OpenClaw Skill 每日推荐 - 语音与转录

OpenClaw Skill 每日推荐 - 语音与转录

🎙️ Day 28 — 让 AI 学会倾听与表达

语音交互是人机协作中最自然的方式之一。今天我们走进 Speech & Transcription 分类，这里有 45 个 Skills，覆盖了从语音识别（STT）、语音合成（TTS）到声音克隆、会议纪要等全链路能力。

📋 分类概述

维度 详情
分类名称 Speech & Transcription
Skill 总数 45
核心能力 TTS 语音合成、STT 语音识别、声音克隆、会议转录
主要服务 ElevenLabs、Whisper、Kokoro、Deepgram、AssemblyAI、Resemble AI

🏆 精选 Skill 详解

1. ElevenLabs TTS — 最成熟的云端语音合成集成

🔗 GitHub: openclaw/skills - elevenlabs-tts

核心功能：

  • 基于 ElevenLabs API 的高品质文本转语音
  • 支持多语言、多音色选择
  • 自动将生成的音频作为媒体附件返回

实用场景：

  • 为博客文章生成音频版本，提升可及性
  • 为视频配音生成旁白音频
  • 在消息应用中发送语音回复

技术实现：
通过 ElevenLabs REST API 调用，需要设置 ELEVENLABS_API_KEY 环境变量。Skill 封装了文本输入到音频输出的完整流程，生成的音频文件以 OpenClaw 媒体附件形式返回，可直接在消息渠道中使用。

1
2
3
4
5
# 安装后直接使用
openclaw skill install elevenlabs-tts

# 环境变量配置
export ELEVENLABS_API_KEY="your-api-key"

推荐指数：⭐⭐⭐⭐⭐

ElevenLabs 是目前商用 TTS 的天花板级方案，音质自然、情感丰富，支持中文。如果你需要最顶级的语音质量，选它就对了。

2. Faster Whisper — 本地化语音识别利器

🔗 GitHub: openclaw/skills - faster-whisper

核心功能：

  • 基于 faster-whisper 的本地语音转文字
  • 无需云端 API，完全离线运行
  • 支持多语言识别和翻译

实用场景：

  • 会议录音本地转录，隐私零泄露
  • 播客/视频字幕自动生成
  • 语音指令离式识别

技术实现：
faster-whisper 是 OpenAI Whisper 模型的 CTranslate2 优化版本，推理速度比原版快 4 倍，显存占用降低 50%。Skill 自动处理音频加载、模型选择和文本输出。

1
2
3
4
5
6
7
# 核心调用逻辑示意
from faster_whisper import WhisperModel

model = WhisperModel("large-v3", device="cuda", compute_type="float16")
segments, info = model.transcribe("audio.mp3", language="zh")
for segment in segments:
    print(f"[{segment.start:.2f}s -> {segment.end:.2f}s] {segment.text}")

推荐指数：⭐⭐⭐⭐⭐

隐私敏感场景的首选。16GB 内存即可运行 medium 模型，配合 auto-whisper-safe Skill 还能自动分片处理长音频，不会 OOM。

3. Clonev — 一键声音克隆

🔗 GitHub: openclaw/skills - clonev

核心功能：

  • 使用 Coqui XTTS v2 进行声音克隆
  • 仅需 3-10 秒参考音频即可克隆音色
  • 支持多语言合成（包括中文）

实用场景：

  • 为虚拟数字人定制专属声音
  • 有声书多角色配音
  • 复刻个人声音用于个性化助手

技术实现：
基于 Coqui XTTS v2 开源模型，支持零样本（zero-shot）声音克隆。Skill 接收参考音频和目标文本，输出克隆音色的语音文件。整个流程可在本地 GPU 上完成，无需第三方 API。

1
2
3
4
5
# 基本用法
clonev --reference voice_sample.wav --text "你好，这是克隆的语音" --output output.wav

# 多语言支持
clonev --reference voice_sample.wav --text "Hello world" --language en --output output.wav

推荐指数：⭐⭐⭐⭐

声音克隆是语音领域最酷的技术之一。XTTS v2 在开源方案中效果领先，但请注意伦理使用——不要用于欺骗或冒充他人。

4. Kokoro TTS — 轻量本地语音引擎

🔗 GitHub: openclaw/skills - kokoro-tts

核心功能：

  • 基于 Kokoro TTS 引擎的本地语音合成
  • 无需 API Key，零成本运行
  • 部署轻量，适合资源受限环境

实用场景：

  • 离线环境下的语音播报
  • 开发测试阶段的 TTS 功能验证
  • 嵌入式设备/IoT 场景语音输出

技术实现：
Kokoro 是一个轻量级神经 TTS 引擎，模型体积小（<100MB），推理速度快。Skill 封装了文本预处理、模型推理和音频编码的完整流程，支持批量文本合成。

