feishu-minimax-t2a-voice

飞书语音消息收发：接收语音自动转文字（飞书原生 Transcript + Whisper 降级），回复语音由 MiniMax T2A 合成后发送。

feishu-voice

接收：语音 → 文字

飞书自动为语音消息生成转写，消息体中自带 Transcript 字段，直接读取即可，无需任何 API 调用。

---

发送：文字 → 语音

流程

Step 1. 调用脚本生成语音文件：

text

python scripts/reply.py "<文字内容>"

输出文件路径（格式为 .opus 或 .ogg）。

Step 2. 通过飞书发送语音：

text

message(action=send, channel=feishu, media=<filepath>, contentType="audio/opus")

注：Edge TTS 输出的 .ogg 文件同样使用 audio/opus contentType。

---

MiniMax 语气词（配置了 MINIMAX_API_KEY 时）

在生成回复文本时主动嵌入以下标记，可让语音更自然：

标记	含义	使用场景
<#0.3#>	停顿 0.3 秒	逗号后、句子中间
(breath)	自然呼吸	长句中间、句末
(sighs)	叹气	感叹、无奈时
(emm)	思考语气	问句结尾、停顿后继续
(clear-throat)	清嗓	转折、开始说话
(laughs)	笑声	开心、幽默内容
(chuckle)	轻笑	轻松调侃
(sniffs)	吸鼻子	轻微情绪
(humming)	哼唱	愉快、自言自语

规则：

• 标记插入两个有发音文本之间，不可连续叠加
• 问句句尾加 (emm)
• 感叹句插 (laughs) 或 (sighs)
• 句号前无自然停顿时加 (breath)
• 长叙述每隔 20-30 字符插一次 (breath) 或 <#0.3#>

示例：

text

模型生成文本：好的，那我们出发吧。
应生成：好的<#0.3#>，那我们出发吧(laughs)。

模型生成文本：等等，让我想想，这个怎么做来着？
应生成：等等<#0.3#>，让我想想(emm)<#0.4#>，这个怎么做来着？

模型生成文本：唉，今天真是太累了。
应生成：唉(sighs)，今天真是太累了(breath)。

---

链路降级

text

MiniMax T2A (mp3) → ffmpeg → opus  [优先]
    ↓ 超时/无 key
Edge TTS (ogg 直出)                  [降级]
    ↓ 失败
返回纯文字（不走语音）

---

环境变量

变量	必填	说明
MINIMAX_API_KEY	否	有则优先 MiniMax；无则 Edge TTS
EDGE_TTS_VOICE	否	Edge TTS 音色，默认 zh-CN-XiaoxiaoNeural

---

快速参考

text

# 生成语音并发送
python scripts/reply.py "<文字>"  →  输出文件路径  →  message(media=路径, contentType="audio/opus")