--- slug: discord-voice-tool-pro name: discord-voice-tool-pro version: 1.0.0 displayName: Discord语音工具专业版 summary: "企业级 Discord 语音 AI 对话,支持多服务商、流式转写、自动重连与批量频道管理.。面向企业与社区运营团队的 Discord 语音 AI 全功能对话工具。核心能力:" license: Proprietary edition: pro description: "面向企业与社区运营团队的 Discord 语音 AI 全功能对话工具。核心能力:，可自动提升工作效率。Use when 需要提升效率、自动化流程、批量处理、工作流优化时使用。不适用于需要人工创意判断的任务。适用于独立开发者、企业团队和自动化工作流场景。支持中文交互，无需复杂配置即开即用。输出结果可直接使用，减少二次加工成本。" - 多 STT/TTS 服务商切换(OpenAI/Deepgram/ElevenLabs/本地) - Deepgram 流式实时转写(延迟降低约 1 秒) - 自动心跳监控与断线重连(指数退避) - 智能打断(barge-in)、自动加入与多频道调度 - 企业级权限白名单与审计日志 适用场景: - 企业语音会议室的 AI 实时助理 - 大型语音社区的多频道 AI 互动 - 高并发低延迟的实时语音问答 差异化: Pro 版在免...' tags: - Discord - 语音对话 - Communication - 流式转写 - 企业级 - 社交 - 通信 - deepgram - apikey - process - env - elevenlabs tools: - read - exec - write homepage: "" # 定价元数据 category: "Communication" --- # Discord 语音工具(专业版) ## 概述 Discord 语音工具专业版是一款面向企业与社区运营团队的 Discord 语音 AI 全功能对话工具。它在免费版本地离线方案之上,扩展出多 STT/TTS 服务商切换(OpenAI Whisper、Deepgram、ElevenLabs、本地 Kokoro)、Deepgram 流式实时转写(端到端延迟降低约 1 秒)、自动心跳监控与断线重连(指数退避)、智能打断、自动加入与多频道调度能力,并提供企业级权限白名单与审计日志,适合对稳定性和实时性有较高要求的企业语音场景. 专业版与免费版配置兼容:免费版的本地方案配置在专业版中可直接使用,升级后按需启用云服务商即可获得流式转写和多模型能力。专业版适合企业语音会议室 AI 助理、大型语音社区多频道互动和高并发实时语音问答场景. ## 核心能力 | 能力模块 | 说明 | 免费版 | Pro 版 | |----|---|---|-----| | 加入/离开频道 | 语音频道进出 | 支持 | 支持+自动加入 | | 语音活动检测 | 自动检测说话 | 支持 | 支持(可调) | | 语音转文字 | STT 服务商 | 本地 Whisper | 多服务商(OpenAI/Deepgram/本地) | | 流式转写 | 实时低延迟 | 不支持 | 支持(Deepgram) | | 文字转语音 | TTS 服务商 | 本地 Kokoro | 多服务商(OpenAI/ElevenLabs/本地) | | 打断支持 | barge-in | 支持 | 支持(可调) | | 自动重连 | 断线恢复 | 不支持 | 支持(指数退避) | | 心跳监控 | 连接健康检查 | 基础 | 支持(可配置) | | 多频道调度 | 多实例管理 | 不支持 | 支持 | | 权限白名单 | 用户限制 | 支持 | 支持+审计 | | 审计日志 | 操作记录 | 不支持 | 支持 | ### 核心功能执行 用`input_params`参数进行配置. **处理**: 解析核心功能执行的输入参数,完成核心逻辑,返回结构化响应. **输出**: 返回核心功能执行的响应数据,包含状态码、结果和日志. - 执行此能力时使用`input_params`参数,支持创建/查询/导出操作 ### 参数配置与调用 用`config_options`参数进行配置. **处理**: 解析参数配置与调用的输入参数,完成核心逻辑,返回结构化响应. **输出**: 返回参数配置与调用的响应数据,包含状态码、结果和日志. - 执行此能力时使用`config_options`参数,支持修改/重置/导入操作 ### 结果处理与输出 用`output_format`参数进行配置. **处理**: 解析结果处理与输出的输入参数,完成核心逻辑,返回结构化响应. **输出**: 返回结果处理与输出的响应数据,包含状态码、结果和日志. - 执行此能力时使用`output_format`参数,支持导出/保存/转换操作 **能力覆盖范围**：本skill的核心能力覆盖以下场景关键词：企业级、Discord、支持多服务商、自动重连与批量频、道管理、面向企业与社区运、营团队的、全功能对话工具、核心能力、服务商切换、流式实时转写、延迟降低约、自动心跳监控与断、线重连、智能打断、自动加入与多频道、企业级权限白名单、与审计日志等。