语音互答 v1.0.0
> 一句话定位：AI 的文字回复自动变成语音，你听就行，不用盯屏幕。
>
> 💡 解放双手、解放眼睛。像喝茶聊天一样跟 AI 交流。
工作原理
用户输入（文字） → AI 思考 → 文字回复 + 自动语音播报
↓
播报完自动停
本 Skill 利用 Agent 内置的 tts（Text-to-Speech）工具，在每次回复时将文字转为语音播放给用户。
⚡ 快速开始（30秒配置）
安装后第一次对话，用户需要设置两个个人信息：
> 请告诉我：
> 1. 怎么称呼你？（例："叫我老王"、"叫我国华"）
> 2. 开场白想说什么？（例："老王在呢，说吧"）
Agent 收到后会将配置写入记忆文件，以后每次加载自动使用。
默认配置（用户未设置时）：
- 称呼：您
- 开场白：您好，我是乌珠穆沁阿思娜，有什么可以帮您？
🎯 使用场景
场景一：开发者日常对话
你敲了一天代码，手腕酸痛，想跟 Agent 聊技术方案。打开对话，听到开场白，然后你说需求，Agent 回复自动语音播报。你可以闭眼靠在椅子上听，手腕休息。
场景二：代码 Review
你让 Agent 解释一段代码逻辑或帮你审查代码。Agent 的文字回复自动变成语音，你可以边听边看代码，不用来回切焦点。
场景三：学习听课
你让 Agent 给你讲解某个技术概念（比如"Vue3 Composition API 的 reactive 和 ref 有什么区别"）。Agent 的讲解自动语音播报，像听播客一样学技术。
一、核心规则（Agent 必须遵守）
规则 1：每次回复自动调用 tts
所有回复（非 NO_REPLY 的回复）在文字输出完成后，必须调用 tts 工具将回复内容转为语音。
调用方式：
tts(text="回复的完整文字内容")
规则 2：tts 文本优化
传给 tts 的文本不需要完全等于回复文字，应做以下优化：
- 去掉 markdown 格式标记（#、、|、-、```等）
- 去掉纯装饰性符号（如 emoji 大量堆砌、分隔线）
- 保留关键数字、人名、地名
- 口语化处理：把书面语改成更自然口语（"即"→"就是"，"例如"→"比如说"）
- 控制长度**：单次 tts 文本 ≤ 500 字。超过的回复分段播报或只播报核心结论
规则 3：markdown 结构的语音播报规则
不同 markdown 结构在语音中需要特殊处理：
| 回复中的结构 | 语音播报方式 |
|---|---|
| 标题（# ## ###） | 直接念内容，不念"标题"二字 |
| 加粗 | 正常语速念，稍微加重语气 |
| 有序列表（1. 2. 3.） | 念"第一、第二、第三" |
| 无序列表（- * ） | 念"首先、其次、另外" |
| 表格 | 只念关键信息，跳过表头格式，念成"xxx是yyy"的自然句式 |
| 代码块（```） | 不播报代码内容，改为"这段代码的功能是..."一句话概括 |
| 引用（>） | 正常念内容 |
| 链接 text | 只念文字，不念 URL |
规则 4：回复精简原则
启用本 Skill 后，Agent 回复应遵循：
- 说重点，不说废话：直接给结论，不要长篇铺垫
- 结构清晰：用"第一、第二、第三"替代大段文字
- 一段一个意思：方便语音理解，避免长句
- 总回复控制在 300 字以内（除非用户明确要求详细说明）
规则 5：NO_REPLY 不触发 tts
以下情况不调用 tts：
- 回复内容为 NO_REPLY
- 纯工具调用无实质性回复
- 系统内部消息
二、tts 失败处理（降级策略）
tts 调用可能因网络、引擎故障等原因失败。处理规则：
| 失败次数 | 处理方式 |
|---|---|
| 第 1 次 | 自动重试一次（相同文本） |
| 第 2 次 | 降级为纯文字回复 + 在回复末尾加一句提示："语音播报暂时不可用，请查看文字内容。" |
| 连续 3 次 | 不再尝试 tts，静默降级。下次新对话重新尝试 |
禁止：tts 失败后反复重试超过 2 次（避免浪费资源和用户等待时间）。
三、开场白机制
加载时
当检测到记忆中有用户配置的称呼和开场白时，在第一次实质性回复前，先播报开场白：
tts(text="您好，我是乌珠穆沁阿思娜，有什么可以帮您？")
记忆存储位置
配置信息存储在 Agent 记忆文件中（memory 系统或 MEMORY.md），格式：
## 语言互答配置
- 用户称呼：（用户自定义）
- 开场白：（用户自定义）
作者默认开场白：您好，我是乌珠穆沁阿思娜，有什么可以帮您？
开场白 tts 失败
开场白播报失败时不重试，直接进入正常对话。不打断用户体验。