1
2
3
4
5
# 安装
openclaw skill install kokoro-tts

# 使用
# 在 OpenClaw 对话中直接说："用 kokoro 朗读以下文字：..."

推荐指数：⭐⭐⭐⭐

如果你不想依赖云服务、不想花 API 费用，Kokoro 是最佳平替方案。音质虽不及 ElevenLabs，但远超传统拼接式 TTS，日常使用完全够用。

5. Feishu Minutes — 飞书会议纪要神器

🔗 GitHub: openclaw/skills - feishu-minutes

核心功能：

  • 获取飞书会议信息、统计数据
  • 自动提取会议转录文本
  • 下载会议录音媒体文件

实用场景：

  • 自动生成飞书会议纪要
  • 提取会议关键决策和行动项
  • 归档会议录音到知识库

技术实现：
通过飞书开放平台 API 调用，需要配置飞书应用凭证。Skill 支持按时间范围、会议 ID 等条件查询会议，自动拉取转录文本和媒体文件，并可结合 LLM 生成结构化会议纪要。

1
2
3
4
5
6
7
# 核心流程示意
# 1. 获取会议列表
meetings = feishu.list_minutes(start_time, end_time)
# 2. 获取转录文本
transcript = feishu.get_transcript(meeting_id)
# 3. LLM 生成纪要
summary = llm.summarize(transcript, prompt="提取关键决策和行动项")

推荐指数：⭐⭐⭐⭐⭐

飞书重度用户的必装 Skill。把会议纪要这件事完全自动化——开完会，纪要就躺在你的知识库里了。对中文场景的支持尤为出色。

📊 推荐指数排名

排名 Skill 评分 核心优势
🥇 ElevenLabs TTS ⭐⭐⭐⭐⭐ 商用级音质天花板，中文支持优秀
🥇 Faster Whisper ⭐⭐⭐⭐⭐ 本地 STT 最佳方案，隐私无忧
🥇 Feishu Minutes ⭐⭐⭐⭐⭐ 飞书生态深度集成，会议纪要自动化
🥈 Clonev ⭐⭐⭐⭐ 开源声音克隆，零样本学习
🥈 Kokoro TTS ⭐⭐⭐⭐ 轻量本地 TTS，零成本部署

🎯 应用场景总结

场景一：智能会议助手

组合： Feishu Minutes + Faster Whisper + ElevenLabs TTS

飞书开会 → 自动拉取转录 → LLM 提取要点 → TTS 生成语音摘要推送到群聊。全流程无人干预。

场景二：内容创作者工作流

组合： Faster Whisper + Clonev + Kokoro TTS

播客录音 → Whisper 转录为文字 → 编辑润色 → Clonev 用你的克隆声音重新配音 → 发布到各平台。

场景三：无障碍辅助

组合： ElevenLabs TTS + Faster Whisper

视障用户：文字 → TTS 朗读网页/文档
听障用户：语音 → STT 转文字显示

场景四：本地化语音助手

组合： Kokoro TTS + Faster Whisper

完全离线运行的语音助手，不依赖任何云服务。适合网络不稳定或隐私要求高的场景。

💡 实用建议

  1. STT 选型策略： 隐私敏感选 Faster Whisper，快速验证选 AssemblyAI/Deepgram（云端速度快但需付费）
  2. TTS 选型策略： 商用选 ElevenLabs，个人/测试选 Kokoro，需要声音克隆选 Clonev
  3. 中文支持： ElevenLabs 和 Faster Whisper 对中文支持最好；Kokoro 中文表现尚可但略逊
  4. 硬件要求： Faster Whisper 的 large 模型建议 8GB+ VRAM；Clonev 的 XTTS v2 建议 6GB+ VRAM
  5. 成本控制： 本地方案（Faster Whisper + Kokoro）零边际成本；云端方案（ElevenLabs）按字符计费

📅 明日预告

明天将介绍第 29 个分类：Transportation（交通出行）——涵盖导航、出行规划、交通工具信息查询等 Skills，敬请期待。

本文由 OpenClaw 自动生成，每日推荐一个 Skill 分类，共 30 期。
博客地址：www.daoyuly.cn

相关文章推荐

tag:

    缺失模块。
    1、请确保node版本大于6.2
    2、在博客根目录（注意不是yilia根目录）执行以下命令：
    npm i hexo-generator-json-content --save

    3、在根目录_config.yml里添加配置： 

      jsonContent:
    meta: false
    pages: false
    posts:
      title: true
      date: true
      path: true
      text: false
      raw: false
      content: false
      slug: false
      updated: false
      comments: false
      link: false
      permalink: false
      excerpt: false
      categories: false
      tags: true

程序员，关于技术我所知甚少，唯有探索，方得真知。