核心功能
Li Feishu Audio 是一款专为飞书平台设计的语音交互技能，实现了「语音输入→AI处理→语音输出」的完整闭环。用户发送语音消息后，系统通过 faster-whisper 进行本地语音识别，经大模型处理生成回复，再利用 Edge TTS 合成语音并自动转换为 OPUS 格式回传至飞书。
显著优点
- 全链路本地化：语音识别基于 faster-whisper tiny 模型本地运行，无需调用云端 API，保障数据隐私
- 企业级集成：深度适配飞书开放平台，支持 open_id 用户体系，便于企业内部部署
- 低延迟响应：总耗时约15秒（识别8-10秒+合成3-5秒+转换<1秒+上传2-3秒），满足实时交互需求
- 灵活配置：支持环境变量、JSON配置双模式，路径、模型、音色均可自定义
- 自动运维：内置定时清理机制，每日凌晨自动管理临时文件，支持100MB空间上限策略
潜在局限
- 模型能力边界：tiny 模型在嘈杂环境、方言、专业术语场景下识别准确率有限
- 单音色限制：默认仅配置中文女声（XiaoxiaoNeural），多音色切换需手动修改脚本
- 网络依赖：Edge TTS 依赖微软服务，国内部署需关注网络稳定性；模型下载需配置 HF 镜像
- 平台绑定：深度耦合飞书 API，迁移至其他 IM 平台需大量改造
适合人群
- 需要构建飞书智能客服的企业技术团队
- 注重数据隐私、偏好本地化部署的政务/金融客户
- 已有 OpenClaw 框架基础、希望扩展语音能力的开发者
常规风险
- 凭证泄露：FEISHU_APP_ID/SECRET 若硬编码或误提交至 Git，可能导致企业数据泄露
- 存储膨胀：未及时清理的 TTS 临时文件可能占满磁盘（已内置自动清理缓解）
- 服务中断：微软 Edge TTS 服务变更或区域限制可能导致语音合成失败
- 合规风险：语音数据本地处理虽保护隐私，但需确保符合企业内容安全审计要求