为AI代理提供本地语音交互能力，支持Whisper语音识别与AWS Polly语音合成，需自建后端服务。
说明：
## 核心用法
Voice Agent 是一款客户端语音交互技能，为AI代理添加”说”与”听”的能力。它通过本地运行的后端API（端口8000）实现两大核心功能：
1. **语音转文字（STT）**：调用本地Whisper模型将用户音频转录为文本
2. **文字转语音（TTS）**：使用AWS Polly将AI回复合成为自然语音
**典型工作流**：用户发送音频 → `transcribe`转录 → AI生成回复 → `synthesize`合成音频 → 直接发送音频文件（无文字说明）。
## 显著优点
– **隐私友好**：Whisper在本地运行，语音数据不上传云端转录
– **音质优秀**：AWS Polly提供高质量神经网络语音，支持多语言
– **架构清晰**：客户端设计，不侵入容器或服务管理层
– **成本可控**：AWS Polly按用量计费，本地Whisper零API成本
## 潜在局限
– **依赖复杂**：必须自建并维护后端服务（Python环境+Whisper+AWS凭证）
– **网络依赖**：需保持localhost:8000服务存活，无自动容错机制
– **AWS门槛**：需要AWS账号及IAM凭证配置，存在云端成本
– **无服务自愈**：后端故障时仅能提示用户手动修复
## 适合人群
– 注重语音隐私、愿意自建基础设施的技术用户
– 已有AWS账户、需要高质量TTS的开发者
– 追求”纯语音交互”体验（音频优先模式）的场景
## 常规风险
– **服务可用性**：后端未启动时技能完全失效
– **AWS凭证泄露**：需妥善保管`~/.aws/credentials`
– **成本不可控**：高频使用Polly可能产生意外账单
– **本地资源占用**：Whisper模型加载消耗GPU/内存资源
会员专属
