Voice Message

核心功能

voice-message 是一个跨平台语音消息自动化工具，通过整合微软Edge-TTS语音合成与ffmpeg音频处理，实现文本到语音消息的一站式转换与投递。核心工作流分为三步：文本→OGG/Opus语音文件生成→渠道特定API调用。

显著优势

多平台深度适配：不仅提供通用asVoice=true方案（Telegram/WhatsApp/Signal），更针对飞书、Discord等平台开发了原生API对接脚本，解决asVoice参数不兼容导致的文件附件降级问题。飞书方案完整实现了tenant_access_token多账号管理、duration精确计算、audio消息类型等关键参数链，确保语音气泡正确渲染。

企业级飞书支持：独特价值在于飞书多租户架构适配——通过~/.openclaw/openclaw.json的accounts配置实现多Bot隔离，避免open_id cross app错误；严格区分opus上传与audio发送的API组合，杜绝文件附件误发送。

Discord语音消息完整实现：集成waveform波形生成（Python脚本计算Base64波形数据）与flags:8192标志位，符合Discord语音消息协议要求，避免50161错误。

局限与风险

外部依赖较重：依赖edge-tts（Python包）、ffmpeg/ffprobe系统二进制，部署环境需预装配置。

凭证管理复杂：飞书tenant_token需实时获取（2小时有效期），且多账号场景下需动态读取JSON配置，增加调用链路复杂度。

平台API耦合度高：飞书/Discord方案硬编码API路径与参数结构，平台接口变更将导致功能失效。

安全风险点：脚本涉及appSecret提取与curl明文传输，需确保openclaw.json文件权限管控；tenant_token缓存策略缺失，高频调用可能触发限流。

适用场景

• 多平台客服Bot语音消息推送
• 飞书企业工作流语音通知（需原生语音气泡体验）
• Discord社区自动化语音交互

建议

生产环境建议封装token缓存层，增加API降级策略（失败时转文件附件），并对openclaw.json实施600权限管控。

核心用法

voice-message 是一款专注于多平台语音消息发送的 Agent Skill。其核心工作流程分为两步：首先通过 scripts/gen_voice.sh 调用 edge-tts 将文本转换为 OGG/Opus 格式的音频文件，再利用 ffmpeg/ffprobe 进行格式转换和时长检测；随后根据目标平台选择对应的发送方式——Telegram、Signal、WhatsApp 等平台可直接使用 asVoice=true 参数发送，而飞书（Feishu/Lark）和 Discord 则需调用专属脚本绕过平台限制，实现真正的语音气泡效果。

对于飞书平台，该 Skill 提供了完整的双步发送方案：先上传音频文件获取 file_key，再发送 msg_type=audio 消息。特别注意需从 ~/.openclaw/openclaw.json 读取对应 Agent 的 appId 和 appSecret 以获取 tenant_access_token，并严格使用 file_type=opus 参数确保生成语音气泡而非文件附件。Discord 端则需额外生成波形数据（waveform）并设置 flags: 8192 标志位。

显著优点

1. 多平台统一封装：将 Telegram、飞书、Discord、WhatsApp 等主流平台的语音消息发送差异抽象为统一接口，显著降低开发者的接入成本。

2. 本地化 TTS 引擎：采用微软 Edge TTS（edge-tts），支持中文（zh-CN-XiaoxiaoNeural）、英文（en-US-JennyNeural）等多语言音色，无需调用云端 API 即可生成自然语音。

3. 平台特性深度适配：针对飞书不支持 asVoice=true 的限制、Discord 需要波形数据的特殊要求，提供了经过验证的 workaround 方案，确保语音消息在各平台呈现为原生气泡样式。

4. 多账户支持：飞书配置支持 accounts 字段下的多 Agent 隔离，避免跨应用授权错误（99992361 open_id cross app）。

潜在缺点与局限性

1. 外部依赖繁重：强制依赖 edge-tts、ffmpeg、ffprobe 三个系统级工具，Windows 环境配置复杂度高，且需用户自行维护版本兼容性。

2. 飞书配置门槛高：需手动创建飞书应用、获取 appId/appSecret、配置多账户映射，对非技术人员友好度较低；Token 获取流程涉及 Python 脚本解析 JSON，增加了故障排查难度。

3. 平台 API 耦合风险：飞书和 Discord 的 API 参数要求极为严格（如 file_type=opus 与 file_type=stream 的区别、msg_type=audio 与 file 的区别），一旦平台更新 API 规范，现有脚本可能失效。

4. 缺乏输入验证：当前脚本对用户输入参数缺乏长度限制和字符白名单检查，存在潜在的命令注入风险（尽管未直接使用用户输入拼接命令）。

5. Discord 波形生成依赖 Python：需要额外调用 Python 脚本生成波形，增加了运行时复杂度。

适合的目标群体

• 企业协作场景运维人员：需要在飞书机器人中集成语音播报、语音通知功能的内部系统开发者。
• 多平台社区运营者：管理跨 Telegram、Discord 的社群，希望统一语音内容发布流程的运营团队。
• 自动化工作流构建者：使用 OpenClaw 等 Agent 框架搭建告警通知、定时播报等自动化场景的开发者。

使用风险

1. 配置文件泄露风险：~/.openclaw/openclaw.json 包含飞书应用的敏感凭证，若权限设置不当（未设为 600）可能导致 tenant_access_token 泄露，进而被恶意利用访问企业数据。

2. 临时文件残留：语音文件生成过程中使用 /tmp 目录，若进程异常中断可能导致临时文件残留，长期运行可能占用磁盘空间。

3. API 配额与速率限制：频繁调用飞书 tenant_access_token 接口或 Discord 消息接口可能触发平台限流，影响服务稳定性。

4. 网络请求静默失败：curl 使用 -s 静默模式且未强制 --fail，部分网络错误可能被忽略，导致消息发送失败却无明确报错。

5. 依赖工具版本兼容性：edge-tts 和 ffmpeg 的版本差异可能导致音频格式或编码参数不兼容，建议在容器化环境中锁定工具版本。