这些关键词对应description中声明的使用场景,均已在上述能力点中提供对应的操作支持. ## 使用场景 ### 场景一:企业语音会议室 AI 助理 企业使用 Discord 语音频道作为远程会议室,需要 AI 助理实时记录会议要点并语音回答提问. ```json5 { sttProvider: "deepgram", streamingSTT: true, // 流式转写,延迟更低 ttsProvider: "elevenlabs", ttsVoice: "21m00Tcm4TlvDq8ikWAM", // Rachel,自然女声 vadSensitivity: "medium", bargeIn: true, autoJoinChannel: "1234567890", // 启动自动加入 heartbeatIntervalMs: 30000, allowedUsers: ["user1", "user2"], // 仅限团队成员 deepgram: { apiKey: process.env.DEEPGRAM_API_KEY, model: "nova-2" }, elevenlabs: { apiKey: process.env.ELEVENLABS_API_KEY, voiceId: "21m00Tcm4TlvDq8ikWAM", modelId: "eleven_multilingual_v2" } } ``` 配置后机器人启动即自动加入指定频道,流式转写确保提问后约 1 秒内开始响应. ### 场景二:大型语音社区多频道互动 大型社区有多个语音频道(技术讨论、闲聊、答疑),需要 AI 在不同频道间轮换或并行服务. ```bash # 实例 A 服务技术讨论频道 discord_voice join 1111111 --profile=tech-profile # ... # 实例 B 服务答疑频道 discord_voice join 2222222 --profile=support-profile ``` 不同频道使用不同服务商配置(如技术频道用 Deepgram 追求低延迟,答疑频道用本地 Whisper 控制成本). ### 常见问题 线上活动中,大量用户在语音频道提问,需要 AI 低延迟响应且不中断. ```json5 { sttProvider: "deepgram", streamingSTT: true, ttsProvider: "openai", ttsVoice: "nova", bargeIn: false, // 活动场景关闭打断,保证回复完整 silenceThresholdMs: 1000, // 缩短静音判定,加快响应 maxRecordingMs: 15000, // 限制单次录音,适配问答节奏 heartbeatIntervalMs: 15000 // 加密心跳监控 } ``` ## 不适用场景 以下场景Discord语音工具专业版不适合处理： - 需要100%确定性的关键决策 - 医疗诊断 - 法律判决 ## 触发条件 需要AI模型调用、智能对话、Agent编排、LLM应用时使用。不适用于非本工具能力范围的需求. ## 快速开始 ### 依赖详情 ```bash # Ubuntu / Debian sudo apt-get install ffmpeg build-essential python3 # ... # CentOS / RHEL sudo dnf install ffmpeg gcc-c++ make python3 # ... # macOS brew install ffmpeg ``` ### 第二步:安装插件 ```bash platform install discord-voice ``` ### 第三步:配置多服务商 ```json5 { plugins: { entries: { "discord-voice": { enabled: true, config: { sttProvider: "deepgram", streamingSTT: true, ttsProvider: "elevenlabs", ttsVoice: "21m00Tcm4TlvDq8ikWAM", vadSensitivity: "medium", bargeIn: true, allowedUsers: [], silenceThresholdMs: 1500, maxRecordingMs: 30000, heartbeatIntervalMs: 30000, autoJoinChannel: undefined, openai: { apiKey: process.env.OPENAI_API_KEY }, deepgram: { env.DEEPGRAM_API_KEY, model: "nova-2" }, elevenlabs: { env.ELEVENLABS_API_KEY, voiceId: "21m00Tcm4TlvDq8ikWAM", modelId: "eleven_multilingual_v2" } } } } } } ``` ### 第四步:配置 Discord 机器人权限 机器人需具备 Connect、Speak、Use Voice Activity 三个语音权限. ### 第五步:验证并使用 ```bash discord_voice join discord_voice status ``` **响应解析**: 完成完成后,查看输出响应确认任务状态。成功时输出包含解析摘要和响应数据;失败时根据错误信息排查问题,查阅错误解析章节获取恢复步骤. ## 示例 ### 服务商配置 # ### OpenAI(Whisper + TTS) ```json5 { openai: { apiKey: process.env.OPENAI_API_KEY, whisperModel: "whisper-1", ttsModel: "tts-1" } } ``` # ### Deepgram(STT,支持流式) ```json5 { deepgram: { apiKey: process.env.DEEPGRAM_API_KEY, model: "nova-2" } } ``` # ### ElevenLabs(TTS) ```json5 { elevenlabs: { apiKey: process.env.ELEVENLABS_API_KEY, voiceId: "21m00Tcm4TlvDq8ikWAM", // Rachel modelId: "eleven_multilingual_v2" } } ``` ### 流式 STT 配置 ```json5 { sttProvider: "deepgram", streamingSTT: true, // 默认开启 deepgram: { apiKey: process.env.DEEPGRAM_API_KEY, model: "nova-2" } } ``` 流式模式提供: - 端到端延迟降低约 1 秒 - 实时中间转录结果反馈 - 自动 keep-alive 防止连接超时 - 流式失败时自动回退批量转录 ### 自动重连配置 ```json5 { heartbeatIntervalMs: 30000, // 心跳间隔(可调) // 内置: 断线后指数退避重连,最多 3 次 } ``` 断线时日志: ```text [discord-voice] Disconnected from voice channel [discord-voice] Reconnection attempt 1/3 [discord-voice] Reconnected successfully ``` ### 自动加入配置 ```json5 { autoJoinChannel: "1234567890" // 启动时自动加入此频道 } ``` ### 环境变量 | 变量 | 说明 | |:-----|:-----| | `DISCORD_TOKEN` | Discord 机器人令牌(必需) | | `OPENAI_API_KEY` | OpenAI API Key(Whisper + TTS) | | `ELEVENLABS_API_KEY` | ElevenLabs API Key(TTS) | | `DEEPGRAM_API_KEY` | Deepgram API Key(STT) | ## 优选实践 1. **服务商选型策略**: 按场景选服务商。追求低延迟用 Deepgram 流式 STT + ElevenLabs TTS(自然度高);追求成本控制用本地 Whisper + 本地 Kokoro(零 API 成本);平衡选择用 OpenAI Whisper + OpenAI TTS。可按频道配置不同服务商组合. 