Voice-Persona · 语音对话 + 人格音色

把 Agent 变成"能听懂语音、会用人格声音回话"的机器人——首个 IM 语音双工闭环技能。

• 🎙 听懂语音：任意语音文件转文字，支持微信 .silk 格式（独门——大多数开源方案解不了微信语音）
• 🔊 回语音气泡：人格回复 → Edge TTS 多音色 → silk 编码回发微信语音（pilk 双向，全网首个打通）
• 🗣 人格回话：内置 6 个人格（元气少女/温柔知心/沉稳大叔/新闻播报/阳光伙伴/随性好友），各配专属中文音色 + 口吻
• 💰 零 API 成本：faster-whisper（本地）+ Edge TTS（免费）+ pilk（开源）全免费，可选 LLM 增强口吻

Voice chat for agents: transcribe voice (incl. WeChat silk) → reply with persona voices → back to WeChat voice bubbles. First IM two-way voice skill.

与同类差异（2026-09 实测调研）

方案	问题
jozhn/wechat-voice-decode-skill	只做单向解码转写，无 TTS/人格/语音回复，绑死 openclaw 路径
zhayujie/chatgpt-on-wechat (46k★)	语音依赖云端 ASR/TTS，个人微信通道封号风险，无 silk 原生闭环
whisperbot / Telegram 转写 bot 族	全部单向"语音→文字"，无多音色人格语音回复
SillyTavern (33k★)	角色音色强大但只在自家 UI，不接微信/Telegram 语音消息
微软云 voice skills（Azure/OpenAI TTS）	单项能力 + 付费云 API，无 IM 场景

别人做"听写"或"朗读"，voice-persona 做"在微信/Telegram 里用带人格的嗓音说话"。

快速验证 / Smoke Test（30 秒，免 key）

从本技能目录运行（本仓库已自带脚本，无需额外 clone）：

cd plugins/all-skills/skills/voice-persona   # 或直接进入 voice-persona 技能目录
python3 scripts/voice_persona.py demo
# 🎙 语音 → 文字 → [元气少女/沉稳大叔/新闻播报] 三音色回复音频
# ✅ 全链路通过：语音输入 → 转写 → 人格回复 → 语音输出

使用前提（依赖）

pip install faster-whisper pilk edge-tts    # 首次使用安装
# 可选：--llm 增强口吻需要 LLM_API_KEY / OpenAI 兼容 URL（与本集合其他技能一致）

用法

所有命令从技能目录内以相对路径调用脚本（无需安装到系统 PATH）：

# 1. 语音 → 文字（微信语音直接传 .silk 文件即可）
python3 scripts/voice_persona.py stt wechat_voice.silk
python3 scripts/voice_persona.py stt meeting.m4a --model small

# 2. 文字 → 人格回复 → 语音 mp3
python3 scripts/voice_persona.py speak "明天记得交报告" --persona yunjian --out reply.mp3

# 3. 只取人格化文本（接你自己的 TTS/IM）
python3 scripts/voice_persona.py chat "明天记得交报告" --persona xiaoyi

# 4. 列出人格
python3 scripts/voice_persona.py list

# 5. 音频 → 微信 silk 语音（可回发微信语音气泡）
python3 scripts/voice_persona.py to_silk reply.mp3 --out reply.silk

# 6. 一条命令双向闭环：人格语音 → 微信格式
python3 scripts/voice_persona.py speak "明天早上十点开会" --persona xiaoyi --out r.mp3
python3 scripts/voice_persona.py to_silk r.mp3          # → r.silk（#!SILK_V3）

在 Hermes 中安装（可选）

本仓库自带脚本可直接运行；若使用 Hermes Agent，也可从技能源仓库安装以自动接入：

hermes skills install jiawood2006/hermes-skills/skills/voice-persona

人格库（可扩展）

在 voice_persona.py 顶部 PERSONAS / STYLE_WORDS 增加即可：

key	人格	Edge TTS 音色	口吻
xiaoyi	元气少女 · 小伊	zh-CN-XiaoyiNeural	嘿嘿、啦/呀
xiaoxuan	温柔知心 · 晓萱	zh-CN-XiaoxuanNeural	别担心、慢慢来
yunjian	沉稳大叔 · 云健	zh-CN-YunjianNeural	直说、结论先行
yunyang	新闻播报 · 云扬	zh-CN-YunyangNeural	播报、条理
yunxi	阳光伙伴 · 云希	zh-CN-YunxiNeural	加油、没问题
xiaochen	随性好友 · 晓辰	zh-CN-XiaochenNeural	口语化、像朋友

Agent 接入（Hermes 等框架）

STT 接入：把平台收到的语音消息文件交给 stt 子命令 → 拿到文字进对话流。 Hermes 的 stt.provider: local_command + HERMES_LOCAL_STT_COMMAND 环境变量可直接把微信语音自动接入（指向本技能 scripts/ 下的脚本绝对路径）：

HERMES_LOCAL_STT_COMMAND=<python> <...>/skills/voice-persona/scripts/voice_persona.py stt {input_path} --model {model} --output_dir {output_dir} --language {language}

TTS 接入：人格化文本 → speak 出 mp3 → 平台发送语音。

已知陷阱

• 微信 silk 必须用 pilk 解码：pilk.decode() 输出的是无 RIFF 头的裸 PCM，whisper 读不了——要用 pilk.silk_to_wav()（输出标准 wav，已实测）
• 首次运行 faster-whisper 会下载模型（small ~500MB），等待 1-3 分钟属正常
• Edge TTS 需联网（微软免费接口）；断网时 speak 会失败，stt/chat 不受影响
• 转写质量：Intel Mac CPU int8 下 small 模型中文够用；嘈杂/方言建议 base/small 或重发

验证记录（真实产出）

• 微信 .silk 语音实测转写成功（"API这一块我会让海沃云来对接…"39字符/17字符两段）
• demo 全链路：say 合成中文 → stt 转写 → 3 人格回复 → 3 个 mp3（27-31KB）✅