语音输入与语音回复

Ghast 提供两项独立的语音功能：

• 语音输入使用本地语音识别，将麦克风录音转换成可编辑的 Chat 草稿。
• 语音回复使用 Microsoft Edge 在线音色，为受支持的消息渠道生成朗读回复。

这两项设置都不会启动实时通话，也不会让桌面 Chat 自动朗读每条回复。

保存设置还是试用音色

打开 设置 → 语音。四项配置共用设置草稿：

• 语音输入控制桌面口述，以及遵循此设置的 Telegram 本地识别路径。它不会开始录音、撤销操作系统权限、让播放器静音，也不是关闭所有渠道音频处理的总开关。
• 语言选择本地识别语言，与应用界面语言、输出音色不同。
• 音色选择在线朗读声音，不改变识别方式，也不会自动生成新的试听样例。
• 语音回复选择受支持渠道何时尝试生成语音，不是桌面自动朗读或实时通话开关。

修改任一项后，点击 保存，等 未保存的修改 消失，再重新打开语音页核对值。切换设置页不会保存；保存会应用整个设置草稿，不只语音页。更改共用回复模式前，先等重要渠道任务结束：自动语音判断会在处理回复时读取已保存设置，因此修改也可能影响已经开始的任务最终如何回复。

如果只想试用而不应用配置，修改后按需点击 试听，再使用底部 关闭 或 返回应用。在放弃修改确认框中，Cancel（取消） 保留草稿，确认则丢弃。重新打开语音页检查是否回到原值。

试听不同： 它立即把固定示例句和当前草稿音色交给在线语音服务，不需要先保存。音色列表错误旁的 重试 也立即执行，只重新加载列表，不保存配置。放弃设置不能撤回已经发去合成的示例文字。

打开语音页本身就会加载在线音色列表，并可能准备所需运行环境依赖，但不会开启麦克风。在线列表／试听是否可用，与本地识别模型是否准备好，是两项独立检查。

设置语音输入

1. 打开设置 → 语音。
2. 在语音转文字中开启语音输入。
3. 将语言保留为自动检测，或选择你实际使用的语言。
4. 点击 保存，等待未保存提示消失；返回 Chat 时不要放弃刚才需要应用的修改。
5. 首次使用时保持 Ghast 联网，以便准备语音运行环境并下载识别模型。
6. 选择返回应用，打开 Chat（聊天）。

在线音色列表加载完成后的真实客户端。输入、识别语言、输出音色和回复模式是独立保存的偏好；看到此页不代表麦克风识别或渠道送达已经成功。

Ghast 自动管理多语言 faster-whisper base 模型。你不需要在聊天模型选择器中启用它，也不能在此页更换识别模型大小，无需填写语音识别 API Key。运行环境和模型准备完成后，本地识别可以离线工作；把草稿发送给在线模型仍需要网络。

语言选项决定要识别的语言，不决定助手必须用什么语言回答。下方的音色选择朗读声音；两者互不等同。

可选识别语言与模型准备

当前 语言 菜单包含 自动检测，以及英语、中文、日语、韩语、德语、法语、西班牙语、葡萄牙语、俄语、意大利语、荷兰语、波兰语、土耳其语、阿拉伯语、印地语、越南语和泰语。菜单按各语言自身文字显示名称。短句或混合语言自动检测不准时，可以明确选择，再保存并开始下一次录音。

此页没有模型大小选择器、手动下载／删除模型按钮、输入设备选择器、灵敏度滑块或自定义发音词典。麦克风通过操作系统选择。托管的 base 模型在首次请求本地识别时准备；在线试听成功不表示它已下载。

关闭语音输入并保存，不会卸载识别模型或删除已有转写文字。不要把这个开关当成正在进行的录音或模型任务的停止按钮：录音应在 Chat 输入框停止，运行中的任务也在那里管理。

