> ## Documentation Index > Fetch the complete documentation index at: https://docs.myrmagent.ai/llms.txt > Use this file to discover all available pages before exploring further. # 语音交互 > 用语音输入输出与 Agent 对话。 # 语音交互 在支持的渠道上使用语音与 Agent 交流。 ## 支持的引擎 ### 文字转语音（TTS） 5 种 TTS 引擎，用于 Agent 语音输出。 **两条 TTS 路径（职责分离）：** * **Settings > Voice** — 渠道回复、WebRTC、IM 语音气泡（5 家 provider + Edge 免费回退 + 流式 + 智能摘要） * **Agent 配置 TTS** — 对话中说「读出来」→ `tts_generate` 工具产出 **Audio 工件**（OpenAI/ElevenLabs + Gateway 计费） 双路径均已生产验证：632+ 渠道语音测试 + harness `llms/tts` 23 项单测（98% 覆盖）。 ### 语音转文字（STT） 5 种 STT 引擎：本地 Whisper（免费、隐私优先）、OpenAI Whisper、Groq、Deepgram 和 xAI Grok STT。支持通过 Base URL 设置接入任意 OpenAI 兼容 STT 端点。 ### 视频音频转录 视频消息（包括 Telegram 圆形视频消息）会自动通过 STT 管道转录。Agent 无需额外配置即可理解视频中的语音内容。 ### 音频文件上传 在 WebUI 对话框中直接上传音频文件，支持 **8 种格式**：mp3、wav、ogg、flac、m4a、aac、wma、opus。 支持三种上传方式： * **点击附件按钮**选择文件 * **拖拽**音频文件到对话区域 * **粘贴**（部分格式） 音频文件大小限制为 **25MB**。上传后系统自动通过 STT 管道转录为文本，作为上下文交给 Agent 处理。 Tauri 桌面客户端同样支持音频上传，原生文件对话框覆盖 30+ 种文件格式。 ## 语音模式 Myrm Agent 支持 **4 种语音交互模式**，在设置 > 语音中可选： | 模式 | 延迟 | 工具调用 | 说明 | | --------------- | ------- | ------------------- | ----------------------------------------- | | Audio Only | \~1-2s | 通过 Agent Bridge | 标准 STT → Agent → TTS 管道 | | Agent Bridge | \~1-2s | 全量 Agent 工具 | 服务端 Agent 全能力闭环对话 | | OpenAI Realtime | \~200ms | 原生 Function Calling | WebRTC 直连 OpenAI，从 Agent Profile 动态注入工具声明 | | Gemini Live | \~200ms | 原生 Function Calling | WebSocket 连 Google Gemini，支持视频多模态 + 工具声明 | ### 原生 Function Calling（Realtime 与 Gemini Live） 在 Realtime 和 Gemini Live 模式下，工具声明从所选智能体的 Profile 中动态注入。AI 可在语音对话过程中直接调用工具（网络搜索、记忆、文件操作、代码执行、浏览器、看板、后台任务）——无需服务端 Agent 中转，延迟更低。 ## 设置 1. 进入 **设置 > 语音** 2. 选择偏好的 TTS 与 STT 引擎 3. 配置语言与音色偏好 4. 如需自定义 STT 端点，设置 Base URL 字段（OpenAI 和 xAI 提供商可用） 5. 使用 Realtime 模式需在 设置 > 模型供应商 中配置 OpenAI API Key 6. 使用 Gemini Live 模式需在 设置 > 模型供应商 中配置 Google API Key ## 安全 所有语音数据端到端加密（E2EE）处理。除非显式配置，否则不存储音频。