让 AI 面试官听懂语音：Go + 飞书语音消息实战（五）

📮 本系列首发于公众号「GO语言入门之路」。前文见 上篇、下篇、第三篇、第四篇：飞书机器人。

上一篇把面试教练接进了飞书，但留了个明显的产品缺口：真实面试里你是「说」答案的，不是打字。对着打字框组织语言，和开口讲话，是完全两种压力测试——很多人打字能对答如流，一开口就逻辑断片，这才是面试要练的东西。

今天这篇给机器人装上耳朵：飞书里发一条语音消息，自动转文字、走评估、出追问，和文字作答完全同一套管线。识别结果会回显给你，答完照样出评分报告。

一、先想清楚：为什么「听」比「说」优先

做语音功能，先「听」（ASR 语音转文字）还是先「说」（TTS 文字转语音）？这是个产品决策，不是技术决策：

结论很直接：ASR 改变产品形态，TTS 只是体验优化。所以本篇先把「听」做扎实，TTS 留了个零成本的彩蛋在第五节。

二、链路拆解：收、转、答三段式

整条链路分三段，核心原则一句话：第三段「答」一行代码都不改。

飞书语音消息 → [收] 事件解析 + 资源下载 → [转] ASR 转文字 → [答] 现有文字作答管线

「收」是飞书特有逻辑：语音消息事件里只有一个 file_key，音频二进制要走资源下载接口另取。「转」是供应商特有逻辑：OpenAI 兼容的 /v1/audio/transcriptions。「答」是已经写好的面试状态机。

三段各管各的，用接口隔离——这正是前几篇反复强调的 I/O 适配层思路在语音场景的复用。internal/coach 状态机从第一篇到现在，一个字没动过。

三、收：audio 事件与资源下载

飞书语音消息事件的 MessageType 是 audio，content 是一段 JSON：

// 语音消息的 content：{"file_key":"...","duration":<毫秒>}
var body struct {
    FileKey  string `json:"file_key"`
    Duration int64  `json:"duration"` // 顺手取时长，做长度兜底
}
if err := json.Unmarshal([]byte(*msg.Content), &body); err != nil || body.FileKey == "" {
    return b.reply(ctx, msg, "语音消息解析失败，请重发一次。")
}

拿到 file_key 之后，音频本体要走另一个接口下载：GET /open-apis/im/v1/messages/:message_id/resources/:file_key（type=file）。SDK 里就是一行：

func (s *LarkSender) Fetch(ctx context.Context, messageID, fileKey string) (io.Reader, string, error) {
    req := larkim.NewGetMessageResourceReqBuilder().
        MessageId(messageID).
        FileKey(fileKey).
        Type("file"). // file 类型覆盖音频/视频/普通文件
        Build()
    resp, err := s.cli.Im.MessageResource.Get(ctx, req)
    if err != nil {
        return nil, "", err
    }
    if !resp.Success() {
        return nil, "", fmt.Errorf("下载语音失败: code=%d", resp.Code)
    }
    return resp.File, resp.FileName, nil // File 即二进制流，FileName 带原始后缀
}

这里有个容易踩的权限坑：应用必须在飞书开放平台后台申请 im:resource 权限，否则下载接口直接返回权限错误码，报错信息还不直观。另外语音消息没法 @ 机器人，所以群聊里的响应规则要单独设计：只响应已有进行中面试的用户的语音，否则群里随便一条语音机器人都插话，太吵了。

四、转：ASR 免费方案选型

转写服务怎么选？我把主流方案实测/调研了一遍，先上结论表（各供应商免费额度随时可能调整，以官网为准）：

首选 SiliconFlow：OpenAI 协议兼容意味着代码零改动，OPENAI_BASE_URL 一换就行，这和本系列 LLM 客户端的设计完全同构。注册拿 Key，https://api.siliconflow.cn/v1 就是端点。

转写封装只有一个文件，关键调用就这几行：

resp, err := o.cli.Audio.Transcriptions.New(ctx, openai.AudioTranscriptionNewParams{
    File:  audio,                        // io.Reader，SDK 自动编码 multipart
    Model: openai.AudioModel(o.model),   // 默认 FunAudioLLM/SenseVoiceSmall
})
if err != nil {
    return "", fmt.Errorf("transcribe: %w", err)
}
return resp.Text, nil // 直接取文本；空串 = 没听清

