Voice Chat Bridge

自动处理语音消息：将语音转写为文字，结合上下文生成智能回复，并合成语音回复。当收到语音或音频消息时自动激活。

功能

自动处理语音消息，实现“语音 -> 文字 -> 智能回复 -> 语音”的完整闭环。

触发条件

当收到语音或音频消息时（message.type 为 voice 或 audio），自动激活此技能。

处理流程

1. 检测语音

检查消息是否包含 media.type === 'voice' 或 media.type === 'audio'。

2. 转写 (STT)

立即运行转写脚本：

bash

python3 /root/.agents/skills/voice-chat/scripts/transcribe_audio.py <audio_path>

• 输入：音频文件路径（从 event.message.media.localPath 获取）。
• 输出：转写文本。

3. LLM 分析

使用当前会话的上下文生成智能回复。

• Prompt：

  text

  用户语音转写：{transcript}
  
  请结合上下文，给出简洁、有帮助的回复。
  

• 输出：回复文本。

4. 合成语音 (TTS)

立即运行 TTS 脚本：

bash

python3 /root/.agents/skills/voice-chat/scripts/reply_with_tts.py "{reply_text}"

• 输入：回复文本。
• 输出：.opus 语音文件路径。

5. 发送回复

使用 message.send 工具发送生成的语音文件：

• 文件：生成的 .opus 文件。
• Caption：可选的简短文字说明。
• 注意：不要发送中间状态文字（如“正在处理..."），直接发送最终语音回复。

技术细节

• STT 引擎：Vosk (离线，中文小模型)。
• TTS 引擎：Edge TTS (Microsoft Azure)。
• 音频格式：OGG/Opus (48kHz, 单声道，64kbps)。
• 临时文件目录：/tmp/voice-chat/。

依赖

• 系统：ffmpeg
• Python：vosk, edge-tts, pydantic, python-dotenv
• 模型：Vosk 中文小模型 (vosk-model-small-cn-0.22)

许可证

MIT