语音能力：语音识别与语音合成的配置与使用

聊天机器人不只会打字。框架把语音拆成两个独立能力：STT（语音转文字，让它听懂）和 TTS（文字转语音，让它开口），两者分开配置、按需组合。

STT：听懂语音

配置路径在「模型提供商」里选支持语音识别的服务商，再到配置文件里把 STT 模型设好。配好后，群里有人发语音，机器人会先转文字再进入对话流程——对语音消息的响应从此不再是「装没听见」。

TTS：开口说话

同样两步：提供商侧配 TTS 服务，配置文件里启用 TTS 能力。启用后机器人的部分回复会以语音形式发出。是否对某个会话启用，控制权在两处：

• 配置文件：平台级默认
• 自定义规则：会话级覆盖，可以只给某个群开语音

按会话组合的玩法

自定义规则对语音的控制粒度是每个会话独立：

语音模型也能按会话单独指定——重要客户的群配质量最好的音色，内部测试群用默认档。

实际使用注意

• TTS 产生的回复更适合短内容；长段落转语音又慢又难听，配合分段回复使用体验更好
• 语音服务商是独立的额度账单，语音群多了之后 Token 之外的语音费用别忽略，用量在统计页看
• 个别会话来源不想要 TTS 却被全局开了，去自定义规则里关掉而不是动全局

语音 + 多模态 + 人格组合到一起，就是情感陪伴场景的原料，具体配方见群聊陪伴场景。