然后是最体现设计价值的一步——转写完直接喂给现成的文字管线：

// 转写 → 走与文字消息完全相同的指令/作答管线
reply, err := b.HandleText(ctx, key, text)
if err != nil {
    return "", err
}
// 识别结果前置展示：评估以它为准，用户能当场发现识别偏差
return "【语音识别】" + text + "\n\n" + reply, nil

注意这个设计：对着机器人说「结束」也能结束面试，因为语音转文字后走的就是同一个 HandleText，指令解析天然生效。文字答一题、语音答一题混着来也互不影响——同一个会话 key，同一台状态机。

五、彩蛋：零成本的「说」

正经 TTS 要等后续接入，但网页版有个浏览器内置彩蛋值得先玩：Web Speech API 的 speechSynthesis，不用任何 Key，全部浏览器自带。把「说」加进第三篇的网页版，十行以内：

// 面试教练开口念题：浏览器原生 TTS，零依赖零 Key
function speak(text) {
  speechSynthesis.cancel();                    // 打断上一条，避免叠音
  const u = new SpeechSynthesisUtterance(text);
  u.lang = "zh-CN";                            // 中文
  u.rate = 1.05;                               // 面试节奏，稍快一点点
  speechSynthesis.speak(u);
}
// 出题后调用：speak(question)

机械音确实不如商业 TTS，但演示「面试官开口提问」的完整闭环，够用了。

六、踩坑清单

语音这块的坑比想象中密，都替你们踩过了：

1. 权限：im:resource 没申请，下载接口必挂，报错码还不直观。
2. opus 格式：飞书语音原始流是 opus 封装。OpenAI 协议端点大多接受 ogg 容器（Whisper 系支持 ogg），资源接口返回的 FileName 带后缀，原样透传即可；如果换成只认 wav 的供应商，本地 ffmpeg 转一道。
3. 时长兜底：转写服务按次或按时长计费且都有上限，我们的做法是超 3 分钟的语音直接提示分段作答，不硬转。
4. 识别失败的语义：ASR 返回空串不是错误，是「没听清」。要单独提示重试，绝不能把空文本送进评估管线——那会让面试官对着空气打分。
5. 回显识别结果：评估基于识别文本，用户有权知道自己说的话被听成了什么。不回显的语音功能都是半成品。
6. 群聊噪音：语音无法 @ 机器人，响应规则必须挂「有进行中的面试」这个条件，否则机器人在群里会失控接话。

七、总结

五篇下来，这个项目的骨架越来越清晰：一个稳定的状态机核心（出题/评估/追问/报告），加一层一层的 I/O 适配器（终端 → 浏览器 → 飞书 → 语音），每加一层，产品多一个真实使用场景，核心代码一行不动。AI 应用开发的大部分工程含金量，就在这些适配层里。

本篇完整代码（含语音全链路单测）在 GO2AI-CN 组织下的 ai-interview-coach 仓库整理开源中（internal/asr/ 和 internal/bot/），go test ./... 全绿。端到端需要你自己建个飞书应用发一条语音——记得申请 im:resource 权限。

系列下一篇把它部署到服务器上 7×24 运行，聊聊进程守护、日志、成本监控。

相关阅读：第四篇：飞书机器人 · 第六篇：部署与成本监控

版本说明

• openai-go：v3.95.0（2026-11-05 核对自 github.com/openai/openai-go 的 releases 页；音频转写接口 Audio.Transcriptions.New 核对自官方 README 与 pkg.go.dev；module 路径 github.com/openai/openai-go/v3，要求 Go 1.26+）
• larksuite/oapi-sdk-go/v3：v3.12.2（2026-11-05 核对自 GitHub tag 列表）
• SiliconFlow 免费模型与额度为写作时调研信息，可能随官方政策调整，接入前请以硅基流动官网为准

本文系 AI 辅助生成，内容已经人工核对，如有错误欢迎评论区留言指正。

📮 关注公众号「GO语言入门之路」

每周更新 Go + AI 应用开发实战：AI 面试官完整项目、MCP、Agent 工程化，完整源码随文章首发。

微信扫码，或搜索「GO语言入门之路」关注，第一时间获取系列更新与源码，不再错过任何一篇。