语音：TTS 与 STT

TomoriBot 能说（文本转语音）也能听（语音转文字）：

TTS 让她能用 Discord 原生语音消息回复。
STT 把用户的音频附件转成文字，供她当作对话上下文使用。

两者都走同一套端点系统。最快的路是 ElevenLabs（云端，下面有完整说明）。如果你更想在自己的硬件上跑语音，就用本地引擎，按自部署指南操作。

文本转语音

ElevenLabs（云端，最省事）

从 ElevenLabs 获取 API 密钥。
运行 /providers，选择 Add New Provider，选 ElevenLabs，粘贴密钥。这个流程会：
- 登记 ElevenLabs 的语音端点（同时还有转写端点），
- 把它们选为当前生效，
- 还可以当场给一个人格指定语音。
在 /config 的人格 > 语音里给更多人格指定语音。在 ElevenLabs 语音库浏览语音，那里也可以克隆你自己的声音。

在 /providers 里选中 ElevenLabs，然后随时选 Edit Endpoint 更新密钥。

注意事项：

在免费档位下只有预置语音能用。浏览预置语音列表。
她生成和朗读语音消息时按字符计费；免费档位有每月上限，请查看你的 ElevenLabs 后台。
语音回复由 voice_message_enabled 控制，并要求当前生效的人格已经指定了语音。
在服务器里，/config 的人格 > 语音需要管理服务器权限；在以私信为依托的工作区里，所有者仍可使用。

在 /help 里选择功能，再选 语音生成，可以看到 Discord 里的同一份讲解。

本地语音克隆引擎（自部署）

在自部署实例上，你可以改为跑一个本地语音克隆服务器。大致流程是：启动包装服务器，用 /providers 登记它的连接和模型，用 /providers 选中它，在 /config 的模型 > TTS 参数与语音里上传样本，然后在 /config 的人格 > 语音里指定它。任何音频格式都接受（会自动转成单声道 WAV）；10 到 20 秒、没有背景音乐的片段效果最好。

每个引擎都有自己的设置指南：

Chatterbox-Turbo/Nano：快速、仅英语的语音克隆，支持 [laugh] 之类的情绪事件标签。
Qwen3-TTS：多语言（10 种语言），另有自然语言的 VoiceDesign 模式。
MOSS-TTS：试用性质的自动端点，用于多语言克隆或英语与中文的语音设计。
IrodoriTTS：专精日语，会把 emoji 读成情绪提示。

完整清单与硬件建议见文本转语音对照表。

语音转文字

转写端点把用户的音频附件转成文字，作为后台的对话上下文。转写内容是否公开发到聊天里由 /config > 行为 > 通知单独控制。

ElevenLabs（云端）

上面已经讲过：从 /providers 添加 ElevenLabs 会连语音端点一起登记好转写端点。用 /providers 在多个转写端点之间挑选。

本地引擎（自部署）

WhisperX：推荐的本地方案；约 100 种语言、GPU 加速、多种模型尺寸。
KoboldCPP：如果你的构建暴露了 OpenAI 兼容的转写端点就能用。
whisper.cpp。

完整清单见语音转文字汇总页。想看 Discord 里的说明，运行 /help，然后选择功能和 Transcription。