Walkie-Talkie（WhatsApp 语音对话模式）

目标：用户既可以发文字也可以发语音；我都能理解并回复。若用户发语音，我会：

• 先转写成文字（用于理解与可读性）
• 再生成语音回复（语音消息 / voice note）
• 同时发回文字 + 语音（避免听不清/便于复制）

工作流

1) 收到语音消息（WhatsApp voice note / audio）

1. 在消息上下文中找到音频附件的本地路径（通常会以 MEDIA: /path/to/file 或类似字段出现）。
2. 如音频为 ogg/opus，可直接用 Whisper；如遇到格式问题，先用 ffmpeg 转成 mp3：
   • ffmpeg -y -i input.ogg -ar 16000 -ac 1 /tmp/in.mp3
3. 用本地 Whisper CLI 转写：
   • whisper /tmp/in.mp3 --model small --output_format txt --output_dir /tmp
   • 读取 /tmp/in.txt 得到转写文本。
4. 将转写文本当作用户的真实输入来处理，并生成正常的文字回复。

2) 回复语音 + 文字

1. 先发送文字回复（清晰、可复制）。
2. 再把同样的内容用 tts 工具生成音频，并用 message 工具作为语音消息发送：
   • tts(text=回复内容) → 得到 MEDIA: ...
   • message(action="send", channel="whatsapp", ... , filePath=<MEDIA路径>, asVoice=true)

触发方式

• 用户发送音频/语音消息时自动触发（若平台把转写/媒体路径注入上下文）。
• 或用户说：
  • “开启语音模式 / walkie-talkie 模式”
  • “用语音和我说”

约束/注意

• 转写默认用 --model small（速度/准确性折中）；需要更准可提升到 medium。
• 必须双回复：文字 + 语音。
• 任何一步缺依赖（找不到媒体路径、whisper 失败、tts 失败）要明确报错并给出下一步（例如让用户重发、或改用文字）。

手动命令（内部）

# 1) 语音转写
ffmpeg -y -i input.ogg -ar 16000 -ac 1 /tmp/in.mp3
whisper /tmp/in.mp3 --model small --output_format txt --output_dir /tmp
cat /tmp/in.txt