当文档能深度“认知”业务，语音识别可精准“理解”语境，合成语音能传递温度与多元表达，AI智能体的办公赋能便有了全新可能。
即日起，云知声三款核心标准化Skill正式上架ClawHub社区，U2-doc-parser、U2-audio-file-transcriber与U2-TTS相关能力重磅开放，将高精准文档解析、业界领先的全场景ASR语音识别与高度拟人化的TTS语音合成能力注入OpenClaw生态，为开发者打造“眼明耳聪善言”的智能体工作流，让AI智能体真正看懂各类文档、听懂多元语音、说出贴合场景的话语，加速办公自动化与智能体应用从原型到工业级落地。
此次上架的三款Skill，均源自云知声在多模态交互与文档智能领域的核心技术沉淀，依托自研“大模型体系”打造，具备企业级可靠、快速部署、无缝编排、场景深度适配等优势，开发者可在OpenClaw中直接调用，无需自建服务、管理环境依赖，轻松为智能体装上专业“眼睛”、灵敏“耳朵”与灵动“嘴巴”。
U2-doc-parser：高精准文档解析，信息提取更精准
作为云知声UnisoundU1-OCR大模型落地的标准化Skill，U2-doc-parser主打高精准文档解析，兼具全场景适配能力，实现了从“字符感知”到“文档认知”的质的飞跃，成为智能体处理各类复杂文档的核心“视觉”能力，尤其在医疗文书、财务报表、学术论文等专业场景表现突出。
该Skill拥有两大核心优势：
1.多项测评领先：在多项权威评测中表现优异，在表格识别、跨页关联、微小文本检测等高难任务上优势显著。
2.语义驱动的结构理解：首创“语义驱动+动态聚焦”策略，像人类专家一样先梳理文档结构、构建“语义地图”，精准识别标题、图表、正文的从属关系，即便面对排版混乱、图文混排、多语言混排的极端文档，也能条理清晰提取信息，彻底解决传统OCR“只读文字、不懂排版”的痛点。
在智能体工作流中，U2-doc-parser可直接将PDF、图片等多格式文档，包括拍照模糊、满屏水印、弯折的非标准文档，转化为结构化Markdown数据，无需二次处理即可供下游任务直接消费，完美适配医疗单据处理、财务报销审核、企业知识库构建等办公场景。
U2-audio-file-transcriber：全场景语音识别，从 “听字” 到 “理解事” 的交互进化
基于云知声“山海・知音”大模型2.0打造的U2-audio-file-transcriber，是智能体的专业“听觉”核心，实现了从单纯语音转写到语境理解、专业适配、全场景兼容的能力跃迁，能在复杂噪音、方言口音、专业术语等高难度场景下精准识别，真正做到“不是听字，而是理解事”。
这款Skill以三大核心能力直击行业痛点：
1.极端场景高准确率：在复杂背景音环境下识别准确率业内首次突破90%，相比主流ASR模型，在复杂噪音、方言口音等高难场景下性能提升2.5%-3.6%，轻松适配室内近场、远场嘈杂、公共场景等全场景语音交互需求。
2.多语言多方言全覆盖：支持30余种中文方言+14种国际语言精准转写，无论是粤语、闽南语、上海话等晦涩方言，还是英、日、韩、泰等国际语言，均可实现高精准转写，适配多方言混切的商务会议、跨境沟通等办公场景。
3.专业术语+上下文推理：可针对医疗、汽车、金融等领域显式注入专业术语进行定向增强，如医疗场景的“依帕司他”“二甲双胍”、汽车场景的“半幅方向盘”，识别精度提升30%；同时具备强大的上下文逻辑推理能力，能根据语境补全未明确提及的关键信息，避免语义断裂。
在智能体工作流中，U2-audio-file-transcriber可实现会议录音实时转写、嘈杂环境下语音指令识别、专业场景对话转录、多语言语音内容解析等功能，转录结果可直接触发智能体后续动作，适配智能会议助手、语音指令办公、客户沟通智能记录等多元办公场景。
U2-TTS：声动进化，让AI说话有温度、多维度
