本文件為英文原版的機器翻譯。若翻譯版本與英文原版之間存在任何歧義，概以英文原版為準。 閱讀英文原版

語音：說話與聆聽

想要 AI 大聲朗讀回應嗎？或者想口述訊息而不是打字？Caiioo 提供語音輸入和輸出功能 — 全部可配置，部分在您的裝置本機執行。

語音設定，包含輸入和輸出選項、自動朗讀切換和播放速度

語音輸出 (文字轉語音)

讓 AI 大聲朗讀其回覆。請從以下選項中選擇：

選項 類型 品質 設定
瀏覽器預設 本地 基本 免費，無需設定
Kokoro 類神經 TTS Local 高 免費，在您的裝置上運行
Google Gemini 雲端 自然 新增您的 API key
OpenAI (gpt-4o-mini-tts) 雲端 自然、可引導的語調 新增您的 OpenAI API key
ElevenLabs 雲端 高級 新增您的 API key
Cartesia (Sonic 3.5) 雲端 高級 新增您的 API key
Resemble.ai 雲端 極佳 (語音複製) 新增您的 API key

Kokoro 下載大小： Kokoro 模型提供兩種版本，下載哪一種取決於您的平台。macOS 和 iOS 會載入較小的 INT8 量化模型 (~88 MB)，而擴充功能/瀏覽器則使用較大的全精準度 WebGPU 建置 (~330 MB)。這是一次性下載。

平台注意事項：

  • iOS 原生 Kokoro (v0.9.720+)：透過 OnnxRuntime 在 iOS 主處理程序中運行，而非 WebView，修復了 iPhone 13/14 當機的問題。
  • macOS Kokoro： 透過桌面輔助處理程序逐句串流播放（在按下播放後約 1 秒內）。
  • Gemini TTS (v0.9.723+)：逐句播放，因此音訊會在第一句話之後開始播放，而不需要等待整個回覆合成完成。
  • OpenAI (v0.9.724+)：gpt-4o-mini-tts 具有可引導的語調 — 以自然語言要求口音、語調或速度（例如：「用溫暖的愛爾蘭口音朗讀這段話」），語音便會隨之調整。使用與 OpenAI LLM 提供者相同的 OpenAI API key。「設定 > AI 設定 > 語音」中的 語音風格指示 欄位會將您的風格指令套用到每一個語音回覆。
  • Cartesia (v0.9.723+)：只需一個 API key 即可同時驅動 Sonic 3.5 (輸出) 和 Ink (輸入)。沒有預設語音 — 請在啟用它之前前往「設定 > AI 設定 > 語音」選擇一個。
  • ElevenLabs： 每個 ElevenLabs 語音只要有內容可說就會立即開始說話 — 包含可在語音選擇器中選取的具表現力的 v3。預設語音模型為 Flash v2.5：ElevenLabs 評估其品質與先前的預設相當，且每個字元的成本減半。
  • ElevenLabs v3 互動 (v0.9.777+)：在語音模型列表中選擇 v3 互動模型，即可在 70 多種語言中獲得具表現力、低延遲的對話。ElevenLabs 目前按標準每個字元費率的一半計費，Caiioo 的成本估算也反映了這一點。

延遲： Gemini 和 OpenAI 在播放開始前會完整算繪整個回覆，因此較長的回覆可能會導致第一個音訊延遲幾秒鐘 — 當您選擇其中之一時，「設定 > AI 設定 > 語音」會顯示提示。若要獲得低延遲語音，請選擇 ElevenLabs、Cartesia 或 Resemble。

播放速度： 速度滑桿 (0.5×–2.0×) 由提供者套用於 ElevenLabs (限制在 0.7–1.2×) 和 Cartesia (限制在 0.6–1.5×)。瀏覽器語音和 Kokoro 會在本地加速。Gemini 和 OpenAI 沒有自己的速度控制，因此當選取它們時滑桿會隱藏；Resemble.ai 則在標準 (非串流) 播放上套用速度。有一個例外：ElevenLabs v3 模型 (v3 和 v3 互動) 無法自行變更速度，因此 Caiioo 會在播放期間套用您的速度，同時保持音調自然 — 代價是當滑桿離開正常位置時，它們會等待整個剪輯完成後才開始說話。在正常速度下，它們仍然會立即開始。

Caiioo 可以根據當下情境選擇合適的語音： 當大聲朗讀某個內容是任務的一部分時，AI 可以選擇適合內容的語音、說話速率和語音模型 — 睡前故事的語音與新聞摘要的語音不同 — 而不是始終使用您的全域語音設定。您自己的設定仍會是其他所有內容的預設值。

