Telegram Multilingual Voice Reply（多语言语音智能回复）

目标：在 Telegram 跟 OpenClaw 聊天时实现“语音优先 + 多语言跟随”的智能回复：

• 你发文字 → 默认只发文字回复（不触发 ASR；默认也不触发 TTS）。
• 你发语音 → 本地 STT 转写后理解语义，生成“有意义的回复”。默认用 一条 Voice Message + caption 发送（语音+文字同条，且内容一致）。
• 语言跟随：你用中文我用中文；你用英文我用英文；除非你明确要求指定语言（也支持方言/口吻要求，但 TTS 受模型限制）。

Default models

• STT 默认：mlx-community/Qwen3-ASR-0.6B-8bit
• （可选）Forced alignment：mlx-community/Qwen3-ForcedAligner-0.6B-8bit

> 需要模型清单/更多上游用法：references/qwen3-asr-notes.md

How to use (agent workflow)

A) 输入是文字（text message）

• 永不触发 ASR。
• 默认只发文字回复。
• 只有当用户明确说“用语音回复/发语音/voice reply”时：
• 生成回复文本 reply_text
• 生成 voice note（见下方“Telegram 单条消息”）
• 发送 一条 Voice Message（caption=reply_text，且与语音内容一致）

B) 输入是语音（voice note / audio）

• 默认必走 ASR（否则无法“智能回复”）。
• 然后根据用户意图决定是否触发 TTS：
• 用户说“只要文字/文字回复/不要语音” → ASR + 文字回复（不 TTS）。
• 否则（默认真实场景） → ASR + 生成回复 + 单条 voice+caption（走 TTS）。

语音→转写（本地、Apple Silicon）

python3 scripts/mlx_asr.py --audio /path/to/audio.ogg --language Chinese

> 注：Telegram 常见是 ogg/opus。mlx_asr.py 已支持 CLI fallback，并会在需要时用 ffmpeg 转 wav。

Telegram 单条消息（语音 + 文字在同一条）

Telegram 支持给 voice note 附带 caption，使得“语音条 + 下方文字”显示为同一条消息（你截图里的效果）。

1) 用 scripts/mlx_tts_voice.py 生成 Telegram 友好的 .ogg/opus：

python3 scripts/mlx_tts_voice.py --text "<reply_text>" --out /tmp/reply.ogg

2) 用 OpenClaw message 工具发送（voice note + caption）：

• asVoice: true
• path/filePath: 上一步生成的 reply.ogg
• caption: 同一段 reply_text（必须与语音内容一致）

> 说明：OpenClaw 的 tts 工具通常会把语音作为单独消息发送，无法保证 caption 同条承载。

Options / overrides

• 用户说“只用文字回复/不要语音” → 只发文字。
• 用户说“只用语音回复/不要文字” → 只发语音（仍然保持内容一致）。
• 用户说“用英文/用中文回复” → 覆盖默认语言跟随策略。

Troubleshooting

• failed to import mlx_audio：当前 python3 环境里没有安装到 mlx_audio。请用安装 mlx_audio 的同一个解释器/venv 运行。
• 音频格式问题：Telegram 常见 voice note 是 ogg/opus。如转写失败，优先把音频转成 wav 再试（或确保系统具备相应解码能力）。