技能介绍

要解决的问题

在 AI 对话场景中，纯文本交互有两个明显的短板：一是打字等待会打断交流节奏，不适合需要即时响应的连续对话；二是无法展示操作过程，用户难以理解 AI 正在做什么。Voice Screen Share 把语音通话和屏幕共享组合成一个浏览器端技能：用户用说话代替打字，同时把屏幕内容实时分享给对话方。

核心能力与关键步骤

技能的核心是 voice_call_driver 模块，它基于 FastAPI + WebSocket 搭建一个本地语音服务，完整流程为：

语音输入：浏览器获取麦克风权限后，将语音转写为文本（STT）
对话处理：Claw 执行 Python 代码驱动对话，wait_for_user() 阻塞等待用户语音
语音回复：AI 文本通过 reply_to_user() 自动触发 edge-tts 合成并播放
状态通知：set_thinking() 与 set_idle() 让前端实时显示思考状态
屏幕共享：浏览器授权后，实时画面直接展示

典型调用序列：start_service() 启动服务 → get_url() 拿到页面地址 → 用户点击「开始通话」并授权 → wait_for_user() 等待语音 → reply_to_user() 回复 → stop_service() 收尾。对话历史可用 get_history() 随时读取，配置项（端口、TTS 音色、语速、音量）集中在 claw_bridge.py 中修改。

适用边界与注意点

浏览器依赖强：语音识别仅在 Chrome 33+ 和 Edge 79+ 上可靠，Firefox 部分支持，Safari 不支持，优先使用 Chrome/Edge
TTS 需要联网：edge-tts 依赖微软免费在线服务，断网时无声音，音色仅限文档列出的几种中文 neural 语音
本地运行：服务只绑定本地端口（默认 8765），对话数据仅存于内存，不持久化
授权机制：麦克风和屏幕共享都必须由用户主动授权，无法静默获取