當(dāng)文檔能深度“認(rèn)知”業(yè)務(wù)，語音識別可精準(zhǔn)“理解”語境，合成語音能傳遞溫度與多元表達(dá)，AI智能體的辦公賦能便有了全新可能。

即日起，云知聲三款核心標(biāo)準(zhǔn)化Skill正式上架ClawHub社區(qū)，U2-doc-parser、U2-audio-file-transcriber與U2-TTS相關(guān)能力重磅開放，將高精準(zhǔn)文檔解析、業(yè)界領(lǐng)先的全場景ASR語音識別與高度擬人化的TTS語音合成能力注入OpenClaw生態(tài)，為開發(fā)者打造“眼明耳聰善言”的智能體工作流，讓AI智能體真正看懂各類文檔、聽懂多元語音、說出貼合場景的話語，加速辦公自動化與智能體應(yīng)用從原型到工業(yè)級落地。

此次上架的三款Skill，均源自云知聲在多模態(tài)交互與文檔智能領(lǐng)域的核心技術(shù)沉淀，依托自研“大模型體系”打造，具備企業(yè)級可靠、快速部署、無縫編排、場景深度適配等優(yōu)勢，開發(fā)者可在OpenClaw中直接調(diào)用，無需自建服務(wù)、管理環(huán)境依賴，輕松為智能體裝上專業(yè)“眼睛”、靈敏“耳朵”與靈動“嘴巴”。

01U2-doc-parser：高精準(zhǔn)文檔解析，信息提取更精準(zhǔn)

Skill直達(dá)地址：https://clawhub.ai/aaiccee/u2-doc-parser

作為云知聲UnisoundU1-OCR大模型落地的標(biāo)準(zhǔn)化Skill，U2-doc-parser主打高精準(zhǔn)文檔解析，兼具全場景適配能力，實現(xiàn)了從“字符感知”到“文檔認(rèn)知”的質(zhì)的飛躍，成為智能體處理各類復(fù)雜文檔的核心“視覺”能力，尤其在醫(yī)療文書、財務(wù)報表、學(xué)術(shù)論文等專業(yè)場景表現(xiàn)突出。

該Skill擁有兩大核心優(yōu)勢：

1.多項測評領(lǐng)先：在多項權(quán)威評測中表現(xiàn)優(yōu)異，在表格識別、跨頁關(guān)聯(lián)、微小文本檢測等高難任務(wù)上優(yōu)勢顯著。

2.語義驅(qū)動的結(jié)構(gòu)理解：首創(chuàng)“語義驅(qū)動+動態(tài)聚焦”策略，像人類專家一樣先梳理文檔結(jié)構(gòu)、構(gòu)建“語義地圖”，精準(zhǔn)識別標(biāo)題、圖表、正文的從屬關(guān)系，即便面對排版混亂、圖文混排、多語言混排的極端文檔，也能條理清晰提取信息，徹底解決傳統(tǒng)OCR“只讀文字、不懂排版”的痛點。

在智能體工作流中，U2-doc-parser可直接將PDF、圖片等多格式文檔，包括拍照模糊、滿屏水印、彎折的非標(biāo)準(zhǔn)文檔，轉(zhuǎn)化為結(jié)構(gòu)化Markdown數(shù)據(jù)，無需二次處理即可供下游任務(wù)直接消費，完美適配醫(yī)療單據(jù)處理、財務(wù)報銷審核、企業(yè)知識庫構(gòu)建等辦公場景。

02U2-audio-file-transcriber：全場景語音識別，從 “聽字” 到 “理解事” 的交互進(jìn)化

Skill直達(dá)地址：https://clawhub.ai/aaiccee/u2-audio-file-transcriber

基于云知聲“山海?知音”大模型2.0打造的U2-audio-file-transcriber，是智能體的專業(yè)“聽覺”核心，實現(xiàn)了從單純語音轉(zhuǎn)寫到語境理解、專業(yè)適配、全場景兼容的能力躍遷，能在復(fù)雜噪音、方言口音、專業(yè)術(shù)語等高難度場景下精準(zhǔn)識別，真正做到“不是聽字，而是理解事”。

