Telegram Voice To Voice Macos 是一款专为 macOS Apple Silicon 设备设计的语音互转工具，属于 OpenClaw 技能生态的一部分。该工具通过调用系统原生 Speech.framework 实现语音识别，并利用 ffmpeg 和 say 命令完成语音合成与回复，实现了 Telegram 平台上的端到端语音交互闭环。其核心工作流程为：接收用户发送的 .ogg 格式语音消息后，自动将其转录为文本，再根据预设模式生成语音或文字形式的回复并回传至 Telegram。由于深度依赖 macOS 特有的命令行工具（如 say）和系统框架，此技能目前仅支持 Apple Silicon 芯片的 Mac 电脑，无法在 Linux 或 Windows 系统上运行。 该工具支持两种回复模式——语音模式和文本模式，用户可通过发送特定指令动态切换。默认情况下，系统会保存每个 Telegram 用户的偏好设置到本地状态文件 `voice_state/telegram.json` 中，以区分不同用户的交互方式。当收到语音消息时，工具首先尝试从 OpenClaw 媒体目录 `~/.openclaw/media/inbound/` 获取最新的 .ogg 音频文件；若上下文已包含附件路径，则优先使用该路径以提高准确性。随后调用 yap CLI 进行语音转写，支持通过环境变量 YAP_LOCALE 自定义语言区域，默认使用 macOS 系统当前的语言设置。若转录失败或结果为空，系统将提示用户重新发送内容。 在语音回复模式下，工具采用系统默认语音引擎（SYSTEM），也可指定具体语音名称进行合成。生成的文本经 TTS 转换后输出为 OGG/Opus 格式的语音文件，并通过 OpenClaw 的消息接口以“语音留言”形式精准推送给原发消息者，而非普通音频附件。整个过程高度自动化，无需人工干预即可完成从接收到响应的全流程处理，极大提升了 Telegram 群组或私聊场景下的语音交互效率与体验。
核心功能特点
- 专为 macOS Apple Silicon 设计，利用系统 Speech.framework 实现高精度语音识别
- 支持语音与文本双回复模式，用户可通过 /audio on/off 指令实时切换
- 自动提取 Telegram 语音消息并转换为可处理的 .ogg 文件
- 集成 yap CLI 进行多语言语音转写，支持自定义语言区域（YAP_LOCALE）
- 使用 ffmpeg 和 say 命令生成自然语音回复，支持选择系统或指定语音
- 通过 OpenClaw 消息接口以标准语音留言形式回传，保持聊天界面一致性
适用场景
这款工具特别适合需要在 Telegram 上高效处理语音消息的技术爱好者、远程工作者或社群管理员。例如，在一个跨国协作团队中，成员遍布不同时区且习惯使用语音沟通，管理员可以部署此工具来自动转录收到的语音指令，并以语音形式快速反馈操作结果，避免频繁打字打断思路。对于经常参与在线会议或讲座的用户而言，该工具能即时将他人分享的语音片段转为文字摘要，再以语音形式复述关键信息，便于边听边记。此外，在个人知识管理场景中，用户可将 Telegram 作为语音笔记收集渠道，工具自动将其转化为结构化文本并生成语音版本存档，方便后续检索与回放。 由于该方案完全基于命令行脚本和开源组件构建，它也为开发者提供了良好的扩展基础。熟悉 Shell 脚本的开发者可以修改 transcribe_telegram_ogg.sh 或 tts_telegram_voice.sh 脚本来集成第三方 ASR/TTS 服务（如 Whisper 或 Google Cloud Speech-to-Text），从而突破 macOS 原生框架的限制，提升识别准确率或多语言支持能力。同时，结合 OpenClaw 的状态管理机制，未来还可扩展出更复杂的对话逻辑，比如记忆上下文、执行命令解析等高级功能。尽管目前仅限 macOS 使用，但其模块化设计使其具备良好的跨平台潜力，一旦适配其他操作系统，有望成为 Telegram 自动化交互的重要基础设施之一。