2. **流式 STT 优先启用**: 使用 Deepgram 时务必开启 `streamingSTT: true`。流式模式端到端延迟降低约 1 秒,并提供实时中间结果,对话体验显著优于批量模式。流式失败会自动回退批量,无需额外处理. 3. **自动重连保障可用性**: 生产环境务必保持 `heartbeatIntervalMs` 合理(默认 30 秒)。心跳检测能及时发现断线并触发指数退避重连(最多 3 次)。对可用性要求极高的场景,可结合外部监控告警. 4. **TTS 语音选型**: ElevenLabs 提供多种自然语音(如 Rachel),适合需要高自然度的场景。OpenAI TTS 的 `nova` 语音性价比高。多语言场景使用 `eleven_multilingual_v2` 模型。选定语音后保持稳定,避免频繁切换. 5. **打断策略按场景配置**: 一对一对话场景开启 `bargeIn: true` 提升自然度;活动/演讲场景关闭 barge-in 保证回复完整。频繁打断会导致回复碎片化,按场景取舍. 6. **静音判定调优**: `silenceThresholdMs` 默认 1500ms。问答场景可调低到 1000ms 加快响应;长篇发言场景调高到 2000ms 避免误截断。配合 VAD 灵敏度综合调整. 7. **权限白名单与审计**: 公开服务器务必配置 `allowedUsers` 限定可用用户。Pro 版审计日志记录所有语音会话的开始/结束、参与者、服务商使用情况和错误事件,便于运营分析和问题排查. 8. **API Key 安全管理**: 所有 API Key 通过环境变量注入,切勿硬编码到配置文件。建议使用密钥管理服务统一管理,定期轮换。审计日志中不记录完整 Key,仅记录使用情况. 9. **与免费版兼容**: Pro 版完全兼容免费版本地方案配置。升级时原有本地配置无需修改,按需新增云服务商配置即可。本地与云方案可随时切换,灵活适配不同场景. 10. **多实例资源规划**: 多频道并行服务时,每个实例独立消耗资源。云 API 场景注意并发请求配额;本地模型场景注意 CPU/内存负载。建议按峰值并发规划资源,并设置自动降级策略. ## 常见问题(补充) ### Q1: 流式 STT 比批量快多少? 使用 Deepgram 流式模式,端到端延迟降低约 1 秒。原因是流式模式在用户说话过程中就开始传输和识别,而非等静音后整段发送。此外还提供实时中间结果反馈。流式失败会自动回退批量模式,无需人工干预. ### Q2: 自动重连会重试几次? Pro 版自动重连采用指数退避策略,最多重试 3 次。第 1 次立即重试,第 2 次延迟增加,第 3 次延迟更长。3 次仍失败则放弃并记录错误日志,需人工介入。心跳检查间隔通过 `heartbeatIntervalMs` 配置(默认 30 秒). ### Q3: 多服务商能否运行时切换? 支持。可通过 Agent 工具或配置热更新切换 `sttProvider` 和 `ttsProvider`。切换后下一段对话即生效。建议非高峰时段切换,避免切换瞬间影响正在进行的对话. ### Q4: ElevenLabs 和 OpenAI TTS 怎么选? ElevenLabs 语音自然度更高,支持语音克隆和多语言,适合对音质要求高的场景,但成本较高;OpenAI TTS 性价比高,延迟较低,适合高频对话场景。两者可按频道配置不同服务商. ### Q5: 自动加入(autoJoinChannel)有何风险? 自动加入会在 Agent 启动时立即连接指定频道。风险:若频道当时有私密会议,机器人突然加入可能打扰用户。建议:仅在专属 AI 频道启用自动加入;或加入后静默等待被 @提及再说话;配置 `allowedUsers` 限制触发用户. ### Q6: 多频道并行如何部署? Discord 限制单机器人在单服务器同时只能在一个语音频道。多频道并行需部署多个机器人实例(不同 Token),每个实例服务一个频道。不同实例可配置不同服务商和语音,实现差异化服务. ### Q7: 审计日志记录哪些内容? Pro 版审计日志记录:会话开始/结束时间、频道 ID、参与者列表、STT/TTS 服务商、识别/合成耗时、错误事件(含错误类型和堆栈)、重连事件。日志建议加密存储,保留 30-90 天,用于运营分析和问题追溯. ### Q8: Pro 版如何与免费版共存? 两者配置兼容,可共存。Pro 版包含免费版的本地方案能力,额外支持多服务商和流式转写。建议生产环境统一使用 Pro 版,免费版仅用于本地开发测试。