本文档由英文原版机器翻译而成。如果翻译版本与英文原版之间存在任何冲突，请以英文原版为准。 阅读英文原版
语音：说与听
想让 AI 大声朗读响应吗？或者想口述消息而不是打字？Caiioo 提供语音输入和输出功能 —— 全部可配置，部分在您的设备本地运行。
语音输出 (Text-to-Speech)
让 AI 大声朗读其回复。可选方案包括：
| 选项 | 类型 | 质量 | 设置 |
|---|---|---|---|
| Browser Default | 本地 | 基础 | 免费，无需设置 |
| Kokoro Neural TTS | 本地 | 高 | 免费，在您的设备上运行 |
| Google Gemini | 云端 | 自然 | 添加您的 API key |
| OpenAI (gpt-4o-mini-tts) | 云端 | 自然，可引导语调 | 添加您的 OpenAI API key |
| ElevenLabs | 云端 | 高级 | 添加 your API key |
| Cartesia (Sonic 3.5) | 云端 | 高级 | 添加您的 API key |
| Resemble.ai | 云端 | 极佳（语音克隆） | 添加您的 API key |
Kokoro 下载大小： Kokoro 模型提供两种变体，具体下载哪种取决于您的平台。macOS 和 iOS 加载较小的 INT8 量化模型（约 88 MB），而扩展程序/浏览器则使用较大的全精度 WebGPU 构建版本（约 330 MB）。这是一个一次性下载。
平台说明：
- iOS 原生 Kokoro (v0.9.720+)：通过 OnnxRuntime 在 iOS 主机进程中运行，而不是 WebView，从而修复了 iPhone 13/14 崩溃的问题。
- macOS Kokoro：通过桌面助手进程逐句流式传输（在按下播放后约 1 秒内）。
- Gemini TTS (v0.9.723+)：逐句播放，因此音频在第一句生成后即可开始播放，而无需等待整个回复合成完毕。
- OpenAI (v0.9.724+)：带可引导语调的 gpt-4o-mini-tts — 用自然语言请求口音、语调或语速（例如：“用温暖的爱尔兰口音朗读这段话”），语音便会遵照执行。使用与 OpenAI LLM 提供商相同的 OpenAI API key。Settings > Voice 中的 Voice style instructions 字段可将您的风格指令应用到每一次语音回复中。
- Cartesia (v0.9.723+)：一个 API key 同时支持 Sonic 3.5（输出）和 Ink（输入）。没有默认语音 — 在启用它之前，请先在 Settings > Voice 中选择一个。
延迟： Gemini 和 OpenAI 在播放开始前会渲染完整的回复，因此对于较长的回复，第一段音频可能会延迟几秒钟 — 当您选择其中之一时，Settings > Voice 会显示一条提示。对于低延迟语音，请选择 ElevenLabs、Cartesia 或 Resemble。
播放速度： 速度滑块（0.5×–2.0×）由提供商针对 ElevenLabs（限制在 0.7–1.2×）和 Cartesia（限制在 0.6–1.5×）进行应用。浏览器语音和 Kokoro 在本地加速。Gemini 和 OpenAI 没有自带的速度控制，因此选中它们时滑块会隐藏；Resemble.ai 在标准（非流式）播放时应用速度。
启用方法：
- 转到 Settings > Voice
- 选择一个文本转语音选项
- 如果您希望 AI 自动朗读，请开启“Auto-read responses”
- 根据需要调整播放速度
如果播放失败： 语音错误现在会以浮动提示（toast）的形式显示，而不再是静默失败 — 因此缺少或无效的 API key，或者与所选模型不兼容的语音（在 Resemble.ai 和 Cartesia 中很常见），会准确告诉您需要修复什么。
本地与云端： 浏览器语音和 Kokoro 绝不会将任何内容发送出您的设备。Gemini、OpenAI、ElevenLabs、Cartesia 和 Resemble.ai 会将文本发送到其服务器（使用您的 API key）以生成音频。有关详情，请参阅 Privacy & Data。
语音费用（TTS + STT）会作为 voice_cost 计入对话中，与单次调用路径相匹配。
语音输入 (语音转文字)
通过口述代替打字。点击输入框中的麦克风图标开始录音。Caiioo 会转录您说的话并将其放入消息字段中。
选择转录方式：
| 选项 | 类型 | 隐私 | 设置 |
|---|---|---|---|
| Whisper (浏览器) | 本地 | 完全私密 | FREE，在您的设备上运行 |
| WhisperKit (iOS) | 本地 | 完全私密 | FREE，设备端运行 |
| whisper.cpp & Moonshine (Android) | 本地 | 完全私密 | FREE，设备端运行 |
| 浏览器语音 | 本地 | 私密 | FREE，内置 |
| ElevenLabs Scribe | 云端 | 准确（适合非英语） | 添加您的 ElevenLabs API 密钥 |
| Cartesia Ink | 云端 | 准确、低延迟 | 添加您的 Cartesia API 密钥 |
本地选项（Whisper, WhisperKit, whisper.cpp, Moonshine, 浏览器语音）将音频保留在本地 —— 不会发送到任何服务器。ElevenLabs 和 Cartesia 会将音频发送到其服务器进行转录（使用您的 API 密钥），并提供更高的准确度，尤其是对于非英语语言。
使用方法：
- 点击输入框中的麦克风图标
- 说出您的消息
- 完成后停止
- 转录文本将出现在消息字段中
- 根据需要编辑，然后发送
首次设置： 第一次使用设备端语音模型时，需要下载并预热。输入框会显示进度（“正在下载语音模型… N%”，然后是“正在准备”/“正在加载”），因此第一次点击麦克风时出现短暂暂停是正常的，并非卡死。
录制音频并附加
除了听写之外，您还可以录制音频片段并将其附加到您的消息中：打开输入框的 + 菜单并选择录制音频。适用于 iPhone、iPad、macOS 和浏览器扩展。与那些会听取您录音的应用（例如“语言学习”发音教练）自然契合。
让模型聆听您的录音
有两项功能超越了转录，允许具备听觉功能的模型直接处理实际音频：
- 包含模型音频（设置 > 语音）：附加您的录音，以便支持音频的模型（例如 Gemini）在您的提示词旁边审查真实的音频 —— 包括语调、发音、背景声音，而不仅仅是文字。默认关闭；否则不会发送任何内容。麦克风旁边的波形按钮可按每条消息进行切换，但该按钮仅出现在支持它的模式和应用中（例如“语言学习”），因此不会让日常任务的输入框显得凌乱。
- 聆听（一项免费工具，默认开启）：允许助手通过有针对性的后续问题返回并重新聆听任何音频附件 —— “哪些单词发音不准？”、“说话的语调是什么？” —— 无论是在您附加的轮次还是任何后续轮次中。专门的音频助手模型负责聆听，因此即使您的聊天模型无法听到音频，此功能也能正常工作。
全局听写 (macOS)
macOS 上的 Pro 订阅者还可以安装 PrivateVoice，这是一个独立的配套应用，它添加了一个全局按住通话热键，可将语音听写到任何应用程序中 —— 不仅仅是 Caiioo。详情请参阅桌面端下载页面。
另请参阅
This guide is maintained by the Caiioo team using Slate, our built-in editor.