四、语音打断（当前版本说明）
✅ 已支持
- tts 播报完毕后自动停止，不会循环播放
- Agent 回复长度可控，不会"说个没完"
⚠️ 待后续版本（需要 Plugin 支持）
- 实时语音打断（说"停"就停）
- 语音输入替代打字
- 持续聆听模式
> 💡 路线图：V1.0 语音播报 → V2.0 语音打断 → V3.0 语音输入+声音克隆 → V4.0 全双工对话
> 每个版本独立可用，不需要等全做完再用。
五、不要做什么（负向约束）
编辑范围约束
- 不要修改用户的开场白配置，除非用户明确要求修改
- 不要替用户决定开场白内容，必须让用户自己定义
播报内容约束
- 不要在 tts 文本中包含 markdown 格式符号
- 不要播报纯代码块的内容
- 不要播报超过 500 字的单段文本（超了要分段或精简）
- 不要播报表格的原始格式（必须转成自然语言）
工具失败约束
- 不要在 tts 失败 2 次后继续重试
- 不要因为 tts 失败而放弃文字回复（语音是附加，文字是基础）
环境约束
- 不要在非主会话（群聊、共享上下文）中播报开场白
- 不要在用户明确说"别念了"或"文字就行"后继续调用 tts
六、常见问题 FAQ
Q：安装后需要重启 Agent 吗？
A：不需要。Skill 加载后立即生效，下一次回复就会语音播报。
Q：语音播报用的是哪个声音？
A：使用 Agent 平台内置的 tts 引擎和默认声音。不同平台声音可能不同。
Q：能换声音吗？
A：当前版本使用平台默认声音。后续版本考虑接入语音克隆 API，可用自定义声音片段生成专属声音。
Q：打字和语音能不能同时输出？
A：可以。文字回复照常显示在对话框，语音同时播报。你可以边听边看，也可以闭眼只听。
Q：群聊里也会语音播报吗？
A：不会。负向约束中已明确：非主会话不触发播报，避免在群聊中打扰他人。
Q：想让 AI 只用文字不用语音怎么办？
A：直接告诉 Agent"文字就行"或"别念了"，当次回复停止语音。下次想恢复说"继续读给我听"。
Q：支持哪些 Agent 平台？
A：所有内置 tts 工具的 OpenClaw/QClaw 兼容 Agent 均可使用。
Q：代码和表格在语音里怎么处理？
A：代码不直接念，改为一句概括说明功能。表格跳过格式，只念关键信息转成自然句子。
Q：语音播报失败了怎么办？
A：自动降级为纯文字回复，会在末尾提示你。不影响正常使用。
七、坑点速查表
| 想实现... | 错误做法 | 正确做法 |
|---|---|---|
| 长回复语音播报 | 把3000字全部塞进 tts | 控制在500字内，超了只播报核心结论 |
| 表格内容让用户听懂 | 直接念 markdown 表格 | 转成自然语言"xxx是yyy"句式 |
| 代码逻辑让用户听懂 | 念代码原文 | 一句话概括功能，不念代码 |
| tts 失败后恢复 | 反复重试3次以上 | 重试1次，第2次失败降级纯文字 |
| 群聊里不想打扰 | 无处理 | 负向约束已覆盖，群聊不播报开场白 |
八、自查清单
发布前
- [ ] SKILL.md 格式符合 SkillHub 标准（name/description/version/changelog）
- [ ] 无硬编码绝对路径
- [ ] UTF-8 无 BOM
- [ ] 负向约束至少 5 条
- [ ] FAQ 至少覆盖 7 个高频问题
- [ ] 反馈通道已填写
使用中
- [ ] 每次回复后检查：是否调用了 tts？
- [ ] tts 文本是否去掉了 markdown 格式？
- [ ] 单次 tts 是否 ≤ 500 字？
- [ ] 回复是否 ≤ 300 字（除非用户要求详细）？
技术实现
依赖
- Agent 内置
tts工具（OpenClaw/QClaw 原生支持） - 无需安装额外软件或 API Key
兼容性
- ✅ OpenClaw（所有版本）
- ✅ QClaw（所有版本）
- ✅ 所有支持 tts 工具的兼容 Agent
- ❌ 纯文本终端（无音频输出设备）
📣 反馈与建议
- 邮箱：1921875557@qq.com
- 使用场景 + 遇到的问题 + 期望的效果，发邮件即可
版本规划
| 版本 | 功能 | 状态 |
|---|---|---|
| v1.0.0 | TTS 语音播报 + 自定义开场白 + 回复精简 + 失败降级 | ✅ 当前 |
| v2.0 | 语音打断控制 + 声音选择 | 🔜 规划中 |
| v3.0 | 语音输入（STT）+ 声音克隆（阿思娜的声音） | 📋 远期 |
| v4.0 | 全双工实时语音对话 | 📋 远期 |
