语音能力总览
听得懂、说得出、有人形——通千算智的语音链路与配置全景
通千算智的语音能力分三层，可以只用其中一层，也可以全开：
| 能力 | 说明 | 关键配置 |
|---|---|---|
| 听（语音输入 ASR） | 说话代替打字，控制台麦克风按钮 / 语音消息 | speech_recognition、voice_to_text |
| 说（语音合成 TTS） | 把回复读出来，可挑音色、可克隆 | text_to_voice、tts_voice_id、voice_reply_voice |
| 形（数字人形象） | 网页端形象跟着语音开口（平台扩展能力） | 由平台侧配置 |
三步开起来
配置里把 speech_recognition 设为 true，并选定识别引擎（voice_to_text）。
设置 text_to_voice 与 tts_voice_id；想让"收到语音就回语音"，把 voice_reply_voice 设为 true。
浏览器只在安全上下文（HTTPS 或 localhost）下允许麦克风。用 IP+HTTP 访问时，
麦克风按钮点了没反应通常就是这个原因。
支持的引擎
语音识别（voice_to_text）：openai、ali（阿里云）、baidu、azure、google、xunfei、linkai
语音合成（text_to_voice）：openai、ali（阿里云）、baidu、azure、google、xunfei、
elevenlabs、minimax、tencent、zhipuai、edge（免费、无需 Key）、pytts（纯离线）、custom（自建）
🔍
语音输入（ASR）
麦克风按钮、语音消息、引擎选型与常见故障
🧠
语音合成（TTS）
引擎、音色、什么时候回复语音、情绪与语速
🔑
音色克隆
用一段录音生成专属音色
👁️
数字人形象
让形象跟着语音开口（零 GPU 方案）
成本提示：edge 引擎完全免费但音色固定；商用音色建议用云端引擎（按时长计费）。
如果只是"偶尔听一下"，先开 ASR、TTS 用 edge 试水，成本几乎为零。