Make 平台打造 Telegram AI 助理：文字語音皆通

各位 Makers 大家好！我之所以會建立這個助理，是因為我需要一個能快速獲得 AI 回答的方式，而不用在不同應用程式之間切換。Telegram 是我大部分時間都在使用的應用程式，所以我希望有一個助理能夠直接在聊天室內回答文字和語音訊息。

成果是，這個機器人現在能在幾秒鐘內回覆文字和語音訊息，並且自 2026 年 8 月 1 日以來一直穩定運行，每天處理大約 50 條訊息。這個情境（scenario）的運作方式如下：

首先是「Telegram → 監聽更新（觸發器）」模組。這個模組會監聽傳送給機器人的每一條新訊息，並回傳完整的訊息物件，其中可能包含文字欄位或語音欄位。

接著是「路由器（Router）」模組，它有兩個分支。我使用路由器是因為文字和語音需要完全不同的處理方式。每個路徑都有自己的篩選器：路徑 A（文字）的篩選器是「文字存在」，路徑 B（語音）的篩選器是「語音存在」。如果沒有路由器，這個情境會嘗試轉錄文字訊息，然後失敗。

路徑 B 負責語音處理。首先，「Telegram → 取得檔案」模組會取得實際的檔案路徑，因為 Telegram 只會傳送 file_id，而不是音訊本身。然後，「HTTP → 取得檔案」模組會將 .oga 音訊以二進位資料的形式下載下來，並將音訊轉換為文字。完成這一步後，兩個路徑都處理純文字，因此可以合併到同一個 AI 模組中。

AI 回應生成階段，轉錄或輸入的文字會被傳送給 [Google Gemini 等模型]，並帶有一個系統提示詞，該提示詞會讓回答簡短且具對話性，因為在手機上閱讀過長的回答會很困難。

最後，「Telegram → 傳送訊息」模組會將 AI 的輸出傳回給觸發器中的相同 chat_id，這樣回覆總會傳送到正確的對話中。

我從中學到了一些經驗。語音訊息在 Telegram 中需要兩個獨立的下載步驟（取得檔案路徑，然後下載檔案），這在一開始並不顯而易見。將篩選器放在路由器上而不是每個分支內部，讓情境更容易偵錯。此外，保持系統提示詞簡短，顯著減少了 token 使用量和回應時間。