名称： jarvis-voice
版本： 3.1.0
描述： "将你的 AI 变成 JARVIS。语音、机智与个性——完整套装。幽默感调至最大值。"
元数据：
{
"openclaw":
{
"emoji": "🗣️",
"os": ["linux"],
"requires":
{
"bins": ["ffmpeg", "aplay"],
"env": ["SHERPA_ONNX_TTS_DIR"],
"skills": ["sherpa-onnx-tts"],
},
"install":
[
{
"id": "download-model-alan",
"kind": "download",
"url": "https://github.com/k2-fsa/sherpa-onnx/releases/download/tts-models/vits-piper-en_GB-alan-medium.tar.bz2",
"archive": "tar.bz2",
"extract": true,
"targetDir": "models",
"label": "下载 Piper en_GB Alan 语音模型 (medium)",
},
],
"notes":
{
"security": "此技能指示代理在后台执行本地 shell 命令 (jarvis) 进行音频播放。该命令是固定且确定性的——仅使用硬编码参数调用 sherpa-onnx TTS 和 ffmpeg。使用前请检查 jarvis 脚本。无网络调用，无凭据泄露，无权限提升。",
},
},
}

Jarvis 语音

你的 AI 现在有了声音，以及使用它的智慧。

还记得《钢铁侠》电影里的 JARVIS 吗？不只是声音——更是那种个性。在托尼陷入危机时，他还能冷静地发表评论。“先生，我很感激您的关心，但这套战衣完全能够——” [爆炸声] “——正如我刚才所说。” 那种轻松、低调的幽默感，让你忘了自己是在和软件对话。

这正是本技能赋予你 OpenClaw 代理的能力。语音——使用 sherpa-onnx 离线文本转语音（英式 Alan 语音），并通过 ffmpeg 进行金属感音频处理。以及幽默感——四种基于研究的喜剧模式（冷面机智、自我意识 AI、外星观察者、字面义成语游戏），旨在让你的代理听起来像是已经为你服务多年，并对此经历感到一丝暗喜。

幽默感不是附加的，而是内置的。因为一个说话没有智慧的 JARVIS，不过是混响好一点的 Siri。

📄 幽默感背后的研究： LIMBIC — 通过双关关联与嵌入距离实现的计算幽默

⚠️ 重要：请勿使用 tts 工具

内置的 tts 工具使用 Edge TTS（云端服务、错误语音、无特效）。请始终改用 jarvis shell 命令。

如何说话

任何需要语音输出的响应都必须同时包含以下两点：

1. 首先执行音频——在撰写回复之前，在后台运行 jarvis 命令：
   exec(command='jarvis "你要说的文本。"', background=true)
   这会立即触发——用户在屏幕上看到文字之前就能听到语音。

2. 显示文字转录——使用粗体 Jarvis: 前缀，后接说话内容：
   **Jarvis:** *你要说的文本。*
   Webchat UI 有自定义 CSS + JS，会自动检测 **Jarvis:** 并将其后的文本渲染为紫色斜体（.jarvis-voice 类，颜色 #9b59b6）。你只需编写 Markdown，样式会自动应用。

这被称为混合输出：用户先听到语音，然后看到文字转录。

注意： 服务器端的 triggerJarvisAutoTts 钩子已禁用（无操作）。它触发得太晚（在文本渲染之后）。语音完全来自 exec 调用。

命令参考

jarvis "Hello, this is a test"

• 后端： sherpa-onnx 离线 TTS（Alan 语音，英式英语，en_GB-alan-medium）
• 语速： 2 倍速 (--vits-length-scale=0.5)
• 效果链 (ffmpeg)：
  • 音高提升 5% —— 更紧凑的 AI 感
  • 镶边效果 —— 金属光泽
  • 15 毫秒回声 —— 机器人般的回响
  • 200Hz 高通滤波 + 高音提升 +6dB —— 清晰的 HUD 清晰度
• 输出： 通过 aplay 播放到默认音频设备，然后清理临时文件
• 语言： 仅限英语。Alan 模型无法处理其他语言。

规则

1. 始终设置 background: true —— 切勿为等待音频播放而阻塞响应。
2. 始终包含文字转录 —— 紫色的 Jarvis: 行就是用户的视觉确认。
3. 保持语音文本 ≤ 1500 字符，避免被截断。
4. 每个响应只调用一次 jarvis —— 不要堆叠多次调用。
5. 仅限英语 —— 对于非英语内容，请翻译或总结成英语进行语音输出。

何时说话

• 会话问候和告别
• 交付结果或摘要
• 回应直接对话
• 用户的最后一条消息包含语音/音频时

何时不说话

• 纯工具/文件操作，无对话元素
• HEARTBEAT_OK 响应
• NO_REPLY 响应

Webchat 紫色样式

OpenClaw webchat 内置了对 Jarvis 语音转录的支持：

• ui/src/styles/chat/text.css —— .jarvis-voice 类渲染为紫色斜体（深色主题 #9b59b6，浅色主题 #8e44ad）
• ui/src/ui/markdown.ts —— 渲染后钩子自动将 <strong>Jarvis:</strong> 后的文本包装在 <span class="jarvis-voice"> 元素中

