語音：TTS 與 STT

TomoriBot 可以說話（文字轉語音），也可以聆聽（語音轉文字）：

TTS 讓她能用 Discord 原生語音訊息回覆。
STT 把使用者的音訊附件轉成文字，讓她能當作對話脈絡使用。

兩者都透過同一套端點系統運作。最快的方式是 ElevenLabs（雲端，下方有完整說明）。如果你比較想用自己的硬體跑語音，請使用本機引擎，並跟著自架指南操作。

文字轉語音

ElevenLabs（雲端，最簡單）

從 ElevenLabs 取得 API 金鑰。
執行 /providers，選擇 + 新增供應商，選 ElevenLabs，然後貼上金鑰。這個流程會：
- 註冊 ElevenLabs 的語音端點（也會註冊轉錄端點），
- 把它們選為使用中，
- 可以當場為某一個人格指派語音。
在 /config 的人格 > 語音底下為更多人格指派語音。在 ElevenLabs 語音庫瀏覽語音，在那裡你也可以複製自己的聲音。

在 /providers 中選擇 ElevenLabs，之後需要更新金鑰時隨時選擇 編輯端點。

注意事項：

免費方案只能使用預製語音。請瀏覽預製語音清單。
她生成與朗讀語音訊息時都會計算字元數；免費方案有每月上限，請查看你的 ElevenLabs 儀表板。
語音回覆由 voice_message_enabled 管制，而且需要生效中的人格已指派語音。
/config 的人格 > 語音在伺服器中需要管理伺服器權限，而在以私訊為基礎的工作區中，擁有者仍然可以使用。

在 /help 中選擇功能，然後選 語音生成，就能在 Discord 裡看到同樣的逐步說明。

本機語音複製引擎（自架）

在自架執行個體上，你可以改跑本機的語音複製伺服器。大致流程是：啟動包裝伺服器、用 /providers 註冊它的連線與模型、用 /providers 選取它、在 /config 的模型 > TTS 參數與語音底下用 /config 上傳樣本，然後在 /config 的人格 > 語音底下指派它。任何音訊格式都接受（會自動轉成單聲道 WAV）；10 到 20 秒、沒有背景音樂的片段效果最好。

各引擎有自己的設定指南：

Chatterbox-Turbo/Nano：快速、僅支援英文的語音複製，支援 [laugh] 這類事件標籤。
Qwen3-TTS：多語言（10 種語言），另有自然語言的 VoiceDesign 模式。
MOSS-TTS：供多語言複製或英文與中文語音設計試用的自動端點。
IrodoriTTS：日文專精，會把表情符號讀成情緒提示。

完整清單與硬體建議請看文字轉語音比較表。

語音轉文字

轉錄端點會把使用者的音訊附件轉成文字，作為背景對話脈絡。逐字稿是否明確發布在聊天中，則由 /config > 行為 > 通知行為另外控制。

ElevenLabs（雲端）

上面已經涵蓋：從 /providers 新增 ElevenLabs 時，會連同語音一起註冊轉錄端點。用 /providers 在轉錄端點之間挑選。

本機引擎（自架）

WhisperX：推薦的本機路線；約 100 種語言、GPU 加速、多種模型大小。
KoboldCPP：如果你的版本提供與 OpenAI 相容的轉錄端點就能使用。
whisper.cpp。

完整清單請看語音轉文字中樞。Discord 裡的摘要請執行 /help，然後選擇功能與轉錄。