语音理解与语音回复

语音识别 语音合成 声音克隆 Agent技能 通义千问

qwen-voice（Agent 技能）

目标：为 Agent 对话添加语音理解 + 语音回复能力。

亮点：

ASR：语音 → 文字（可选粗粒度时间戳，基于分块实现）
TTS：文字 → 语音（默认音色：Cherry）
声音克隆：一段样本音频 → 你的自定义音色 → 语音回复

完美支持 Clawdbot（以及其他支持 Agent Skills 的宿主）。

安装（Agent 技能）

npx skills add ada20204/qwen-voice

环境要求

系统依赖：

ffmpeg

Python 依赖：

Python 3.10+
推荐使用：uv（或任意 venv + pip）

环境变量

必填：

DASHSCOPE_API_KEY

代码读取环境变量的方式

脚本同时支持以下两种方式：

用户级（推荐）：~/.config/qwen-voice/.env
项目级（开发/测试用）：./.qwen-voice/.env

优先级：用户级优先，其次项目级。

注意：系统环境变量会被忽略，只读取 .env 文件。

配置方式（推荐）

cp -r .qwen-voice ~/.config/qwen-voice
cp ~/.config/qwen-voice/.env.example ~/.config/qwen-voice/.env
# 编辑 ~/.config/qwen-voice/.env

配置方式（项目本地，可选）

cp .qwen-voice/.env.example .qwen-voice/.env
# 编辑 .qwen-voice/.env

快速命令

ASR（不带时间戳）：

python3 scripts/qwen_asr.py --in /path/to/audio.ogg

ASR（带粗粒度时间戳）：

python3 scripts/qwen_asr.py --in /path/to/audio.ogg --timestamps --chunk-sec 3

TTS（预设音色）：

python3 scripts/qwen_tts.py --text '你好，我是 Pi。' --voice Cherry --out /tmp/out.ogg

声音克隆（创建一次声音档案，重复使用）：

python3 scripts/qwen_voice_clone.py --in ./sample.ogg --name george --out ./george.voice.json
python3 scripts/qwen_tts.py --text '你好，我是 George。' --voice-profile ./george.voice.json --out /tmp/out.ogg

注意事项

时间戳基于分块，而非词级对齐。
音频输入在 ASR 前会被转换为单声道 16k WAV 格式。
.ogg 输出使用 Opus 编码（兼容 Telegram 语音消息）。

仓库结构

SKILL.md + scripts/ 是 Agent 技能的入口（遵循约定的发现机制）
.qwen-voice/ 环境变量模板目录（复制到 ~/.config/qwen-voice/ 使用）

2.4 KiB Raw Blame History Unescape Escape