语音合成与识别——TTS/STT 双通道

语音能力在 MateClaw 里的位置

语音不是独立产品，是 Agent 执行链里的一环。比如：

• 写作助手写好一段演讲稿 → 调 TTS 合成音频 → 交付 mp3
• 用户在 Telegram 里发了一段语音 → STT 转文字 → Agent 处理 → 回复

TTS：语音合成

支持的供应商包括 DashScope、OpenAI TTS、Edge-TTS（免费）、本地模型。Agent 调 TTS 工具时指定文本、语速、语调、输出格式（mp3/wav）。

写作助手模板默认启用 TTS，用户可以在 prompt 里加「把这段文字读出来」，Agent 自动调 TTS 工具。

STT：语音识别

用户在 Telegram、Discord、Slack 等支持语音消息的渠道里发语音——MateClaw 的 STT 管道自动把语音转文字，注入 Agent 的对话上下文。Agent 回复时可以选文字回复，也可以选语音回复。

实际应用场景

语音输出：演讲初稿 → 让 Agent 读一遍合成 mp3 → 自己听效果，比纯看文字更容易发现问题。

语音输入：在 Telegram 里说话 → 转文字 → Agent 处理 → 语音或文字回复。适合开车、走路时快速给 Agent 指令。

成本和质量

TTS/STT 按供应商计费。Edge-TTS 是免费选项但音质一般；DashScope 和 OpenAI TTS 音质更好但有费用。本地 STT（Whisper 等）零费用但需要 GPU。

和图像生成一样，可以在用量统计里看到每个 Agent 的 TTS/STT 用量。