口述并检查 Chat 消息

1. 打开目标 Chat 会话，核对模型、已选附件和 Tools。
2. 点击消息控件旁的麦克风按钮：语音输入。
3. 如果操作系统请求麦克风权限，仅在准备录音时允许。拒绝或受限的权限可能让 Ghast 打开系统麦克风设置。
4. 首次使用时等待正在准备语音输入结束。看到录音开始和声波指示后再讲话。
5. 说一条短句，再次点击麦克风按钮以停止语音输入。
6. 等待正在处理语音输入结束。识别文字会追加到已有草稿末尾，以一个空格分隔。
7. 检查姓名、数字、标点和命令。若不想使用，删除新增文字即可。
8. 只有在完整草稿准备好后，才点击发送。

停止录音不会自动发送消息。桌面输入功能提供的是文字，不是音频附件。通过其他功能发送音频文件，不一定经过同样的本地识别过程。

目前录音按钮出现在 Chat，不在 Coding 或 Team 输入框中。Chat 正在生成回复时不可使用。关闭语音输入后，点击麦克风会打开语音设置，而不是开始录音。

麦克风隐私

尽量在安静环境录音，避免录下未同意被录音的人。本地识别不代表模型 Provider 无法看到后续对话：提交草稿时会发送转写文字。诊断日志也可能包含识别内容，分享前应检查。

选择音色并试听

1. 打开设置 → 语音 → 文字转语音。
2. 等待音色列表加载完成。准备中或加载失败时，选择器不可用。
3. 根据显示的名称及语言／地区选择音色。
4. 点击试听。准备样例时，按钮显示正在生成…。
5. 返回的样例会自动开始播放。使用播放器的播放／暂停、音量、静音和进度控件重新收听或停止播放。
6. 如果声音不合适，更换音色后再次点击 试听。只修改选择器，播放器仍保留上一次样例。
7. 满意后点击 保存，后续读取已保存偏好的语音请求才会使用此音色；试听成功不会替你保存。

试听使用当前界面语言对应的固定示例句，不会读取当前对话，也不能在此设置页输入自定义朗读文字。更换音色不会翻译示例句。没有保存兼容音色时，默认使用 zh-CN-XiaoxiaoNeural。

语音回复关闭且修改尚未保存时，仍能生成试听播放器；截图后的草稿已丢弃。这是试听界面证据，不是麦克风识别、实际听感或消息渠道送达验收。

在线音色需要网络。Ghast 不要求单独注册 Edge 账户或填写 API Key，但会把待朗读文字发送给 Microsoft。即使“语音回复”设为“关闭”，主动点击试听仍会请求在线语音：关闭控制的是渠道自动回复，不是你主动发起的试听。

加载、重试与播放器控件

• 正在准备语音服务并获取 Edge 音色…： 等待列表请求。选择器不可用，但可能仍显示已存或回退音色 ID。重新打开此页可能再次获取列表；它不是永久离线目录。
• 列表错误与重试： 恢复网络后点击一次 重试，重新请求列表；不会选择新音色、保存设置或自动重做失败的试听。不要仅因列表失败就修改账户凭据。
• 正在生成…： 试听请求正在执行，按钮暂时不可用。即使输入开关或自动回复模式关闭，也可以主动试听；此页没有单独的取消生成按钮。
• 出现播放器： 样例已返回页面。播放器音量与静音只影响该样例的收听，不会改变未来渠道语音或已保存的回复模式。实际依赖试听前，还应确认输出设备和听到的声音。
• 已换音色但旧播放器还在： 再次点击 试听 才为新选择生成样例。旧播放器存在，不能证明新音色已经测试过。
• 试听错误： 它与列表加载错误单独显示。再次试听会清除／替换旧样例，所以不要期待重试失败后仍保留上一次成功播放器。

长回复的朗读内容可能被缩短：单次语音请求使用最多约 4,000 个字符。完整步骤、链接、代码和准确数字，应以文字回复为准。

设置渠道何时用语音回复

在设置 → 语音中选择语音回复，再点击 保存。这是遵循该设置的渠道共用的选项，不是单个会话的开关：

选项	适用情况	遵循此设置的渠道行为
关闭	希望自动回复使用文字	不自动生成语音；微信例外见下文
仅回复语音消息	只希望用语音回复语音	入站消息被识别为语音时生成语音；这是默认值
始终使用语音	偏好语音回复	对符合条件的回复尝试生成语音，包括回复文字消息
由 Ghast 判断	希望混合使用语音与文字	对语音消息使用语音；对于文字输入，可能让后台模型判断回复形式

