🎙️ OpenClaw Skill 每日推荐 - 语音与转录
第 28 期 | 2026年6月26日
语音交互正成为 AI Agent 最自然的交互方式之一。今天我们走进 Speech & Transcription 分类，这里有 45 个 Skill，覆盖从语音识别（STT）、语音合成（TTS）到声音克隆、会议纪要等全链路场景。
📋 分类概述
| 维度 | 数据 |
|---|---|
| 分类名 | Speech & Transcription |
| Skill 总数 | 45 |
| 核心方向 | STT 转录、TTS 合成、声音克隆、语音 Agent |
| 热门服务 | ElevenLabs、Whisper、Kokoro、SiliconFlow |
⭐ 精选 Skill 详解
1. faster-whisper — 本地语音转文本
- GitHub: theplasmak/faster-whisper
- 核心功能: 基于 CTranslate2 优化的 Whisper 模型，本地运行语音转录，无需云端 API
- 实用场景:
- 会议录音本地转文字，保护隐私不上传
- 播客/视频字幕自动生成
- 离线环境下批量转录音频文件
- 技术实现: 使用 faster-whisper 库（CTranslate2 后端），比原版 whisper 快 4 倍，内存占用更低，支持多种模型大小（tiny → large-v3）
- 推荐指数: ⭐⭐⭐⭐⭐
1 | # 安装后直接使用 |
💡 实用建议: 如果你关心数据隐私或需要离线转录，这是首选。配合
auto-whisper-safeSkill 可以在 16GB 内存机器上稳定运行长音频。
2. elevenlabs-tts — 最佳 ElevenLabs 集成
- GitHub: shaharsha/elevenlabs-tts
- 核心功能: ElevenLabs 文本转语音，支持多语言、多音色，音质业界领先
- 实用场景:
- 为 AI Agent 添加高质量语音输出
- 有声书、播客旁白自动生成
- 多角色对话配音（不同 voice ID）
- 技术实现: 调用 ElevenLabs REST API，支持流式输出，可选声音克隆和 Voice Design 功能
- 推荐指数: ⭐⭐⭐⭐⭐
1 | openclaw skill add shaharsha/elevenlabs-tts |
💡 实用建议: ElevenLabs 是目前 TTS 音质天花板，但需付费。免费额度有限，建议配合
kokoro-tts做日常使用，ElevenLabs 留给需要高保真的场景。
3. kokoro-tts — 本地高质量 TTS
- GitHub: edkief/kokoro-tts
- 核心功能: 使用 Kokoro TTS 引擎本地生成语音，完全离线，零 API 费用
- 实用场景:
- 日常 TTS 需求，不想付 API 费用
- 隐私敏感内容的语音合成
- 开发调试阶段高频调用
- 技术实现: Kokoro 是开源 TTS 模型，支持本地推理，音质接近云端服务
- 推荐指数: ⭐⭐⭐⭐
1 | openclaw skill add edkief/kokoro-tts |
💡 实用建议: 免费 + 本地 = 日常首选。音质虽不及 ElevenLabs，但远超系统自带 TTS。
4. elevenlabs-voices — 18 角色语音合成
- GitHub: robbyczgw-cla/elevenlabs-voices
- 核心功能: 预设 18 种人物角色 + 32 种音色的 ElevenLabs 语音合成，一键切换角色风格
- 实用场景:
- 多角色有声书制作（ narrator / 角色A / 角色B…）
- 播客节目多主持人配音
- 游戏角色对话生成
- 技术实现: 基于 ElevenLabs API，封装了角色-音色映射表，自动匹配 voice ID 和风格参数
- 推荐指数: ⭐⭐⭐⭐
1 | openclaw skill add robbyczgw-cla/elevenlabs-voices |
💡 实用建议: 比
elevenlabs-tts更适合需要多角色切换的场景，省去手动查找 voice ID 的麻烦。
5. clonev — 声音克隆
- GitHub: instant-picture/clonev
- 核心功能: 使用 Coqui XTTS v2 克隆任意声音，仅需短音频样本即可生成该声音的语音
- 实用场景:
- 克隆自己的声音，让 AI 用你的声音说话
- 为视频角色定制专属配音
- 修复/补录音频片段
- 技术实现: 基于 Coqui XTTS v2 开源模型，支持 few-shot 语音克隆，本地或远程推理
- 推荐指数: ⭐⭐⭐⭐
1 | openclaw skill add instant-picture/clonev |
⚠️ 注意: 声音克隆涉及伦理问题，请仅克隆自己或获得授权的声音。
🏆 推荐指数排名
| 排名 | Skill | 推荐指数 | 核心优势 |
|---|---|---|---|
| 🥇 | faster-whisper | ⭐⭐⭐⭐⭐ | 本地转录，隐私+速度 |
| 🥈 | elevenlabs-tts | ⭐⭐⭐⭐⭐ | TTS 音质天花板 |
| 🥉 | kokoro-tts | ⭐⭐⭐⭐ | 免费本地 TTS |
| 4 | elevenlabs-voices | ⭐⭐⭐⭐ | 多角色一键切换 |
| 5 | clonev | ⭐⭐⭐⭐ | 开源声音克隆 |
🎯 应用场景总结
语音输入链路（STT）
- 隐私优先:
faster-whisper（本地）→auto-whisper-safe（低内存） - 云端高精度:
assemblyai-transcribe、elevenlabs-transcribe、deepgram - 飞书会议:
feishu-minutes（直接获取飞书会议转录+纪要）
语音输出链路（TTS）
- 极致音质:
elevenlabs-tts→elevenlabs-voices（多角色） - 免费本地:
kokoro-tts→chichi-speech（Qwen3 驱动） - 国内服务:
doubao-api-open-tts（火山引擎）、siliconflow-tts-gen（CosyVoice2）
进阶玩法
- 声音克隆:
clonev（Coqui XTTS v2） - 全双工语音 Agent:
cult-of-carcinization（给 Agent 加耳朵和嘴）、claw-voice - 全屋播报:
announcer（AirPlay 多房间广播）
推荐组合
1 | 日常转录: faster-whisper + auto-whisper-safe |
💡 实用建议
- STT 选型优先考虑本地方案 — faster-whisper 速度和质量都够用，数据不离开本机
- TTS 付费与免费搭配 — 日常用 kokoro-tts，关键场景切 elevenlabs-tts
- 国内用户关注 doubao-api-open-tts 和 siliconflow-tts-gen — 延迟低，无需科学上网
- 长音频转录务必用 auto-whisper-safe — 自动分块，避免 OOM 崩溃
- 飞书用户直接用 feishu-minutes — 一条龙搞定会议转录+纪要
明天预告: 🚗 Transportation — 交通出行类 Skill，让你的 Agent 帮你规划路线、叫车、查航班！
📌 本系列共 30 期，每日一个分类，带你发现 OpenClaw 生态中最实用的 Skill。
专栏索引: awesome-openclaw-skills