Gemini 3.1把语音转文字压到0.3秒

Google 3月底甩出Gemini 3.1 Flash Live，主打"让音频AI更自然可靠"。实时双向语音、低延迟、可打断、多语言——参数表漂亮得像产品经理的PPT。

但我的LINE Bot项目（linebot-helper-python）正面临一个尴尬现实：它能处理文本、图片、URL、PDF、YouTube，唯独对语音消息装死。用户发语音，Bot沉默。

这次要补上这块拼图，顺便记录几个踩过的坑。

坑一：用直播相机拍照片

Gemini 3.1 Flash Live的设计场景是实时流式对话，但LINE的语音消息是预录制的m4a文件。两者就像直播相机和单反——都能成像，但工具逻辑完全不同。

用Flash Live处理预录音频，相当于拿着电影机去拍证件照。技术上能跑通，但属于错配。

最终方案：标准Gemini API，直接把音频字节作为内联数据（inline data）传入，一次调用拿回转录文本。更简单，也更贴合场景。

坑二：一次回复 token 的极限操作

项目已有完整的Orchestrator架构，能根据消息内容自动路由到不同Agent（Chat、Content、Location、Vision、GitHub）。语音功能的目标很明确：

转文字 → 当成普通文本塞进Orchestrator → 现有功能自动支持语音输入。

用户说"帮我搜附近加油站" → 转录成文本 → Orchestrator识别为位置查询 → LocationAgent处理。不需要为语音单独写逻辑。

但LINE的回复机制有个陷阱：每个消息只有一个reply token，用掉就没了。而用户需要看到两步反馈——先确认"我听懂了你说的话"，再等Orchestrator返回最终结果。

解法：拆成两次回复。第一次用reply_message()消耗token，展示转录文本；第二次改用push_message()，把转录后的文本重新抛给Orchestrator处理。

代码路径长这样：

AudioMessage → handle_audio_message() → LINE SDK下载音频字节 → Gemini转录（gemini-3.1-flash-lite-preview）→ 回复#1"你说的是：{转录结果}" → 调用handle_text_message_via_orchestrator() → push_message()推送最终结果。

坑三：MIME类型的隐形契约

LINE的语音消息永远是m4a格式，MIME类型固定为audio/mp4。这个细节在文档里不会加粗，但传错就直接报错。

转录函数的核心逻辑很干净：初始化genai.Client，构造Part.from_bytes(audio_bytes, mime_type="audio/mp4")，塞进Content对象，调用client.models.generate_content()。模型选的是flash-lite-preview——比Live版便宜，对预录音频足够用。

完整实现放在tools/audio_tool.py，不到50行。但调试时花了两小时才发现：LINE的iter_content()返回的是异步生成器，需要async for攒成bytes，不能直接await。

一个反直觉的发现

测试时发现，Gemini对中文口语的容错率比预期高。"那个那个帮我查一下附近的那个加油站"这种含混表达，转录后Orchestrator仍能正确识别意图。

但英文混中文的场景会翻车。"Check一下我的GitHub"被转录为"Check一下我的github"——小写的github让GitHubAgent的匹配正则漏掉，最后 fallback 到普通ChatAgent。

修复方式：转录后统一做大小写归一化，再加一层同义词映射。这是语音交互特有的脏活：文本输入时用户会自己修正，语音输入时系统得替用户擦屁股。

目前代码已推送到仓库。下一步想试的是：让Bot主动发语音回复，把Gemini的流式输出接进LINE的音频消息API。但LINE的音频上传有20MB限制，而长文本转语音很容易超——这又是个待填的坑。

你的Bot是怎么处理语音的？是直接调Whisper API，还是也踩过类似的格式陷阱？