依托云知声“山海・知音”大模型2.0打造的智能U2-TTS，作为智能体的“嘴巴”，以“高度拟人+创意多元”为核心，让语音合成兼具真实感与创造力，让科技的表达更有温度，完美适配智能播报、有声创作、场景化语音交互等办公需求。
这款Skill以三大核心优势让AI表达更加多元：
1.多语种多方言全覆盖，表达更贴合场景：支持多种中文方言与国际语言的语音合成，粤语、四川话等方言还原地道，日语“促音”、泰语“声调变化”等小语种语音韵律经过专项优化，合成自然度接近母语使用者，适配文旅宣传、跨境办公沟通、方言场景播报等需求。
2.情感与风格多元，还原真实人际表达：可切换12种普通话风格，温柔、干练、亲切等风格随心选择，还能自然还原笑声、呼吸声等细节，实现高兴、沉稳、急切等多情感表达，让AI的语音输出贴合不同办公场景的情绪与氛围需求。
3.高效创作与低延迟交互，适配办公全流程：支持一句话声音复刻，可融合不同样音的音色与情感特征生成定制化音频，赋能办公场景下的有声内容创作、视频配音、儿童伴读等需求；同时依托纯因果注意力机制的流匹配模块与端到端纯流式推理架构，在不损失合成质量的前提下显著降低系统延迟，低并发场景下首包延迟压缩至90毫秒以内，达到业界领先的实时交互水平，适配智能语音播报、实时语音回复等低延迟办公需求。
在智能体工作流中，智能U2-TTS可将智能体的文字输出转化为自然、贴合场景的语音，实现智能会议纪要语音解读、报销流程语音提醒等功能，让智能体的交互从“文字”延伸到“语音”，提升办公场景的交互效率与体验。
快速集成 + 无缝编排，开发者轻松打造工业级智能体
云知声三款Skill专为OpenClaw生态打造，最大化降低开发者的集成与使用成本，让智能体开发从“能用”走向“好用”：
1．企业级可靠性，告别Demo阶段
三款Skill均来自云知声真实商业业务沉淀，经过医疗、金融、办公等多场景大规模验证，提供稳定可预期的效果输出与官方持续维护、版本演进，让智能体真正走出Demo，落地工业级生产环境。
2．快速部署，开箱即用
开发者可以在OpenClaw中以标准化Skill节点直接调用，一键为智能体注入文档解析、语音识别与语音合成能力，无需投入大量精力进行技术研发与环境搭建。
3．无缝编排组合，打造定制化智能工作流
三款Skill可与ClawHub生态内其他能力自由组合、灵活编排，成为智能体开发的“能力积木”，轻松构建定制化办公智能体：
智能会议助手：U2-audio-file-transcriber转录会议录音提取关键信息，U2-doc-parser解析会议PPT、报表等文档，智能体自动关联语音与文档内容生成结构化会议纪要，再通过智能U2-TTS将纪要语音解读，将1小时的整理工作缩短至数分钟，实现会议全流程智能化。
医疗单据处理智能体：U2-doc-parser高精准解析医疗发票、费用清单、入院记录等单据并提取结构化数据，结合业务规则完成合规校验，再通过智能U2-TTS语音播报审核结果，实现医疗单据自动化处理与语音反馈。
财务报销智能体：U2-doc-parser识别报销发票、清单关键信息并校验，U2-audio-file-transcriber接收员工语音报销说明，智能体自动生成报销申请单，最后通过智能U2-TTS语音提醒报销进度，实现“拍照+语音”的极简报销流程。
从高精准文档解析到全场景语音交互，再到拟人化语音合成，云知声此次将三大核心能力以标准化Skill形式登陆ClawHub，是其AI技术在开源生态的重要落地，更是为办公自动化、智能体开发提供的全方位核心能力支撑。云知声始终秉持“真正的智能，不是炫技，而是融入生活”的理念，与OpenClaw生态携手，让更多高效、智能的AI智能体应用落地千行百业，重构智能办公新效率。
即日起，开发者可通过ClawHub官网直达相关Skill地址，一键调用云知声高水准的文档解析、ASR语音识别与TTS语音合成能力，轻松打造“眼明耳聪善言”的智能体工作流！
