功能说明: 本技能涵盖 中文交互、提升工作效率、化流程、化工作流场景 等核心能力。

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.

{
  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.

# 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.

{
  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

# 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

platform install discord-voice

第三步:配置多服务商

{
  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

discord_voice join <channelId>
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)

{
  openai: {
    apiKey: process.env.OPENAI_API_KEY,
    whisperModel: "whisper-1",
    ttsModel: "tts-1"
  }
}

Deepgram(STT,支持流式)

{
  deepgram: {
    apiKey: process.env.DEEPGRAM_API_KEY,
    model: "nova-2"
  }
}

ElevenLabs(TTS)

{
  elevenlabs: {
    apiKey: process.env.ELEVENLABS_API_KEY,
    voiceId: "21m00Tcm4TlvDq8ikWAM",  // Rachel
    modelId: "eleven_multilingual_v2"
  }
}

流式 STT 配置

{
  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

{
  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:

[discord-voice] Disconnected from voice channel
[discord-voice] Reconnection attempt 1/3
[discord-voice] Reconnected successfully

自动加入配置

{
  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

{
  "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。