -r +10%

可用中文音色：zh-CN-XiaoxiaoNeural（女声，推荐）、zh-CN-YunxiNeural、zh-CN-XiaoyiNeural、zh-CN-YunyangNeural、zh-CN-YunjianNeural、zh-CN-XiaomoNeural

语音识别 — bin/voice-asr.mjs

将音频文件转文字：

bash

# 基本用法
node bin/voice-asr.mjs audio.ogg

# 指定模型 / 语言
node bin/voice-asr.mjs audio.ogg --model turbo --language zh

# 输出 JSON（含语言检测）
node bin/voice-asr.mjs audio.ogg --json

可用模型：tiny base small turbo large-v3

发送 Telegram 语音 — scripts/send_voice_reply.mjs

一键完成"文字 → TTS 合成 → Telegram 语音消息发送"：

bash

node scripts/send_voice_reply.mjs \
  --text "已收到！" \
  --chat-id 8317347201 \
  --agent main

参数说明：

参数	必填	说明
--text	✅	要语音播报的文字内容
--chat-id	✅	Telegram 目标用户 ID
--agent	否	agent id，自动选对应音色
--voice	否	覆盖默认音色，如 zh-CN-YunxiNeural
--rate	否	语速，如 +10%、-5%
--token	否	直接指定 Telegram Bot Token

Token 自动查找优先级：

1. --token 参数
2. openclaw.json → channels.telegram.accounts.<当前agent>.botToken
3. openclaw.json → channels.telegram.accounts.default.botToken
4. 环境变量 TELEGRAM_BOT_TOKEN

---

文件结构

text

voice-tts/
├── SKILL.md                      # 本文档
├── config.default.json           # 默认配置（直接可用，不需修改）
├── install.sh                    # 一键安装脚本
│
├── bin/
│   ├── voice-tts.mjs             # TTS 入口
│   └── voice-asr.mjs             # ASR 入口
│
├── lib/
│   ├── config.mjs                # 配置读取（支持 openclaw.json 覆盖）
│   ├── errors.mjs                 # 统一错误码 + 用户兜底消息
│   └── audio.mjs                 # 音频校验
│
├── scripts/
│   ├── send_voice_reply.mjs      # Telegram 语音发送（核心）
│   └── auto_voice_check          # 批量处理未处理语音
│
└── tests/
    └── smoke.sh                   # 冒烟测试

注意： scripts/edge_tts 和 scripts/whisper 是内部 Python 封装，非直接入口；直接使用上表中的 bin/ 入口即可。

---

错误码

错误码	含义	用户兜底消息
no_file_path	未提供音频文件	抱歉，没有收到音频文件，请重试。
file_not_found	文件不存在	抱歉，音频文件没找到，请重试。
file_empty	文件为空	抱歉，音频文件是空的，请重试。
file_too_small	文件过小	抱歉，音频文件不完整，请重试。
file_stale	文件过期	抱歉，音频文件已过期，请重试。
transcription_failed	Whisper 转写失败	抱歉，语音识别失败了，请重试。
synthesis_failed	Edge TTS 生成失败	抱歉，语音生成失败了，请重试。
timeout	执行超时	抱歉，处理超时了，请稍后重试。

---

语音文件自动归档

voice-asr.mjs 成功转写后，自动将原文件从 ~/.openclaw/media/inbound/ 复制到 agent workspace media/inbound/，然后删除原文件。

• ✅ 成功时：复制归档，删除原文件
• ❌ 失败时：保留原文件，可重试

---

故障排查

bash

# 检查依赖
ffmpeg -version
python3 -c "import edge_tts; print('edge-tts ok')"
python3 -c "import whisper; print('whisper ok')"

# 检查未处理语音文件
ls -la ~/.openclaw/media/inbound/

# 直接测试 ASR
node bin/voice-asr.mjs ~/.openclaw/media/inbound/your-file.ogg

# 直接测试 TTS
node bin/voice-tts.mjs "测试" -f /tmp/test.mp3

# 运行冒烟测试
bash tests/smoke.sh

常见问题：

• TTS 生成失败：检查 python3 -c "import edge_tts; print('ok')"
• Telegram 发送失败：确认 botToken 正确、chat-id 是数字 ID、语音文件 < 20MB
• 语音发错对象：检查 conversationId 是否与预期 chat-id 一致

---

可选：批量处理未处理语音

bash

node scripts/auto_voice_check

检查 ~/.openclaw/media/inbound/ 下未处理的 .ogg 文件，自动转写并归档。