语音代理代表了人机交互的前沿——人类以自然语言与AI系统交流。挑战不仅在于语音识别与合成，更在于实现流畅自然的对话

使用 Vosk 离线语音识别技术将语音消息和音频文件转换为文本。当用户发送语音消息、音频文件或要求将语音转为文本时使用。

使用Venice AI基于Whisper的语音识别技术将音频转录为文本，支持WAV、MP3、FLAC、M4A、AAC格式，并可选带时间戳

使用智谱AI（BigModel）GLM-ASR模型进行自动语音识别（ASR），适用于将音频文件转录为文本，支持中文音频转录，具备上下文提示、自定义热词及多种音频格式支持

使用 Yandex SpeechKit 从语音消息中识别语音（架构可扩展以支持其他服务商）。当需要将语音消息转换为文本时使用。