本地语音交互

技能简介

该技能通过本地运行的语音代理API，实现与用户的语音对话功能。采用本地Whisper模型完成语音转文字，调用AWS Polly服务将文字转为语音。

能做什么

• 将用户上传的音频文件转写为文字
• 将文字内容合成为语音文件并返回
• 检测语音代理后端服务的健康状态

使用说明

使用前需先部署后端服务，参考仓库中的README.md、walkthrough.md或DOCKER_README.md完成环境搭建，确保服务运行在http://localhost:8000。

安装指令：本技能为纯客户端实现，无需启动容器或服务，但依赖外部后端API，请按上述文档自行部署。

使用流程：

1. 用户发送音频消息
2. 执行转写命令：python3 {baseDir}/scripts/client.py transcribe "/path/to/audio/file.ogg"
3. 获取回复文本后，执行合成命令：python3 {baseDir}/scripts/client.py synthesize "回复内容" --output "/path/to/output.mp3"
4. 直接发送生成的音频文件，不附加文字说明

健康检查命令：python3 {baseDir}/scripts/client.py health

输入与输出

见下方输入与输出表格。

风险提示

• 后端服务未启动时所有功能不可用，需用户自行排查
• AWS Polly调用可能产生云服务费用
• 音频响应模式下禁止附加文字说明，否则破坏交互体验
• 连接异常时本技能不提供自动修复能力

来源信息

原始链接：https://github.com/openclaw/skills/tree/main/skills/ricardotrevisan/voice-agent/SKILL.md
来源类型：GitHub仓库