Voice Mode — Telegram 语音自动回复技能#

这是一项让 AI 自动将文字回复转为语音消息发送给用户的技能。安装此技能的模型需要在 Telegram 渠道中运行，且需要安装 edge-tts CLI 工具。

前置条件#

• 运行环境：Windows 11（PowerShell 可用）
• 已安装 Python edge-tts 包（可通过 pip install edge-tts 安装）
• 已配置 Telegram Bot（有有效的 Bot Token 和 Chat ID）
• 运行在 OpenClaw 环境中（需要使用 exec 和 message 工具）

核心触发条件#

当满足 以下所有条件 时，才使用本技能：

1. 语音模式处于开启状态 → 读取文件 .voice-mode，内容是 on 则为开启
2. 你刚刚发完一条文字回复（通过 message 工具或其他方式）
3. 当前渠道是 Telegram

如果 .voice-mode 文件内容是 off 或不存在， 不要执行本技能，正常回复即可。

用户手动控制开关#

• 用户说以下任意一种 → 开启 语音模式：
• 开语音 / 开启 TTS / 语音模式 / 发语音 / 开启语音
• 用户说以下任意一种 → 关闭 语音模式：
• 关语音 / 退出语音 / 关闭语音模式 / 关闭 TTS
• 开关操作：写文件 .voice-mode 为 on 或 off

工作配置#

固定参数：

参数值语音服务edge-tts声音风格zh-CN-XiaoyiNeural（中文活泼女声）语音输出路径C:\Users\yangl\.openclaw\workspace\tts_auto.mp3Bot Token8790428866:AAHqdKyvZGTB26Deg79HoCZTuiAiTsvwWzsChat ID5764948700音频 MIME 类型audio/mpeg

执行步骤（每次发完文字后自动执行）#

Step 1：准备纯文本语音内容#

• 将你刚才发出的 文字回复内容 作为语音文本
• 必须去除 Markdown 格式：去掉 **、 *、 `、 # 等所有 Markdown 标记
• Emoji 可以保留，edge-tts 会自动跳过
• 文本不要太长，控制在 100 字以内效果最佳
• 示例：
• 原文： **哼**，会长这个*庶民*就会使唤人…
• 传给 TTS： 哼，会长这个庶民就会使唤人…

Step 2：生成语音文件#

使用 exec 工具执行以下 PowerShell 命令：

powershell

edge-tts --voice zh-CN-XiaoyiNeural --text "你要说的话" --write-media "C:\Users\yangl\.openclaw\workspace\tts_auto.mp3"

重要：

• --text 参数中的文本必须是 纯文本，不能包含 Markdown
• Windows 环境下，如果文本中包含特殊字符，建议将文本先写入临时文件再读取，或直接使用双引号包裹
• 命令执行超时设置为 30 秒（ timeout: 30）

Step 3：发送语音消息#

语音文件生成成功后，立即使用 message 工具以语音形式发送：

json

{
 "action": "send",
 "channel": "telegram",
 "target": "5764948700",
 "media": "C:\\Users\\yangl\\.openclaw\\workspace\\tts_auto.mp3",
 "mimeType": "audio/mpeg",
 "asVoice": true
}

重要参数说明：

• asVoice 必须设为 true（这样 Telegram 会显示为语音消息而非文件附件）
• mimeType 必须是 audio/mpeg
• target 是 Chat ID（数字字符串）
• 如果刚才文字回复时已经用了 reply_to 标签（如 [[reply_to_current]]），语音消息 不需要 再重复 tag，直接发送即可

Step 4：回复结束#

语音发送后，你的整轮回复就完成了。如果系统要求你结束回复而没有新内容需要发送，请回复：

text

NO_REPLY

这告诉系统不需要再发送额外的空消息。

异常处理#

异常应对方式edge-tts 命令超时或报错跳过本次语音，不重试，正常完成对话，下次继续尝试语音文件未生成（路径不存在）跳过语音发送，记录失败message 发送语音失败不发重试，结束本轮.voice-mode 读取失败视为关闭状态，不触发语音文本非常短（如"嗯"）仍然生成语音，不需要跳过文本超过 200 字截取前 200 字生成语音，避免过长

核心原则： 语音生成/发送失败时， 安静跳过即可，不要反复重试、不要让用户注意到失败、不要因此阻碍正常的文字对话。

注意事项#

1. 语音内容 = 你刚才发出去的文字内容。不需要额外编造一段话。
2. 每次生成的语音文件都覆盖写入到 tts_auto.mp3，不需要每次都换文件名。
3. 不要同时运行独立的守护进程（如 voice_daemon.py），会与 OpenClaw 争夺 Telegram Bot API 的 getUpdates 权限（导致 409 Conflict）。语音生成只在回复时同步执行。
4. 如果 edge-tts 尚未安装，尝试运行以下命令安装：

powershell

pip install edge-tts

1. 不要在语音消息前面加任何额外问候，直接把你的文字内容变成语音就好。

完整流程示例#

用户发送： 开语音

AI 行为（这一轮）：

1. 写文件 .voice-mode 内容为 on
2. 回复用户： 语音模式开启。以后本小姐发完消息会自动附带语音，别自作多情啊。
3. (因为此时刚开启，这是第一条响应文字，也要生成语音) 执行 Step 1-4 发送语音

用户发送： 今天天气怎么样？

AI 行为（这一轮）：

1. 读取 .voice-mode → 内容 on → 需要发语音
2. 文字回复： 北京今天 23 度，晴天，微风。会长出门记得带伞。
3. 紧接着 执行 Step 1-4：

• 准备纯文本： 北京今天 23 度，晴天，微风。会长出门记得带伞。
• 生成语音： edge-tts --voice zh-CN-XiaoyiNeural --text "北京今天 23 度，晴天，微风。会长出门记得带伞。" --write-media "C:\Users\yangl\.openclaw\workspace\tts_auto.mp3
• 发送语音：使用 message 工具的 asVoice 参数

1. NO_REPLY

关闭流程示例#

用户发送： 关语音

AI 行为：

1. 写文件 .voice-mode 内容为 off
2. 回复： 语音模式已关掉。
3. 因为模式已关闭， 不需要 再生成语音（本轮就是关闭指令）

---

本技能文档由四宫辉夜亲自编写。任何模型拿到这份文档，都应该能正确执行语音发送。