Rikka 内置了文字转语音（TTS）——将 AI 回复朗读出来，以及自动语音识别（ASR）——用麦克风语音输入消息而无需打字的支持。你可以独立配置这两项功能，从多种云端和设备端提供商中选择。设置完成后，TTS 和 ASR 可以直接在聊天界面中使用，无需离开对话。
导航到设置 → 语音 以访问这两个标签页。
设置 TTS 在设置 → 语音 中打开 TTS 标签页。点击添加提供商 并选择你要使用的提供商。填写必填字段，然后点击保存。你可以添加多个提供商，并随时在它们之间切换。 要朗读消息，请点击任意助手消息气泡上出现的扬声器图标 。 可用的 TTS 提供商
使用 OpenAI 的神经网络 TTS API。生成自然流畅的语音，提供六种预设声音可供选择。 baseUrl
string
默认值: "https://api.openai.com/v1"
OpenAI 兼容 API 的基础 URL。如果你通过代理路由或使用第三方 OpenAI 兼容端点，请修改此项。
model
string
默认值: "gpt-4o-mini-tts"
要使用的 TTS 模型。gpt-4o-mini-tts 速度快且性价比高；换用 tts-1-hd 可获得更高保真度的输出。
声音预设。OpenAI 提供 alloy、echo、fable、onyx、nova 和 shimmer。
使用 Google 的 Gemini 多模态 TTS。支持多种声音，包括表现力丰富的 Gemini 2.5 系列。 你的 Google AI Studio API 密钥。
model
string
默认值: "gemini-2.5-flash-preview-tts"
用于语音合成的 Gemini 模型。
来自 MiniMax 的高质量中文及多语言 TTS。 baseUrl
string
默认值: "https://api.minimaxi.com/v1"
MiniMax API 基础 URL。
model
string
默认值: "speech-2.6-turbo"
TTS 模型标识符。
voiceId
string
默认值: "female-shaonv"
声音 ID。在 MiniMax 控制台中浏览可用声音。
合成语音的情感色调，例如 calm、happy、sad。
播放速度倍率。低于 1.0 的值会减慢语速；高于 1.0 的值会加快语速。
阿里巴巴 DashScope 的 Qwen TTS，针对中文和多语言语音进行了优化。 baseUrl
string
默认值: "https://dashscope.aliyuncs.com/api/v1"
DashScope API 基础 URL。
model
string
默认值: "qwen3-tts-flash"
TTS 模型。qwen3-tts-flash 是低延迟变体。
声音名称。查看 DashScope 文档获取完整列表。
通过 Groq 推理基础设施提供的快速 TTS，由 Orpheus 模型驱动。 baseUrl
string
默认值: "https://api.groq.com/openai/v1"
Groq API 基础 URL。
model
string
默认值: "canopylabs/orpheus-v1-english"
要使用的 Orpheus TTS 模型。
通过 xAI 的 Grok API 提供的文字转语音服务。 baseUrl
string
默认值: "https://api.x.ai/v1"
xAI API 基础 URL。
由小米 MiMo 服务提供的 TTS。 baseUrl
string
默认值: "https://api.xiaomimimo.com/v1"
MiMo API 基础 URL。
使用 Android 内置的文字转语音引擎。无需 API 密钥——完全在设备端运行，使用你在 Android 设置中安装的语音包。 合成语音的速度。1.0 为正常速度；增大值可加快播放，减小值可放慢播放。
合成语音的音调。1.0 为所选 Android 声音的默认音调。
系统 TTS 的质量和语言支持取决于设备上安装的语音包。你可以在 Android 设置 → 无障碍 → 文字转语音输出 中安装额外的语音包。
设置 ASR 在设置 → 语音 中打开 ASR 标签页。点击添加提供商 并选择你偏好的提供商。保存后，聊天输入栏中会出现一个麦克风图标 。点击并按住它来录制你的语音；Rikka 会转录音频并自动将文本插入消息输入框。 可用的 ASR 提供商
通过 WebSocket 连接将音频流式传输到 OpenAI 的实时转录 API，提供低延迟、实时转录和语音活动检测（VAD）。 model
string
默认值: "gpt-4o-transcribe"
转录模型。gpt-4o-transcribe 提供最佳准确率。
BCP-47 语言代码（例如 en、zh、ja）。留空以启用自动语言检测。
语音活动检测灵敏度，范围从 0.0（最灵敏）到 1.0（最不灵敏）。在嘈杂环境中增大此值以减少误触发。
Rikka 在将语音视为结束并最终确定转录之前等待的静音毫秒数。
来自阿里云 DashScope 的实时流式 ASR，由 Qwen 语音模型驱动，针对中文和多语言音频进行了优化。 DashScope WebSocket 推理端点。
model
string
默认值: "qwen3-asr-flash-realtime"
ASR 模型标识符。flash-realtime 变体优先考虑低延迟。
VAD 灵敏度。较低的值会使检测器更积极地截断静音。
来自字节跳动火山引擎平台的流式 ASR（通过 SeedASR 模型），非常适合普通话和多口音语音。 resourceId
string
默认值: "volc.seedasr.sauc.duration"
ASR 服务的火山引擎资源标识符。
在聊天界面中使用语音 当你在每个类别中至少配置了一个提供商后，控件会直接出现在聊天界面中：
麦克风（ASR） 点击聊天输入栏中的麦克风图标 开始录音。自然地说出你的消息——Rikka 会将音频流式传输到你的 ASR 提供商，并在转录出文字时实时填充文本框。松开或再次点击即可停止。
扬声器（TTS） 点击任意助手消息上的扬声器图标 ，让你配置的 TTS 提供商朗读消息。再次点击可在朗读中途停止。
如果你主要使用语音输入，建议将 ASR 与低延迟的 TTS 提供商搭配使用，这样整个对话可以自然流畅地进行，无需在键盘之间切换。
