（13101期）voice-reply – 零成本离线语音合成专家

零成本离线语音合成专家 基于 k2-fsa sherpa-onnx 的 100% 离线语音合成技能，无需 API 密钥，支持德英双语，为 Telegram 场景提供本地化语音回复能力。 使用说明 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 [audioasvoice] 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）。 原始说明 Local text-to-speech using Piper voices via sherpa-onnx. 100% offline, no API keys required. Use when user asks for a voice reply, audio response, spoken answer, or wants to hear something read aloud. Supports multiple languages including German (thorsten) and English (ryan) voices. Outputs Telegram-compatible voice notes with [[audio_as_voice]] tag.