Voice Message

核心功能与架构

Voice Message 是一款专注于多平台语音消息发送的技能，通过整合微软 Edge TTS 引擎与 FFmpeg 音频处理工具，实现文本到语音的端到端转换与分发。

核心用法

语音生成：调用 scripts/gen_voice.sh 脚本，将文本转换为 Ogg/Opus 格式音频文件，支持中英文及多语言语音角色切换。

渠道分发：

• 通用渠道（Telegram、Signal、WhatsApp）：直接通过 message 工具以 asVoice=true 参数发送
• 飞书/ Lark：必须使用专用脚本 send_feishu_voice.sh，因官方 API 不原生支持 asVoice 参数，需手动处理音频上传与消息类型封装
• Discord：需额外生成波形数据（waveform JSON），通过 API 直接发送并附加 IS_VOICE_MESSAGE 标志位

显著优点

1. 跨平台兼容性强：覆盖主流 IM 平台，针对性解决各平台 API 差异
2. TTS 质量可靠：基于微软 Edge 在线语音合成，中文 XiaoxiaoNeural 与英文 JennyNeural 音色自然
3. 格式标准统一：统一输出 Ogg/Opus，兼顾压缩率与兼容性
4. 飞书场景刚需：填补了飞书生态中语音消息发送的 tool gap，避免文件附件降级体验

潜在局限与风险

1. 外部依赖链长：需同时维护 edge-tts、ffmpeg、ffprobe 及 Python 环境，部署复杂度较高
2. 网络依赖：Edge TTS 为在线服务，离线环境不可用且存在 API 变更风险
3. Token 管理成本：飞书需自行获取并维护 tenant_access_token，增加运维负担
4. Discord 集成复杂：需额外 Python 脚本处理波形生成，非开箱即用
5. 错误处理薄弱：文档未提及失败重试、语音生成异常等边界情况

适合人群

• 需在飞书工作流中自动化发送语音通知的开发者/运维团队
• 构建多平台客服机器人或通知系统的技术团队
• 已有 ffmpeg 基础环境，追求 TTS 音质的语音应用场景

常规风险提示

• 语音内容可能因平台审核策略被拦截，建议配合敏感词过滤
• 高频调用 Edge TTS 可能触发微软速率限制
• 飞书 token 需安全存储，避免硬编码泄露

核心用法

Voice Message Skill 是一套多平台语音消息自动化解决方案，通过 edge-tts 实现文本转语音，借助 ffmpeg 完成音频格式转换，最终适配各聊天平台的 API 特性完成发送。整个流程分为两步：首先调用 scripts/gen_voice.sh 生成 Ogg/Opus 格式的语音文件，支持自定义语音角色（中文默认 zh-CN-XiaoxiaoNeural，英文默认 en-US-JennyNeural）；随后根据目标平台选择对应的发送方式——Telegram/Signal/WhatsApp 等可直接使用 message 工具的 asVoice=true 参数，飞书必须使用专用脚本 scripts/send_feishu_voice.sh 上传并发送语音气泡，Discord 则需额外生成波形数据并通过 API 携带 flags: 8192 标识。

显著优点

平台适配深度：针对飞书的特殊限制（message 工具 asVoice=true 无效）提供了原生语音气泡解决方案，通过上传 opus 文件并指定 audio 消息类型实现真正的语音消息效果，这是其他通用工具难以覆盖的痛点。

语音质量保障：依托 Microsoft Edge TTS 的神经网络语音合成技术，支持 100+ 种语言变体，发音自然度远超传统 TTS 方案，且完全免费。

架构轻量透明：仅依赖系统级工具（edge-tts、ffmpeg），无复杂运行时环境，代码总量约 200 行，易于审计和定制。

安全实践合规：敏感凭证（飞书 tenant_access_token）通过参数传入，无硬编码密钥风险，符合最小权限原则。

潜在缺点与局限性

外部服务依赖：核心功能依赖 Microsoft 在线 TTS 服务，需保持外网连通性，且文本内容需上传至 Microsoft 服务器处理，存在数据跨境传输合规考量。

飞书配置门槛：需自行申请飞书开放平台应用、获取 tenant_access_token，对非技术用户有一定上手成本。

Discord 复杂度：需额外执行 Python 脚本生成波形数据，流程相对繁琐。

音频格式限制：输出固定为 Ogg/Opus 格式，部分老旧平台可能不支持播放。

无实时能力：为异步批处理模式，不适合实时语音对话场景。

适合的目标群体

• 企业自动化运维人员：需要将系统告警、日报等信息以语音形式推送到飞书群的场景
• 多平台社群运营者：统一管理 Telegram、Discord、飞书等渠道的语音内容分发
• 开发者与系统集成商：需要快速集成语音消息能力的项目团队
• 无障碍辅助工具构建者：为视障用户或特定场景提供语音化信息输出

使用风险

性能风险：edge-tts 首次调用需建立网络连接并下载语音模型，冷启动延迟约 2-5 秒；长文本合成需分段处理，单次建议控制在 500 字以内。

依赖项风险：ffmpeg 版本差异可能导致音频参数不兼容，建议使用 4.0+ 版本；edge-tts 需 Python 3.7+ 环境。

服务可用性风险：Microsoft TTS 服务存在速率限制（未明确文档），高频调用可能触发限流；飞书 API 有调用配额限制，需关注企业版/免费版差异。

数据隐私风险：输入文本发送至 Microsoft 服务器，虽官方承诺不存储语音合成内容，但敏感信息（密码、密钥、个人身份信息）应避免通过此渠道转换。

Token 安全风险：tenant_access_token 泄露可能导致飞书应用权限被滥用，建议配置 IP 白名单、使用短期令牌并定期轮换。