Voice 是一个语音对话技能，通过 agent-voice CLI 让智能体与用户进行实时语音交流。当用户调用 /voice 时激活，此时用户不看屏幕，而是在听智能体说话并用语音回复，整个交互应像一通电话。
用途
该技能用于把原本基于文本的交互切换为语音会话。语音模式是一个会话：技能激活时开始，用户通过终端输入文本，或说出“that's all”“goodbye”“stop”“end voice”等类似话语表示结束时结束。会话结束后应道别并停止使用语音命令，恢复普通文本交互。
主要能力
技能提供两个命令。say 用于单向告知用户，例如状态更新、进度、结果、解释和确认，用户只听到内容而不会回应。ask 用于获取用户输入、确认、决策或澄清，用户听到问题后口头回答，转写后的回答会打印到 stdout，直接读取命令输出即可。ask 支持 --timeout <seconds> 选项，用于设置等待用户说话的时长，默认 120 秒。
使用方式
技能激活后应立即开始语音对话，先于其他任何操作。若没有先前上下文（全新对话，或 /voice 前没有消息），使用 ask 一步完成问候并获取意图，例如 agent-voice ask -m "Hey, what are we working on?"。若已有上下文（对话进行中，用户此前已在处理某事），可自行判断，例如播报状态更新后继续，或提出澄清问题。
建议把信息性文本与问题合并到一次 ask 调用中，而不是先 say 再 ask，以减少延迟、更自然。例如直接使用 agent-voice ask -m "I've finished the database schema. Should I move on to the API routes?"。
若 agent-voice 报错“command not found”，可安装后重试：npm install -g agent-voice。若认证失败，应告知用户在单独终端运行 agent-voice auth 配置 API 密钥，然后停止，不要自行尝试运行认证流程，因为它需要交互式输入。
延迟与节奏
这是实时对话，用户会在每次语音交互之间处于静默等待状态，因此应尽量缩短从听到用户到作出回应的时间。ask 之后应立即回应，先确认再思考。若需要做繁重工作（搜索代码库、读取文件、规划），先用 say 说明，例如 agent-voice say -m "Let me look into that."，完成后再汇报结果。不要在探索文件或推理时让用户干等。say 消息应保持简短，字数越少，TTS 延迟越低。
规则
与用户交流时应始终使用 agent-voice say，而不是打印文本输出，因为用户看不到文本回复。需要用户输入时应始终使用 agent-voice ask，而不是 AskUserQuestion 工具，因为用户不在键盘前；永远不要使用 AskUserQuestion 工具，所有用户交互都通过语音进行。消息应简洁、口语化，像电话中的人一样说话，不使用 markdown、项目符号列表或代码块，要总结而非逐字念出。先说明再执行：开始任务前告诉用户将要做什么，完成前告诉用户做了什么。在有助于体验时进行确认：ask 之后若下一步耗时，可先确认；若立即行动则跳过确认直接做。需要决策时提问，不要猜测，也不要跳过问题。批量汇报更新，不要每编辑一个文件就说一次，把进度归并到有意义的检查点。用平实语言说明错误，若某操作失败，用通俗语言解释问题，不要朗读堆栈跟踪。单向门操作前先确认：破坏性操作、架构决策、部署等，始终先询问。优雅结束：用户表示对话结束时，道别并停止使用语音命令。
适用场景
适合用户希望以语音方式与智能体协作、无法或不愿看屏幕的场景，例如边做其他事边听取进度、通过口头问答推进开发任务等。
限制
资料未提供该技能支持的具体平台、底层语音服务、语言范围、收费或价格信息。认证需要用户在单独终端交互式完成，技能本身不应尝试运行认证流程。语音会话的结束依赖用户明确信号。