這款Skill以三大核心能力直擊行業(yè)痛點：

1.極端場景高準(zhǔn)確率：在復(fù)雜背景音環(huán)境下識別準(zhǔn)確率業(yè)內(nèi)首次突破90%，相比主流ASR模型，在復(fù)雜噪音、方言口音等高難場景下性能提升2.5%-3.6%，輕松適配室內(nèi)近場、遠(yuǎn)場嘈雜、公共場景等全場景語音交互需求。

2.多語言多方言全覆蓋：支持30余種中文方言+14種國際語言精準(zhǔn)轉(zhuǎn)寫，無論是粵語、閩南語、上海話等晦澀方言，還是英、日、韓、泰等國際語言，均可實現(xiàn)高精準(zhǔn)轉(zhuǎn)寫，適配多方言混切的商務(wù)會議、跨境溝通等辦公場景。

3.專業(yè)術(shù)語+上下文推理：可針對醫(yī)療、汽車、金融等領(lǐng)域顯式注入專業(yè)術(shù)語進(jìn)行定向增強(qiáng)，如醫(yī)療場景的“依帕司他”“二甲雙胍”、汽車場景的“半幅方向盤”，識別精度提升30%；同時具備強(qiáng)大的上下文邏輯推理能力，能根據(jù)語境補(bǔ)全未明確提及的關(guān)鍵信息，避免語義斷裂。

在智能體工作流中，U2-audio-file-transcriber可實現(xiàn)會議錄音實時轉(zhuǎn)寫、嘈雜環(huán)境下語音指令識別、專業(yè)場景對話轉(zhuǎn)錄、多語言語音內(nèi)容解析等功能，轉(zhuǎn)錄結(jié)果可直接觸發(fā)智能體后續(xù)動作，適配智能會議助手、語音指令辦公、客戶溝通智能記錄等多元辦公場景。

03U2-TTS：聲動進(jìn)化，讓AI說話有溫度、多維度

Skill直達(dá)地址：https://clawhub.ai/aaiccee/u2-tts

依托云知聲“山海?知音”大模型2.0打造的智能U2-TTS，作為智能體的“嘴巴”，以“高度擬人+創(chuàng)意多元”為核心，讓語音合成兼具真實感與創(chuàng)造力，讓科技的表達(dá)更有溫度，完美適配智能播報、有聲創(chuàng)作、場景化語音交互等辦公需求。

這款Skill以三大核心優(yōu)勢讓AI表達(dá)更加多元：

1.多語種多方言全覆蓋，表達(dá)更貼合場景：支持多種中文方言與國際語言的語音合成，粵語、四川話等方言還原地道，日語“促音”、泰語“聲調(diào)變化”等小語種語音韻律經(jīng)過專項優(yōu)化，合成自然度接近母語使用者，適配文旅宣傳、跨境辦公溝通、方言場景播報等需求。

2.情感與風(fēng)格多元，還原真實人際表達(dá)：可切換12種普通話風(fēng)格，溫柔、干練、親切等風(fēng)格隨心選擇，還能自然還原笑聲、呼吸聲等細(xì)節(jié)，實現(xiàn)高興、沉穩(wěn)、急切等多情感表達(dá)，讓AI的語音輸出貼合不同辦公場景的情緒與氛圍需求。

3.高效創(chuàng)作與低延遲交互，適配辦公全流程：支持一句話聲音復(fù)刻，可融合不同樣音的音色與情感特征生成定制化音頻，賦能辦公場景下的有聲內(nèi)容創(chuàng)作、視頻配音、兒童伴讀等需求；同時依托純因果注意力機(jī)制的流匹配模塊與端到端純流式推理架構(gòu)，在不損失合成質(zhì)量的前提下顯著降低系統(tǒng)延遲，低并發(fā)場景下首包延遲壓縮至90毫秒以內(nèi)，達(dá)到業(yè)界領(lǐng)先的實時交互水平，適配智能語音播報、實時語音回復(fù)等低延遲辦公需求。