若要啟用：

  1. 前往「設定 > AI 設定 > 語音」
  2. 選擇文字轉語音選項
  3. 如果您希望 AI 自動朗讀，請切換「自動朗讀回覆」
  4. 依喜好調整播放速度

如果播放失敗： 語音錯誤現在會以快顯提示 (toast) 顯示，而不是無聲失敗 — 因此遺失或無效的 API key，或與所選模型不相容的語音 (常見於 Resemble.ai 和 Cartesia)，會精確告訴您需要修正什麼。

本地 vs 雲端： 瀏覽器語音和 Kokoro 絕不會將任何資料傳送出您的裝置。Gemini、OpenAI、ElevenLabs、Cartesia 和 Resemble.ai 會將文字傳送到其伺服器 (使用您的 API keys) 來產生音訊。詳情請參閱隱私權與資料。

語音成本 (TTS + STT) 會在對話中以 voice_cost 累計，與單次執行路徑相符。

語音輸入 (語音轉文字)

用聽寫代替打字。點擊編輯器中的麥克風圖示開始錄音。Caiioo 會轉錄您說的話並將其放入訊息欄位。

選擇轉錄方式：

選項 類型 隱私 設定
Whisper (瀏覽器) 本地 完全隱私 FREE，在您的裝置上執行
WhisperKit (iOS) 本地 完全隱私 FREE，裝置端執行
whisper.cpp & Moonshine (Android) 本地 完全隱私 FREE，裝置端執行
瀏覽器語音 本地 隱私 FREE，內建
ElevenLabs Scribe 雲端 精準 (適合非英語) 新增您的 ElevenLabs API 金鑰
Cartesia Ink 雲端 精準、低延遲 新增您的 Cartesia API 金鑰

本地選項（Whisper、WhisperKit、whisper.cpp、Moonshine、瀏覽器語音）將您的音訊保留在本地 — 不會發送到任何伺服器。ElevenLabs 和 Cartesia 會將音訊發送到其伺服器進行轉錄（使用您的 API 金鑰），並提供更高的精確度，特別是針對非英語語言。

使用方法：

  1. 點擊編輯器中的麥克風圖示
  2. 說出您的訊息
  3. 完成後停止
  4. 逐字稿會出現在訊息欄位中
  5. 根據需要編輯，然後發送

首次設定： 第一次使用裝置端語音模型時，需要下載並預熱。編輯器會顯示進度（「正在下載語音模型... N%」，然後是「正在準備/載入」），因此第一次點擊麥克風時出現短暫停頓是正常的，並非當機。

錄製音訊並附加它

除了聽寫之外，您還可以錄製語音片段並将其附加到訊息中：開啟輸入框的 + 功能表並選擇 錄製音訊。適用於 iPhone、iPad、macOS 和瀏覽器擴充功能。與會聆聽您錄音的應用程式（例如「for Languages」發音教練）自然搭配。

讓模型聆聽您的錄音

有兩個功能超越了單純的轉錄，能讓具備聽覺的模型直接處理實際音訊：

  • 將音訊納入模型考量（設定 > AI 設定 > Voice）：附加您的錄音，讓具備音訊處理能力的模型（例如 Gemini）能夠結合您的提示詞一起檢閱真實音訊——包含語調、發音、背景聲音，而不僅僅是文字。預設為關閉；否則不會發送任何內容。麥克風旁邊的波形按鈕可用於逐則訊息切換，但該按鈕只會出現在支援它的模式和應用程式中（例如「用於語言」），因此不會在日常任務的編寫介面中造成凌亂。
  • 聽覺（免費工具，預設開啟）：讓助理能夠透過針對性的後續問題回頭重新聆聽任何音訊附件——「哪些字發音不準？」、「語音語調為何？」——無論是在您附加音訊的那一回合還是任何後續回合。專屬的語音輔助模型負責聆聽，因此即使您的聊天模型無法聽見聲音，這項功能依然管用。

系統全域聽寫功能（桌面版）

可在電腦上的任何應用程式中使用聽寫功能 — 不僅限於 Caiioo：

Pro 訂閱者在 macOS、Windows 和 Linux 桌面應用程式中內建了系統全域聽寫功能 — 無需安裝輔助應用程式。只需在任何地方按住聽寫快速鍵、開口說話，您所說的內容就會直接輸入到當前取得焦點的應用程式中。

另請參閱

  • 隱私與資料 — 如何處理語音資料
  • 平台與設定 — 桌面應用程式可用性
  • 設定 > AI 設定 > Voice — 為您的設定配置語音選項

This guide is maintained by the Caiioo team using Slate, our built-in editor.