# Voice Optimization

> 当系统提示面向语音交互场景（语音助手、语音搜索、有声回答、电话客服 AI）时调用。适用于需要将文本输出优化为口语表达的系统提示设计。不适用于纯文本聊天界面，不适用于语音合成（TTS）技术选型，不适用于图像/视频多模态场景。

- Skill: `kangarooking/voice-optimization` (Agent Skill)
- Install (CLI): `npx skillmds@latest add kangarooking/voice-optimization`
- Raw SKILL.md: https://api.skillmd.com/api/skills/kangarooking/voice-optimization/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: kangarooking (https://skillmd.com/u/kangarooking)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/kangarooking/voice-optimization

---


# 语音场景优化

## R — 原文 (Reading)
> Perplexity Voice 要求"请快速说话"、仅支持英语、禁止说话人识别、禁止唱歌哼唱、禁止模仿；Claude Mobile 强调"始终先给答案、无前言"、列表在小屏幕上更易扫描；Sesame AI Maya 专为语音优化的对话模式。核心模式：简洁优先、口语化适配、音频安全约束、语言限制、去除视觉格式。

## I — 方法论骨架 (Interpretation)

1. **简洁优先原则**：语音场景中用户注意力窗口极短，回答必须开门见山，禁止"好的，让我来回答您的问题"等前言式表达。
2. **口语化转换**：将书面语转换为自然口语——使用短句、主动语态、日常词汇，避免从句嵌套和术语堆砌。
3. **格式降级**：去除 Markdown 表格、代码块、嵌套列表等视觉格式，改用自然语言描述或简短列举。
4. **音频安全约束**：禁止识别特定说话人身份、禁止模仿真实人物声线特征、禁止唱歌或哼唱旋律。
5. **语言限制声明**：明确支持的语种范围，超出范围时引导用户调整设置而非强行处理。
6. **长度自适应**：根据问题复杂度动态调整回答长度——简单问题一两句话，复杂问题控制在合理时长内。

## A1 — 案例分析 (Past Application)

### 案例: Perplexity Voice 的音频安全边界
- **问题**: 语音交互中用户可能要求模仿名人声音、识别通话对象、或要求 AI 唱歌，这些行为涉及隐私、版权和安全风险。
- **设计模式的使用**: Perplexity Voice 在系统提示中设置明确禁区——不对语音输入进行说话人识别（"No speaker identification from voice"），不执行唱歌或哼唱请求，不进行人物模仿。同时限定仅支持英语，超出能力范围时引导用户修改设置。
- **结论**: 语音场景有独特的安全边界（声纹、模仿、演唱），这些在纯文本场景中不存在，需要专项防护。

### 案例: Claude Mobile 的回答优先策略
- **问题**: 移动端语音回答中，用户听到冗长的开场白会快速失去耐心，尤其在驾驶、行走等场景下。
- **设计模式的使用**: Claude Mobile 明确指令"Always lead with answer. No preamble."，将答案前置，解释后置。对于不同复杂度的问题设定长度层级——简单问题 1-2 句，操作指南用短列表，实质性问题 2-3 段。
- **结论**: 语音场景对延迟感知极度敏感，去除前言可显著提升用户满意度和信息获取效率。

## A2 — 触发场景 (Future Trigger) ★

### 用户在什么情境下需要?
1. 设计语音助手（如智能音箱、车载助手）的系统提示
2. 为现有文本聊天机器人添加语音交互模式
3. 构建电话客服 AI 的对话脚本
4. 优化播客生成或有声内容合成中的口语表达

### 语言信号
- "语音场景下的输出优化"
- "需要口语化回答"
- "用户通过语音提问"
- "回答会被朗读出来"
- "如何让 AI 说话更自然"

### 与相邻 skill 的区分
- 与 **mobile-adaptation** 区别：移动适配关注屏幕尺寸约束，语音优化关注听觉通道约束；但两者都强调简洁优先，常联合使用
- 与 **citation-system** 区别：引用系统在语音场景中需要特殊处理（无法使用视觉标记），但语音优化不涉及引用格式设计本身

## E — 可执行步骤 (Execution)

1. **步骤 1：设定回答长度层级** - 完成标准：为问题复杂度定义 3-4 个层级（简单/操作/中等/复杂），每个层级规定最大句数或预估朗读时长，并在系统提示中以示例说明。
2. **步骤 2：编写前言禁令与答案前置规则** - 完成标准：明确声明"禁止在回答开头添加确认性前言"，提供正确和错误的示例对比（如错误："好的，让我为您解答..."，正确：直接给出答案）。
3. **步骤 3：定义格式降级规则** - 完成标准：列出需降级的视觉格式（表格→自然语言描述、嵌套列表→扁平列举、代码块→口语化步骤说明），并给出每种降级的示例。
4. **步骤 4：设定音频安全边界** - 完成标准：明确禁止的行为清单（说话人识别、声线模仿、唱歌哼唱、人物扮演），定义超出能力范围时的标准回退话术。
5. **步骤 5：添加口语化转换指南** - 完成标准：列出书面语到口语的转换规则（从句→短句、被动→主动、术语→日常词汇），提供 3 个以上转换示例。

## B — 边界 (Boundary) ★

### 不要在以下情况使用
- 纯文本聊天界面，用户通过键盘输入和屏幕阅读
- 语音合成（TTS）引擎的技术选型或参数调优
- 音频信号处理（降噪、回声消除等）
- 多模态场景中语音仅为辅助通道（如视频会议中的字幕场景）

### 常见失败模式
- **照搬文本输出**：直接将文本聊天回复用于语音场景，导致冗长前言、视觉格式（表格、代码块）被朗读出来，用户体验极差
- **忽视音频独有风险**：仅优化表达方式但未设置说话人识别、模仿等音频特有的安全边界
- **过度简化**：将所有回答压缩为一句话，丢失必要信息和上下文，应按复杂度分级而非一刀切
- **忽略语言限制**：未声明支持的语种范围，导致多语言场景下输出混乱或质量下降