Telegram Voice Group

核心用法

Telegram 群组语音消息发送技能通过 Microsoft Edge-TTS 引擎生成高质量中文语音，经 FFmpeg 转换为 Telegram 兼容的 OGG Opus 格式，以语音气泡形式发送至指定群组或话题。用户可通过自然语言指令（如"向 agent:main:telegram:group:[GROUP_ID]:topic:[TOPIC_ID] 发送语音: 内容"）、sessions_spawn 调用或直接 JS 函数调用的方式触发。

显著优点

1. 话题级上下文隔离：每个 Telegram 话题拥有独立的会话键格式 agent:main:telegram:group:{groupId}:topic:{threadId}，对话历史、AI 模型配置完全隔离，可直接替代 Discord 频道的组织功能
2. 高质量语音合成：采用 Microsoft Edge-TTS（zh-CN-XiaoxiaoNeural 等音色），支持语速调节（如 +5%）
3. 格式自动适配：自动生成 MP3 后通过 FFmpeg 转换为 libopus 编码、48k 比特率、48kHz 采样率的 VOIP 级 OGG 格式，确保 Telegram 语音气泡原生播放
4. 智能文本清洗：自动移除 Markdown 标记、URL 链接和特殊符号，避免朗读出格式符号
5. 多模型并行支持：不同话题可配置不同 AI 模型，实现真正的多租户隔离

潜在缺点与局限性

• 部署门槛较高：需完成 Bot 创建、群组邀请、管理员权限授予、话题创建等 6 步配置流程
• 依赖外部服务：依赖 Microsoft Edge-TTS 在线服务和 Telegram Bot API，存在服务可用性风险
• Linux 环境限制：metadata 显示仅支持 Linux 系统，且需预装 ffmpeg 和 edge-tts 二进制依赖
• 语音内容审核：自动发送至公开群组时缺乏人工审核环节，存在误发或内容不当风险
• 临时文件管理：虽声称自动清理，但高频调用时 /tmp 目录的 IO 和磁盘占用需关注

适合人群

• 运营 Telegram 社区（替代 Discord）的管理员，需要话题级隔离的组织者
• 需要将 AI 助手语音化输出至即时通讯场景的内容创作者
• 构建多租户 AI 服务、需为不同客户/项目隔离上下文的开发者

常规风险

• 权限过度授予：部署教程要求授予删除消息、封禁成员、添加管理员等敏感权限，实际仅需发送消息和发送媒体即可完成核心功能
• 会话键泄露：群组 ID 和话题 ID 组合可能暴露群组结构，建议通过环境变量或加密存储管理
• TTS 内容注入：用户输入文本直接传入 edge-tts 命令行，虽经清洗但仍需防范命令注入（文档未明确说明是否使用参数化调用）
• 频率限制：Telegram Bot API 对语音消息有速率限制，大规模群发可能触发封禁
• 隐私合规：语音消息生成涉及文本内容处理，需关注 Microsoft TTS 服务的数据留存政策

核心用法

telegram-voice-group 是一个纯文档型 Skill，本身不包含可执行代码，而是依赖 OpenClaw 框架的 message API 实现功能。用户通过自然语言指令或 sessions_spawn 调用，即可将文本转换为语音并发送至指定 Telegram 群组话题。

典型调用方式：

• 自然语言：向 agent:main:telegram:group:[GROUP_ID]:topic:[TOPIC_ID] 发送语音: 语音内容
• JS 调用：sessions_spawn({ task: "...", agentId: "telegram-voice-group" })

技术流程：
1. edge-tts 生成 MP3（Microsoft 神经网络语音，支持中文）
2. ffmpeg 转码为 OGG Opus（48k 比特率，单声道，48kHz，VOIP 应用类型）
3. message API 以语音气泡形式推送至指定 threadId

显著优点

• 话题隔离机制：每个 Telegram 话题拥有独立会话上下文（agent:main:telegram:group:{groupId}:topic:{threadId}），可完全替代 Discord 频道的组织功能
• 多模型支持：不同话题可配置不同 AI 模型，上下文互不干扰
• 文本清洗：自动移除 Markdown、URL、特殊符号，避免朗读混乱
• 格式兼容：严格遵循 Telegram 语音气泡规范（asVoice: true）
• 零代码风险：纯文档型 Skill，无实际可执行文件，依赖外部可信工具（Edge-TTS、FFmpeg）

潜在缺点与局限性

• 外部依赖强：必须预装 edge-tts 和 ffmpeg，Linux 环境限定
• T3 来源等级：个人开发者维护，无公开 GitHub 仓库，长期维护性存疑
• 无实时预览：无法先试听再发送，依赖文本清洗后的效果
• 语音风格受限：Edge-TTS 音色选择有限，定制化程度低
• 权限配置繁琐：需手动将 Bot 提升为管理员并授予多项权限

适合人群

• 使用 OpenClaw 框架的 Telegram 社群运营者
• 需要将 AI 回复以语音形式推送至群组话题的场景
• 追求 Discord 式频道隔离但偏好 Telegram 生态的团队

常规风险

| 风险维度 | 评估 | 说明 |

|---------|------|------|

| 代码执行 | 极低 | 无可执行代码，纯文档型 |

| 数据外泄 | 极低 | 仅处理用户输入文本，无敏感数据访问 |

| 权限滥用 | 低 | 依赖 Telegram Bot 权限，需管理员手动授权 |

| 依赖安全 | 中 | 依赖 Edge-TTS（Microsoft 官方）和 FFmpeg（开源），需自行保障二进制来源可信 |

| 社交工程 | 中 | 语音消息可能被用于伪造身份，需结合群组管理策略 |

> 安全评级 A（95/100）：CLS-Certify 全扫描通过，零依赖文件，零动态代码，GDPR/CCPA 合规。