用途:本技能处理 Telegram 频道的语音/音频消息,把用户发来的语音转成文本,生成回复后再转成语音回复给用户。当频道标签中出现 attachment_file_id 属性时触发;若为 image_path 则属于图片消息,不适用本技能。
主要能力:检测 voice/audio 消息;通过 MCP 工具下载 OGG/Opus 文件;用 transcribe-anything(Whisper)转写;把转写文本当作普通用户输入生成回复;用 ElevenLabs 生成 TTS 音频(可回退 OpenAI TTS)并回复 MP3;附带文字稿。
使用方式:调用 Skill({ skill: 'telegram-voice-pipeline' })。步骤为:1) 调用 mcp__telegram-relay__download_attachment({ file_id: '<attachment_file_id>' }) 下载;2) pip install transcribe-anything 后运行 transcribe-anything /tmp/voice_abc123.ogg --model medium --output_dir /tmp/tg_voice/ 并读取 .txt;3) 用转写文本生成回复,并按 TTS 上限截断(ElevenLabs 4000 字符,OpenAI 4096);4) 生成 TTS,主用 ElevenLabs(需 ELEVENLABS_API_KEY),回退 OpenAI(需 OPENAI_API_KEY),输出 /tmp/tg_voice_response.mp3;5) 调用 mcp__telegram-relay__reply 回复文字与 MP3;6) 清理临时文件。
环境变量:ELEVENLABS_API_KEY、ELEVENLABS_VOICE_ID(默认 JBFqnCBsd6RMkjVDRZzb)、OPENAI_API_KEY、WHISPER_MODEL(默认 medium),TTS 需至少配置一个密钥。
限制与注意:不得跳过下载步骤,attachment_file_id 不是路径;转写子进程应使用数组参数并 shell: false;TTS 失败时必须回退发送纯文本——这些都属于反模式提示。照片消息不适用本流程。具体平台支持、计费与耗时等未在本资料中保证。