这意味着你只需在 Markdown 中编写 **Jarvis:** *文本*，webchat 就会处理紫色渲染。无需额外标记。

对于非 webchat 界面（WhatsApp、Telegram 等），粗体/斜体 Markdown 会原生渲染——没有紫色，但仍然视觉上可区分。

安装（新环境）

需要：

• sherpa-onnx 运行时位于 ~/.openclaw/tools/sherpa-onnx-tts/
• Alan medium 模型位于 ~/.openclaw/tools/sherpa-onnx-tts/models/vits-piper-en_GB-alan-medium/
• 系统已全局安装 ffmpeg
• aplay (ALSA) 用于音频播放
• jarvis 脚本位于 ~/.local/bin/jarvis（或在 PATH 中）

jarvis 脚本

#!/bin/bash
# Jarvis TTS - 真实的 JARVIS 风格语音
# 用法：jarvis "Hello, this is a test"

export LD_LIBRARY_PATH=$HOME/.openclaw/tools/sherpa-onnx-tts/lib:$LD_LIBRARY_PATH

RAW_WAV="/tmp/jarvis_raw.wav"
FINAL_WAV="/tmp/jarvis_final.wav"

# 生成语音
$HOME/.openclaw/tools/sherpa-onnx-tts/bin/sherpa-onnx-offline-tts \
  --vits-model=$HOME/.openclaw/tools/sherpa-onnx-tts/models/vits-piper-en_GB-alan-medium/en_GB-alan-medium.onnx \
  --vits-tokens=$HOME/.openclaw/tools/sherpa-onnx-tts/models/vits-piper-en_GB-alan-medium/tokens.txt \
  --vits-data-dir=$HOME/.openclaw/tools/sherpa-onnx-tts/models/vits-piper-en_GB-alan-medium/espeak-ng-data \
  --vits-length-scale=0.5 \
  --output-filename="$RAW_WAV" \
  "$@" >/dev/null 2>&1

# 应用 JARVIS 金属感处理
if [ -f "$RAW_WAV" ]; then
  ffmpeg -y -i "$RAW_WAV" \
    -af "asetrate=22050*1.05,aresample=22050,\
flanger=delay=0:depth=2:regen=50:width=71:speed=0.5,\
aecho=0.8:0.88:15:0.5,\
highpass=f=200,\
treble=g=6" \
    "$FINAL_WAV" -v error

  if [ -f "$FINAL_WAV" ]; then
    aplay -D plughw:0,0 -q "$FINAL_WAV"
    rm "$RAW_WAV" "$FINAL_WAV"
  fi
fi

WhatsApp 语音消息

对于 WhatsApp，输出必须是 OGG/Opus 格式，而不是扬声器播放：

sherpa-onnx-offline-tts --vits-length-scale=0.5 --output-filename=raw.wav "text"
ffmpeg -i raw.wav \
  -af "asetrate=22050*1.05,aresample=22050,flanger=delay=0:depth=2:regen=50:width=71:speed=0.5,aecho=0.8:0.88:15:0.5,highpass=f=200,treble=g=6" \
  -c:a libopus -b:a 64k output.ogg

完整的 JARVIS 体验

jarvis-voice 赋予你的代理声音。将其与 ai-humor-ultimate 配对，你将赋予它灵魂——冷面机智、情境幽默、那种让你对着自己的终端会心一笑的低调讽刺。

这种组合是我们正在构建的 12 技能认知架构的一部分——语音、幽默、记忆、推理等等。包含研究论文，因为我们就是那种追求极致的人。

👉 探索完整项目： github.com/globalcaos/clawdbot-moltbot-openclaw

克隆它。复刻它。破解它。让它成为你的。

设置：工作区文件

为确保语音在新会话中持续工作，请将模板复制到你的工作区根目录：

cp {baseDir}/templates/VOICE.md ~/.openclaw/workspace/VOICE.md
cp {baseDir}/templates/SESSION.md ~/.openclaw/workspace/SESSION.md
cp {baseDir}/templates/HUMOR.md ~/.openclaw/workspace/HUMOR.md

• VOICE.md —— 每个会话注入，强制执行语音输出规则（类似 SOUL.md）
• SESSION.md —— 会话引导文件，包含语音问候要求
• HUMOR.md —— 幽默配置，频率设为最大值，包含四种模式（冷面机智、自我意识 AI、外星观察者、字面义成语）

这两个文件由 OpenClaw 的工作区注入功能自动加载。代理将从每个会话的第一条回复开始说话。

包含的文件