“始终使用语音”不是送达保证。空回复、Telegram 中过短或只有表情的回复、语音服务不可用，以及 Tool 已发送过语音等情况，都可能使额外的自动语音回复不再发生。

由 Ghast 判断可能为文字输入额外请求后台模型。请求可能包含回复片段、近期会话片段，以及群聊中的发言者名称。它可能使用与当前对话不同的模型，并产生该 Provider 的模型用量。无法完成判断时，文字输入通常仍用文字回复。后台模型配置见模型与后台任务。

这些选项不改变渠道白名单、群聊提及规则、工作区、模型或 Tool 权限，也不阻止 Tool 或明确的操作请求发送音频文件。

核对渠道差异

渠道	预期行为
Telegram	根据语音回复模式自动生成语音；符合条件的语音回复会同时发送文字。入站语音使用本地语音服务识别，要求开启语音输入并保存。
Discord	可以按语音回复模式尝试附加语音。先用“始终使用语音”配合简短文字消息测试输出。入站音频使用独立识别方式，限制见下文；这不是加入 Discord 语音频道通话。
微信（Weixin）	使用独立的语音消息处理方式。不要在阅读下方例外前依赖“关闭”或“仅本地识别”的假设。
Slack、飞书（Feishu）	更改此设置不会为这些渠道开启自动语音回复。

Discord：入站音频使用独立转写

Discord 语音消息和音频附件不使用上文的桌面识别配置。此页的语音输入和语言不控制其转写。

• 如果已有一个启用的 OpenAI Provider 配置了 API Key，Ghast 会先把音频发送到 OpenAI 在线 whisper-1 转写服务。即使你以为会在本地识别，录音仍会发送给 OpenAI。
• 如果没有此类 Key，或在线尝试失败、没有返回文字，Ghast 会尝试单独安装的 whisper 命令及 turbo 模型。Ghast 必须能够找到该命令；开启桌面语音输入不会安装它，也不会准备这个模型。
• 两条路径当前都指定中文识别。在语音设置中选择其他语言不会改变这一点。
• 成功得到转写文字后，入站消息才会在应用“仅回复语音消息”模式时被视为语音。

如果这些前提不适合你的使用场景，请使用文字输入。不要假定桌面本地识别设置同样适用于 Discord，从而发送机密音频。此设置页不提供独立的 Discord 识别器配置。

微信：“关闭”不能停用全部语音

微信在语音消息中提供转写文字时，Ghast 会将这些文字作为普通文本处理，不使用桌面麦克风识别流程，也不会把这条仅有文本的消息视为自动语音回复所需的语音输入。

微信提供原始语音、没有转写文字时，Ghast 会下载音频，并作为音频附件发送给所选模型。此时：

• 模型 Provider 会收到原始音频；
• 如果回复包含文字、没有使用 Tools，也没有已经提供的音频文件，Ghast 可以生成语音回复；
• 这次语音生成不检查“语音回复”模式，所以 “关闭”不能阻止回复文字发送给 Microsoft；
• 改为“始终使用语音”或“由 Ghast 判断”，也不会让微信普通文字消息自动获得语音回复。

