Discord 语音频道实时 AI 对话

Discord语音频道实时AI对话，支持多引擎语音转写与合成，代码安全规范，适合需要语音交互的社区机器人场景。

基本信息

• 技能名称?Discord Voice
• 中文名称?Discord 语音频道实时 AI 对话
• 作者?avatarneil
• 分类?专业技能
• 版本?0.1.6
• 标签?discord, voice, stt, tts, real-time, websocket, multi-provider, clawdbot

使用方法

使用说明
核心用法
Discord Voice 是 Clawdbot 的语音交互插件，实现 Discord 语音频道内的实时 AI 对话。用户加入语音频道后，可通过自然语音与 Claude AI 交流——语音被自动识别转写为文本，经 AI 处理后以合成语音播放回应。
接入方式 ：
Slash 命令 ： /discord_voice join 加入频道
CLI 工具 ： clawdbot discord_voice join
Agent 工具 ：直接调用 discord_voice 工具执行 join/leave/speak/status 动作
完整语音链路 ：语音活动检测(VAD) → 音频录制 → 语音转文本(STT) → Claude 处理 → 文本转语音(TTS) → 语音播放。支持 Deepgram 流式 STT（延迟降低约1秒）和智能打断(Barge-in)，对话更自然流畅。
显著优点

1. 多提供商灵活配置 ：STT 支持 OpenAI Whisper、Deepgram、本地 Whisper（离线）；TTS 支持 OpenAI、ElevenLabs、Kokoro（本地），可根据隐私需求与成本灵活选择
2. 实时性能优化 ：Deepgram 流式识别、WebSocket 长连接、自动重连机制，端到端延迟控制在可接受范围
3. 工程化完善 ：TypeScript 全类型覆盖、完善的错误截断处理（防日志泄露）、临时文件自动清理、心跳监测
4. 安全实践规范 ：API 密钥全部环境变量获取，零硬编码；TLS 1.3 加密传输；符合 GDPR/CCPA 基本要求
   潜在缺点与局限性
   外部 API 强依赖 ：核心功能依赖 6 家第三方语音服务商（OpenAI/Deepgram/ElevenLabs/AWS/Microsoft/Wyoming），网络波动或服务变更影响可用性
   单频道限制 ：每个服务器同时仅能接入一个语音频道
   录制时长限制 ：默认 30 秒最大录制时长，长语音需分段处理
   本地部署门槛 ：需 ffmpeg、build-essential 等系统依赖，Windows 环境配置较复杂
   无语音数据持久化 ：虽保护隐私，但也意味着无法离线分析或事后审计对话内容
   适合人群
   Discord 社区运营者：打造 24/7 语音陪伴型 AI 机器人
   开发团队：需要快速集成语音能力的 Clawdbot 用户
   隐私敏感场景：可选择本地 Whisper + Kokoro 实现完全离线语音交互
   常规风险
   API 密钥泄露风险 ：虽代码层面无硬编码，但用户配置不当仍可能导致密钥暴露
   语音数据跨境传输 ：使用境外服务商时音频数据需出境，合规敏感场景建议启用本地模式
   速率限制影响体验 ：Deepgram/ElevenLabs 等存在调用限额，高并发场景需配置 fallback 策略
   依赖误报干扰 ：oxlint 被误标为 typosquatting，需人工甄别避免不必要的安全警报