Voice Optimization Skill for Claude
| 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。
Install
one command, takes just this skill from the repositorynpx skills add https://github.com/kangarooking/system-prompt-skills --skill voice-optimizationThe instruction itself
9 sections, as written by the author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)
- 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。
- 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。
- 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。
- 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。
- 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。
- 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?
- 设计语音助手（如智能音箱、车载助手）的系统提示
- 为现有文本聊天机器人添加语音交互模式
- 构建电话客服 AI 的对话脚本
- 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)
- 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。
- 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）。
- 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。
- 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。
- 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
Other skills for the same job
different authors, same section of the catalogue
Create beautiful visual art in .png and .pdf documents using design philosophy. You should use this skill when the user asks to create a poster, piece of art, design, or other static piece. Create original visual designs, never copying existing artists' work to avoid copyright violations.
Creating algorithmic art using p5.js with seeded randomness and interactive parameter exploration. Use this when users request creating art using code, generative art, algorithmic art, flow fields, or particle systems. Create original algorithmic art rather than copying existing artists' work to avoid copyright violations.
Improves the quality of images, especially screenshots, by enhancing resolution, sharpness, and clarity. Perfect for preparing images for presentations, documentation, or social media posts.
Downloads videos from YouTube and other platforms for offline viewing, editing, or archival. Handles various formats and quality options.
Lightweight WSI tile extraction and preprocessing. Use for basic slide processing tissue detection, tile extraction, stain normalization for H&E images. Best for simple pipelines, dataset preparation, quick tile-based analysis. For advanced spatial proteomics, multiplexed imaging, or deep learning pipelines use pathml.
Microscopy data management platform. Access images via Python, retrieve datasets, analyze pixels, manage ROIs/annotations, batch processing, for high-content screening and microscopy workflows.
Python library for working with DICOM (Digital Imaging and Communications in Medicine) files. Use this skill when reading, writing, or modifying medical imaging data in DICOM format, extracting pixel data from medical images (CT, MRI, X-ray, ultrasound), anonymizing DICOM files, working with DICOM metadata and tags, converting DICOM images to other formats, handling compressed DICOM data, or processing medical imaging datasets. Applies to tasks involving medical image analysis, PACS systems, radiology workflows, and healthcare imaging applications.
This skill should be used when working with pre-trained transformer models for natural language processing, computer vision, audio, or multimodal tasks. Use for text generation, classification, question answering, translation, summarization, image classification, object detection, speech recognition, and fine-tuning models on custom datasets.
How to use it
Take kangarooking/voice-optimization from the repository into ~/.claude/skills for personal
use, or into .claude/skills inside a project.
The agent identifies a skill by the name field in its header. Two skills with the
same name cannot sit side by side — one of them will be ignored.