语音输入与朗读

语音在 Mosael 里是三件独立的事，可以只用其中一件：

	做什么	在哪儿
说话输入	把你说的话填进输入框，你过目后再发	智能体输入框旁边
念给我听	把某条回复念出来	每条回复下面
免提对话	一直听着，说完一句自动发，答完念给你听	右下角的浮标

说话输入#

点一下麦克风开始说，再点一下（「停止并识别」）就把识别出来的文字追加进输入框 —— 不覆盖，因为你可能先打了半句再改用说的。不是按住说话：输入框是想到哪说到哪的地方，按住不放会逼人先想好整句。一次最长 120 秒，到点自动收尾，把已经说的那段交上去。

识别默认跟随「设置 → 能力提供方 → 转写」里定的那一家（本机的 FunASR、sherpa-onnx、WhisperX，或装了转写插件的）；也可以在「设置 → 智能体 → 语音对话」的「说话输入用哪一家」里单独指定 —— 默认「跟随转写」，只列已经就绪的那几家。没装转写运行环境、没给麦克风权限、什么也没听到时，都会直接说清楚。

它只负责填字，不负责发送。识别错了当场改掉就行，这一步是有意留的：语音识别一定会错， 而"说完直接发出去"意味着错字要靠模型去猜你原本想说什么。

念给我听#

每条回复底下有个播放按钮。同一时刻只念一条 —— 点了另一条，前一条立刻停。

用哪个声音在设置里选，见下面「配音和对话是两份配置」。

免提对话#

右下角那颗浮标，点一下开始。它有四种状态，靠同一组声波条的颜色和动效区分：

• 在听 —— 等你开口，慢呼吸。
• 听你说 —— 条形跟着你的音量走。它们越过一半高度变成主色的那一刻，正是它判定你 在说话的那一刻;所以"要多大声"不用猜。
• 在想 —— 转圈。
• 在说 —— 涟漪往外走。

浮标可以拖到任何位置，位置会记住。悬停会显示当前状态，以及上一句听到的原话 —— 听错时 你当场就看得见错在哪个字，而不是等它答非所问。

说到一半可以打断它。 它在念的时候你开口，播放立刻停，开始录你这一句。不这样的话， 你得等它念完才能纠正它，而"念错了还要听完"正是语音助手最让人恼火的地方。

只读的工具可以用语音触发，改动仍然要在屏幕上确认。 建项目、改工作流这类都会弹确认卡 —— 语音里说一声"好"就批准的话，识别错一个字的代价是它真的动了你的东西，而你多半没在看屏幕。

失败会出声。 语音模式下一次静默的失败会被理解成"它没听见"，于是你再说一遍、再失败一次。

浮标默认不开，在设置里打开(「语音对话」一节)。

配音和对话是两份配置#

对话用的声音和配音的默认音色是分开的，这是有意的：

• 配音要质量：本地零样本引擎、克隆出来的音色，首次加载十几分钟也认，因为那段音频要进成片。
• 对话要延迟：说完等一分钟就不叫对话了。

同一个默认同时服务这两件事，必然在某一边是错的。设置里的「语音对话」只管对话那一份; 配音的默认音色在配音那边设。笔记里选中一段「朗读」也用「语音对话」选的这把嗓子(没选过就用免费的 Edge 语音)， 见笔记 → 选区工具条。

引擎和音色的清单两边问的是同一组接口 —— 这里只是另一处选择，不是另一份目录。

对话也能用你自己的嗓子。 引擎选「阿里云百炼(CosyVoice)」时，音色下拉在系统音色下面多一组「我的克隆音色」：念的是配音库里那把嗓子 复刻在你百炼账号里的副本，像系统音色一样按字符计费，不用装本机引擎、也不用等它加载。第一次选某把嗓子会先问一次要不要把它的 参考音频传上去 —— 同意了才复刻、才存下这个选择；不同意就什么都不传，音色那一格清空让你重挑。没声明是谁的嗓子不列。 笔记的「朗读」和「存为音频素材」跟着这把嗓子念。复刻、副本和删除的细节见 剪辑 → 不装本机引擎,用百炼念自己的音色。