语音输入与输出
Ghast 双向支持语音——听（Whisper STT）和说（Kokoro 或 Qwen TTS）——且都跑在本地。转录与合成都不会让音频离开机器。
语音转文字（Whisper）
Whisper 是本地转录引擎。在进程内运行（通过 @fugood/whisper.node），可走 CPU 或 Metal（Apple Silicon），16 kHz 采样并自动重采样。
何处使用
- Composer 麦克风——点输入框上的麦克图标开始口述；转录流式填入输入框。
- 入站语音消息——Telegram / Discord / 微信 的语音剪辑在 Agent 看到之前先转录。
- Voice 技能——对话里显式触发录音 / 转录。
设置
Settings → Whisper：
- Backend——CPU 或 Metal（仅 Apple Silicon）。
- 模型变体——在大小/质量之间选择。
- 语言——自动检测或固定到特定语言（Whisper 支持很多种）。
第一次使用语音输入时，Ghast 请求麦克风权限并按需下载所选模型。
文字转语音（TTS）
两种本地引擎，在 Settings → TTS 选择。
| 引擎 | 优势 | 可用性 |
|---|---|---|
| Kokoro | 82M 模型，处处可跑，多语言支持 | 全部 Mac |
| Qwen TTS (MLX) | 质感更好，尤其是中文 | 仅 Apple Silicon |
何处听到
- 远程频道的语音回复——用户发的是语音时，Agent 的回复可合成为语音回发。
- Voice 技能——对话里显式播放。
- 可选朗读模式——免手工流。
选音色
每个引擎自带多个 voice。Settings → TTS 里的 picker 展示可选项；选择按引擎独立。换音色立刻对下一句生效。
带宽与体积
- Whisper 模型文件视变体在 ~50–500 MB；一次下载。
- TTS 模型文件类似规模。
- 推理在设备上完成。无按秒成本、无网络往返。
隐私
- 麦克风采集的音频在进程内转录后丢弃。无音频日志。
- 消息桥接的入站语音剪辑转录后只以文本形式存入对话历史（除非桥接本身保留了原消息 URL）。
- TTS 输出在内存中渲染，要么直接播放，要么发往远程频道；不持久化音频文件，除非你主动要求。
失败模式
| 症状 | 可能原因 | 处理 |
|---|---|---|
| 麦克风输入失败 | 未授权 | 系统设置 → 隐私与安全 → 麦克风 |
| 转录质量差 | 固定了错的语言、模型变体偏小 | Settings → Whisper → 换更大模型或自动检测语言 |
| Intel 上 TTS 音色不对 | 选了 Qwen 但不可用 | Settings → TTS → 切回 Kokoro |
| Telegram 里没有语音 | Telegram 桥接没开语音 IO | Settings → Channels → Telegram，启用语音 |