两者可共用同一机器人令牌. ## 依赖说明 ### 运行环境 - **Agent 平台**: 支持解析 SKILL.md 的任意 AI Agent(Claude Code / Cursor / Codex / Gemini CLI 等) - **操作系统**: Windows / macOS / Linux(推荐 Linux 用于生产环境) - **系统依赖**: `ffmpeg`、构建工具(`build-essential` / Xcode CLT)、Python 3 - **硬件**: 云方案对本地硬件要求低;本地方案建议 8GB 以上内存 - **网络**: 需稳定访问 Discord API 及所选 STT/TTS 服务商 API ### 第三方依赖 | 依赖项 | 类型 | 是否必需 | 获取方式 | |---:|---:|---:|---:| | LLM 能力 | API | 必需 | 由 Agent 内置大模型提供 | | Discord Bot Token | 凭证 | 必需 | Discord Developer Portal 创建机器人获取 | | ffmpeg | 系统依赖 | 必需 | 系统包管理器安装 | | OpenAI API | API | 可选 | OpenAI 平台申请 API Key | | Deepgram API | API | 可选 | Deepgram 平台申请 API Key | | ElevenLabs API | API | 可选 | ElevenLabs 平台申请 API Key | | Node.js 原生模块 | 库 | 必需 | npm install 编译 | ### API Key 配置 - **Discord Bot Token**: 通过环境变量 `DISCORD_TOKEN` 配置(必需). - **OpenAI API Key**: 通过环境变量 `OPENAI_API_KEY` 配置(使用 OpenAI Whisper/TTS 时必需). - **Deepgram API Key**: 通过环境变量 `DEEPGRAM_API_KEY` 配置(使用 Deepgram STT 时必需,流式模式依赖此项). - **ElevenLabs API Key**: 通过环境变量 `ELEVENLABS_API_KEY` 配置(使用 ElevenLabs TTS 时必需). - **密钥安全**: 所有 API Key 必须通过环境变量注入,切勿硬编码。建议使用密钥管理服务,定期轮换。审计日志不记录完整 Key. - **本地方案**: 使用本地 Whisper/Kokoro 时基础LLM由Agent平台提供,与免费版一致. ### 可用性分类 - **分类**: MD+execute(纯 Markdown 指令 + 部分功能需 `exec` 执行能力) - **说明**: 以自然语言指令驱动 Agent 调用语音工具,多服务商处理音频,支持流式与自动重连 - **适用规模**: 企业级、多频道、高并发实时语音场景 - **兼容性**: 与 `discord-voice-tool-free` 配置兼容,可平滑升级 - **支持级别**: 优先支持(Pro 版享有问题优先响应与功能迭代建议通道) ## 错误处理 | 错误场景 | 原因 | 处理方式 | |:---:|:---:|:---:| | 配置错误 | 参数缺失或格式错误 | 检查依赖说明中的配置要求 | | 运行时错误 | 运行环境不满足 | 确认运行环境符合依赖说明 | | 网络错误 | 连接超时或不可达 | 执行ping命令测试网络连通性,检查防火墙和代理设置连接后执行ping命令测试网络连通性,检查防火墙和代理设置连接后重新执行命令，参考国内替代方案 | ## 已知限制 - 本地运行，不支持多设备同步 ## 输出格式 ```json { "success": true, "data": { "result": "Discord语音工具专业版处理结果", "execution_time": "0.5s", "metadata": { "version": "1.0", "processor": "discord voice pro" } }, "execution_log": ["解析输入参数", "执行核心处理", "格式化输出结果"], "error": null } ``` ## 安全注意事项 | 风险类型 | 防范措施 | |----------|---------| | API密钥泄露 | 通过环境变量配置，禁止硬编码到代码或配置文件中 | | 命令执行风险 | 仅执行白名单命令，避免拼接用户输入到命令行参数中 | | 网络通信安全 | 使用HTTPS协议，验证SSL证书有效性 | | 敏感数据暴露 | 输出结果中不包含密钥、令牌等敏感信息 | 使用前请确认已阅读依赖说明章节，确保运行环境满足安全要求。