如果这些内容不能发送到在线语音服务，就不要通过这条语音消息流程发送。测试时使用不含敏感信息的文字。关闭桌面语音输入，并不是阻止所有渠道处理音频的全局开关。

测试已连接渠道

1. 按消息渠道完成连接与设置，确认目标账户或群，以及谁可以触发 Ghast。
2. 选择音色并完成一次不含敏感信息的试听，再保存所需音色和回复模式。
3. 按渠道选择测试方式：
   • Telegram： 在私密测试会话中先发一条简短文字请求，再发一条简短语音消息。
   • Discord：选择较少任务运行的测试时段，设为始终使用语音并保存，再发送简短文字消息。这样可先验证语音输出，不依赖独立的入站识别器。注意，共用模式的变化也可能影响其他已连接渠道。
   • 微信： 先阅读音频共享例外；仅使用你愿意通过该流程发送的内容测试文字与语音。
   • Slack 或飞书： 使用文字输入；此设置不会增加自动语音。
4. 检查平台实际收到的文字／音频，不要只看 Ghast 的发送指示。
5. 对照所选模式和上方渠道表。测试结束后恢复你需要的模式并保存。
6. 语音回复失败时，分别检查渠道的连接／发送错误和语音服务错误。

首次检查不要使用真实客户消息、私人群聊或机密录音。试听成功不代表入站识别成功，也不代表能通过消息平台送达。

了解语音数据去向

操作	数据去向
口述桌面 Chat 草稿	麦克风音频由本地识别处理；文字加入草稿
发送该草稿	转写文字进入会话及其所选模型请求
Telegram 入站语音	音频经过 Telegram，下载到本地识别；转写文字进入会话
已配置启用的 OpenAI Key 时接收 Discord 音频	从 Discord 下载音频并发送给 OpenAI 转写；失败或没有文字时可能转用独立的本地 whisper 命令
没有该 Key 时接收 Discord 音频	从 Discord 下载音频并交给独立的本地 whisper 命令；得到的转写文字可能进入会话
带平台转写文字的微信语音	平台提供的文字进入模型请求
不带转写文字的微信语音	所选模型 Provider 收到音频附件
试听或自动在线朗读	Microsoft 收到待朗读文字
为文字消息选择“由 Ghast 判断”	后台模型可能收到回复和近期上下文片段
发送渠道回复	消息平台接收文字和／或音频

排查语音问题

现象	操作
没有麦克风按钮	打开 Chat；Coding 和 Team 目前不显示此录音控件。等待正在运行的 Chat 回复结束，或停止它。
点击麦克风后进入设置	开启语音输入并保存，再返回 Chat。
麦克风访问被拒绝	检查操作系统给 Ghast 的麦克风权限以及选用的输入设备，再回到 Chat 重试。
首次使用一直准备中	保持网络可用，等待依赖和 base 模型下载；如果出现错误，先处理错误再重试。
缺少随应用提供的运行环境	如果错误明确提示内置运行环境缺失，重新安装正确的 Ghast 版本；不要修改账户数据来修复语音。
没有文字，或提示没有录到音频	检查输入设备和麦克风电平；录音指示出现后，清晰地说一条短句。
识别不准确	明确选择语言、减少背景噪声，并在发送前修改草稿。
音色列表一直准备中或加载失败	检查网络和已配置的代理。出现 Retry（重试） 时，恢复连接后点击；否则重新打开语音设置。
试听失败或无法播放	检查错误提示、网络、音频输出设备、播放器音量和静音状态。重试试听；音色列表可用时可更换音色。
试听成功，渠道仍使用旧音色或模式	保存所需值并重新打开语音页核对。检查渠道差异：试听使用草稿，自动语音读取已保存设置。
切换音色后播放器声音不变	播放器保留上次生成的样例。再次点击试听；选择器不会自动重新生成。
已放弃试用，渠道似乎仍发生变化	重新打开核对已保存值。主动试听立即执行，但被丢弃的语音配置应回到原值；检查是否在同一共享草稿中保存过其他设置。
Discord 无法识别语音消息	未满足独立转写的前提时，请使用文字。它当前的中文识别设置独立于“语音 → 语言”。
长语音提前结束	阅读文字版本；需要时要求更短的语音摘要。
渠道只回复文字	核对模式、入站消息类型、渠道支持、连接和语音错误；文字回复可能正是该模式的预期行为。
微信在“关闭”时仍回复语音	阅读微信例外；关闭不是通用的语音或数据共享开关。

请求帮助时，提供 Ghast 版本、操作系统、音色、回复模式和可见错误。分享截图或日志前，移除私人路径、转写文字、账户标识和凭据。