🎙️ OpenClaw Skill 每日推荐 — Speech & Transcription（语音与转录）
当 AI 学会「开口说话」和「倾听理解」，人机交互才真正跨越了屏幕的边界。
今天我们聚焦 Speech & Transcription 分类，这个分类包含 45 个 Skills，覆盖语音合成（TTS）、语音识别（STT）、声音克隆、会议纪要等场景。以下是精选推荐。
🏆 精选 Skill 详解
1. faster-whisper — 本地语音转录利器
GitHub: theplasmak/faster-whisper
核心功能： 基于 CTranslate2 优化的 Whisper 模型，在本地完成语音转文字，无需云端 API。
实用场景：
- 离线环境下的会议录音转写
- 隐私敏感场景的语音转录（医疗、法律）
- 批量处理播客/讲座音频生成字幕
技术实现： 使用 faster-whisper 库（Whisper 的 CTranslate2 重实现），比原版快 4 倍，内存占用减少 50%。支持多语言识别和自动语言检测。
推荐指数： ⭐⭐⭐⭐⭐
本地运行 = 零成本 + 零隐私顾虑，这是语音转录的首选方案。
2. elevenlabs-tts — 最佳 ElevenLabs 集成
GitHub: shaharsha/elevenlabs-tts
核心功能： 将文本转换为接近真人的高质量语音，集成 ElevenLabs 的全部语音模型。
实用场景：
- 为博客文章生成音频版本（有声阅读）
- 视频配音 / 播客旁白
- AI Agent 语音交互场景
技术实现： 调用 ElevenLabs REST API，支持 29+ 语言、多种音色选择、语速和情感调节。输出 MP3 格式，可直接附加到消息中发送。
推荐指数： ⭐⭐⭐⭐⭐
ElevenLabs 目前是 TTS 领域的天花板，自然度远超传统方案。
3. clonev — 一键声音克隆
GitHub: instant-picture/clonev
核心功能： 克隆任意声音并生成语音，基于 Coqui XTTS v2 模型。
实用场景：
- 个性化 AI 语音助手（用你自己的声音）
- 有声书多角色配音
- 内容创作者的个性化语音品牌
技术实现： 基于 Coqui XTTS v2 开源模型，仅需几秒音频样本即可克隆声音。支持本地运行，也可接入 API 服务。
推荐指数： ⭐⭐⭐⭐
声音克隆是语音领域的”魔法”，但请注意合规使用，尊重他人声音权。
4. feishu-minutes — 飞书会议纪要自动生成
GitHub: autogame-17/feishu-minutes
核心功能： 从飞书会议中获取信息、统计数据、转录文本和媒体文件，自动生成会议纪要。
实用场景：
- 自动整理飞书音视频会议内容
- 生成会议摘要和行动项
- 归档会议记录到知识库
技术实现： 通过飞书开放 API 获取会议相关数据，结合 STT 服务转录音频，再由 LLM 提炼摘要。
推荐指数： ⭐⭐⭐⭐⭐
飞书用户的福音——开完会，纪要已经写好了。
5. kokoro-tts — 轻量本地 TTS 引擎
GitHub: edkief/kokoro-tts
核心功能： 基于 Kokoro 模型的本地文本转语音引擎，无需 API Key。
实用场景：
- 日常语音通知和提醒
- 本地化语音交互原型开发
- 不依赖云服务的 TTS 方案
技术实现： 使用 Kokoro 开源 TTS 模型，完全本地推理，支持中英日等多种语言。模型体积小，可在消费级 GPU 上实时生成。
推荐指数： ⭐⭐⭐⭐
如果 faster-whisper 是 STT 的本地优选，kokoro-tts 就是 TTS 的对应方案。
📊 推荐指数排名
| 排名 | Skill | 推荐指数 | 核心优势 |
|---|---|---|---|
| 1 | faster-whisper | ⭐⭐⭐⭐⭐ | 本地 STT，零成本高隐私 |
| 2 | elevenlabs-tts | ⭐⭐⭐⭐⭐ | 业界最佳 TTS 质量 |
| 3 | feishu-minutes | ⭐⭐⭐⭐⭐ | 飞书生态无缝集成 |
| 4 | clonev | ⭐⭐⭐⭐ | 声音克隆，个性化体验 |
| 5 | kokoro-tts | ⭐⭐⭐⭐ | 本地 TTS，轻量免费 |
🎯 应用场景总结
语音输入（STT）：
- 会议录音转文字 →
faster-whisper+feishu-minutes - 多语言转录 →
deepgram/assemblyai-transcribe - 低内存环境 →
auto-whisper-safe（16GB 机器也能跑）
语音输出（TTS）：
- 追求极致音质 →
elevenlabs-tts - 本地离线方案 →
kokoro-tts - 中文场景 →
doubao-api-open-tts（火山引擎豆包）、chichi-speech（Qwen3） - 语音克隆 →
clonev/elevenlabs-voices
端到端方案：
- 语音对话 Agent →
claw-voice+faster-whisper+elevenlabs-tts - 会议全流程 →
feishu-minutes（录制→转录→摘要）
💡 实用建议
- 先本地后云端：
faster-whisper+kokoro-tts组合已覆盖基本需求，零成本起步 - 质量优先选 ElevenLabs：如果对音质有要求，
elevenlabs-tts值得付费 - 声音克隆需谨慎：务必获得声音本人授权，遵守当地法律法规
- 飞书用户必装：
feishu-minutes能把每周的会议整理时间从小时级降到分钟级 - 组合使用效果翻倍：STT + LLM + TTS = 完整的语音交互闭环
本系列每日更新一个 OpenClaw Skill 分类，共 30 期。明天预告：Transportation（交通出行）🚗