在智能體工作流中，智能U2-TTS可將智能體的文字輸出轉(zhuǎn)化為自然、貼合場景的語音，實現(xiàn)智能會議紀(jì)要語音解讀、報銷流程語音提醒等功能，讓智能體的交互從“文字”延伸到“語音”，提升辦公場景的交互效率與體驗。

04快速集成 + 無縫編排，開發(fā)者輕松打造工業(yè)級智能體

云知聲三款Skill專為OpenClaw生態(tài)打造，最大化降低開發(fā)者的集成與使用成本，讓智能體開發(fā)從“能用”走向“好用”：

1．企業(yè)級可靠性，告別Demo階段

三款Skill均來自云知聲真實商業(yè)業(yè)務(wù)沉淀，經(jīng)過醫(yī)療、金融、辦公等多場景大規(guī)模驗證，提供穩(wěn)定可預(yù)期的效果輸出與官方持續(xù)維護(hù)、版本演進(jìn)，讓智能體真正走出Demo，落地工業(yè)級生產(chǎn)環(huán)境。

2．快速部署，開箱即用

開發(fā)者可以在OpenClaw中以標(biāo)準(zhǔn)化Skill節(jié)點直接調(diào)用，一鍵為智能體注入文檔解析、語音識別與語音合成能力，無需投入大量精力進(jìn)行技術(shù)研發(fā)與環(huán)境搭建。

3．無縫編排組合，打造定制化智能工作流

三款Skill可與ClawHub生態(tài)內(nèi)其他能力自由組合、靈活編排，成為智能體開發(fā)的“能力積木”，輕松構(gòu)建定制化辦公智能體：

智能會議助手：U2-audio-file-transcriber轉(zhuǎn)錄會議錄音提取關(guān)鍵信息，U2-doc-parser解析會議PPT、報表等文檔，智能體自動關(guān)聯(lián)語音與文檔內(nèi)容生成結(jié)構(gòu)化會議紀(jì)要，再通過智能U2-TTS將紀(jì)要語音解讀，將1小時的整理工作縮短至數(shù)分鐘，實現(xiàn)會議全流程智能化。

醫(yī)療單據(jù)處理智能體：U2-doc-parser高精準(zhǔn)解析醫(yī)療發(fā)票、費用清單、入院記錄等單據(jù)并提取結(jié)構(gòu)化數(shù)據(jù)，結(jié)合業(yè)務(wù)規(guī)則完成合規(guī)校驗，再通過智能U2-TTS語音播報審核結(jié)果，實現(xiàn)醫(yī)療單據(jù)自動化處理與語音反饋。

財務(wù)報銷智能體：U2-doc-parser識別報銷發(fā)票、清單關(guān)鍵信息并校驗，U2-audio-file-transcriber接收員工語音報銷說明，智能體自動生成報銷申請單，最后通過智能U2-TTS語音提醒報銷進(jìn)度，實現(xiàn)“拍照+語音”的極簡報銷流程。

從高精準(zhǔn)文檔解析到全場景語音交互，再到擬人化語音合成，云知聲此次將三大核心能力以標(biāo)準(zhǔn)化Skill形式登陸ClawHub，是其AI技術(shù)在開源生態(tài)的重要落地，更是為辦公自動化、智能體開發(fā)提供的全方位核心能力支撐。云知聲始終秉持“真正的智能，不是炫技，而是融入生活”的理念，與OpenClaw生態(tài)攜手，讓更多高效、智能的AI智能體應(yīng)用落地千行百業(yè)，重構(gòu)智能辦公新效率。

即日起，開發(fā)者可通過ClawHub官網(wǎng)直達(dá)相關(guān)Skill地址，一鍵調(diào)用云知聲高水準(zhǔn)的文檔解析、ASR語音識別與TTS語音合成能力，輕松打造“眼明耳聰善言”的智能體工作流！