KittenTTS WhatsApp 语音

使用 KittenTTS + ffmpeg 将文本生成兼容 WhatsApp 的语音备忘录。专门解决因格式不匹配导致的静默失败问题：KittenTTS 输出 24kHz WAV → 通过 ffmpeg 转换为 16kHz OGG Opus → 作为 WhatsApp 语音备忘录发送。

⚠️ 安装前请务必阅读。 本技能会安装系统级软件包并下载大型机器学习模型。详见下方“Setup（安装配置）”部分。

系统依赖项

网络调用

• 首次运行时：根据所选模型尺寸，从 huggingface.co/KittenML 下载 TTS 模型（约 25–80MB）
• 无需 API 密钥 — 模型下载完成后完全离线可用
• 设置环境变量 HF_TOKEN 可避免未认证用户在模型下载时遭遇速率限制

模型选项

默认模型：kitten-tts-mini-0.8（音质最佳）。可在 scripts/tts_walkie.sh 中修改。

安装配置

在首次使用该技能前，请手动执行以下步骤：

# 1. 安装系统级软件包（需 root / 特权权限）
apt-get install -y ffmpeg

# 2. 安装 Python 包
pip3 install kittentts --break-system-packages

# 3. （可选）设置 Hugging Face Token 以规避下载速率限制
# echo 'export HF_TOKEN="hf_your_token_here"' >> ~/.bashrc

安装完依赖后，请重启 OpenClaw，确保新安装的软件包已加入系统 PATH。

使用方法

仅文字转语音（不进行语音识别）

bash scripts/tts_walkie.sh "您的消息内容" Bella
# 输出：/tmp/walkie_reply.ogg（16kHz OGG Opus，可直接用于 WhatsApp）

仅语音识别（可选 — 需提前安装 whisper）

# 安装 whisper（一次性操作，模型大小约 140MB–1.4GB 不等）
pip3 install whisper --break-system-packages

bash scripts/transcribe.sh /path/to/audio.ogg [model]
# model 参数可选：tiny | base | small | medium | large（默认为 base）

可用语音

当前支持：Bella、Jasper、Luna、Bruno、Rosie、Hugo、Kiki、Leo

默认语音：Bella

安全说明

• 音频文件写入 私有目录 /tmp/kittentts-walkie/（权限模式为 700），仅当前运行用户可读取。
• WAV 中间文件在转换完成后 立即清理；仅保留最终生成的 OGG 文件用于发送。
• 可通过设置环境变量 VOICE_SPEED 调整语速（默认值：1.0）。

文件结构

kittentts-whatsapp/
├── SKILL.md
└── scripts/
    ├── tts_walkie.sh      # 文字转语音 + ffmpeg 格式转换（现已启用 speed 参数）
    └── transcribe.sh       # whisper 语音识别（可选）

⚠️ 特权安装警告

依赖项安装命令中使用了 --break-system-packages 和 apt-get install -y。这些操作需要 root 权限，并会修改系统级软件包。若您处于受管系统（如企业环境或容器平台），请在执行前仔细审查。

故障排查

语音成功发送，但在 WhatsApp 中静音或被拒绝：
→ 运行 ffprobe -v quiet -print_format json -show_streams /tmp/walkie_reply.ogg
→ 输出中必须包含 codec_name: opus 且 sample_rate: 48000（或 16000）。若不符合，则 ffmpeg 转换链执行失败。

文字转语音生成速度过慢：
→ 在 scripts/tts_walkie.sh 中切换至更小模型（例如将 mini 替换为 nano）。

Hugging Face 下载遭遇速率限制：
→ 在环境中设置 HF_TOKEN。免费账户享有较低的速率配额。