Telegram Multilingual Voice Reply

Smart Telegram reply workflow for OpenClaw: if the user sends text, reply with text; if the user sends a voice note/audio, transcribe locally using the installed mlx_audio (default Qwen3-ASR on Apple Silicon), then generate a meaningful reply in the same language. Send back a Telegram voice note with a caption so the user receives ONE message containing both voice+text (the caption text must match the voice content exactly). Follow the input language (Chinese→Chinese, English→English) unless the user explicitly requests a different language.

0x1@pengling9405

Install

openclaw skills install @pengling9405/telegram-multilingual-voice-reply

Telegram Multilingual Voice Reply（多语言语音智能回复）

目标：在 Telegram 跟 OpenClaw 聊天时实现“语音优先 + 多语言跟随”的智能回复：

你发文字 → 默认只发文字回复（不触发 ASR；默认也不触发 TTS）。
你发语音 → 本地 STT 转写后理解语义，生成“有意义的回复”。默认用 一条 Voice Message + caption 发送（语音+文字同条，且内容一致）。
语言跟随：你用中文我用中文；你用英文我用英文；除非你明确要求指定语言（也支持方言/口吻要求，但 TTS 受模型限制）。

Default models

STT 默认：mlx-community/Qwen3-ASR-0.6B-8bit
（可选）Forced alignment：mlx-community/Qwen3-ForcedAligner-0.6B-8bit

需要模型清单/更多上游用法：references/qwen3-asr-notes.md

How to use (agent workflow)

A) 输入是文字（text message）

永不触发 ASR。
默认只发文字回复。
只有当用户明确说“用语音回复/发语音/voice reply”时：
- 生成回复文本 reply_text
- 生成 voice note（见下方“Telegram 单条消息”）
- 发送一条 Voice Message（caption=reply_text，且与语音内容一致）

B) 输入是语音（voice note / audio）

默认必走 ASR（否则无法“智能回复”）。
然后根据用户意图决定是否触发 TTS：
- 用户说“只要文字/文字回复/不要语音” → ASR + 文字回复（不 TTS）。
- 否则（默认真实场景） → ASR + 生成回复 + 单条 voice+caption（走 TTS）。

语音→转写（本地、Apple Silicon）

bash

python3 scripts/mlx_asr.py --audio /path/to/audio.ogg --language Chinese

注：Telegram 常见是 ogg/opus。mlx_asr.py 已支持 CLI fallback，并会在需要时用 ffmpeg 转 wav。

Telegram 单条消息（语音 + 文字在同一条）

Telegram 支持给 voice note 附带 caption，使得“语音条 + 下方文字”显示为同一条消息（你截图里的效果）。

用 scripts/mlx_tts_voice.py 生成 Telegram 友好的 .ogg/opus：