Merge branch 'feat/m58-persistvoice-outbound-voice-column-w' into dev

internal/runtime/voice/voice.go

@@ -32,6 +32,9 @@ const (
 	// SourcePlatform 表示渠道平台自带转写（例如微信 iLink 的 `voice_item.text`）：
 	// 平台把语音转成文字后送达，我们**不调 ASR**（不重复付费）。
 	SourcePlatform Source = "platform"
+	// SourceTTS 表示正文是我们自己合成的语音（出站方向，design/25 §7.1）：成功时
+	// Name 指向那份可播副本，降级时 Status=failed 且正文照发文本、只带降级原因。
+	SourceTTS Source = "tts"
 )
 
 // Status 是转写结果的**三态闭集**（design/24 §10.4）。客户端按它分支，**绝不按正文
@@ -39,7 +42,8 @@ const (
 type Status string
 
 const (
-	// StatusTranscribed 表示正文即转写文本（真转写，或平台自带转写）。
+	// StatusTranscribed 表示正文即转写文本（真转写，或平台自带转写）；出站方向表示
+	// **合成成功**（正文即这段语音的文字内容，Name 指向可播副本）。
 	StatusTranscribed Status = "transcribed"
 	// StatusEmpty 表示转写成功但没识别出文字（静音 / 太短 / 全是噪声）——是服务正常
 	// 的空结果，**不是**故障。
@@ -85,6 +89,10 @@ type Ref struct {
 	// DurationMs 是时长，**只有渠道如实给出或转码产物可确证时**才 >0；读不出来就是 0
 	// （编码时该键缺席）。**绝不估算**（design/24 §10.4）。
 	DurationMs int64 `json:"durationMs,omitempty"`
+	// FallbackReason 只在**出站合成降级**时非空（Source=tts、Status=failed）：说明为什么
+	// 这条消息没能变成语音（能力未接线 / 预算超时 / 合成为空）。入站转写不使用它 ——
+	// 入站的失败原因由正文那行诚实提示承载。
+	FallbackReason string `json:"fallbackReason,omitempty"`
 }
 
 // IsVoice 报告这条事实是否代表「这条消息来自一条语音消息」（= 来源与状态都在闭集内）。
@@ -110,6 +118,11 @@ func (r Ref) Validate() error {
 	if r.DurationMs < 0 {
 		return fmt.Errorf("%w: negative durationMs %d", ErrBadRef, r.DurationMs)
 	}
+	// 降级原因只属于失败态：成功还带原因会让人以为「其实降级了」，客户端也就无从按
+	// status 单点分支（design/24 §10.4 的「客户端绝不按文案分支」同一条纪律）。
+	if r.FallbackReason != "" && r.Status != StatusFailed {
+		return fmt.Errorf("%w: fallbackReason with status %q", ErrBadRef, r.Status)
+	}
 	switch {
 	case r.Name == "" && (r.MIME != "" || r.Size != 0):
 		return fmt.Errorf("%w: mime/size without name", ErrBadRef)
@@ -124,7 +137,7 @@ func (r Ref) Validate() error {
 // IsZero 报告这条事实是零值（= 这条消息不是语音消息）。
 func (r Ref) IsZero() bool {
 	return r.Source == "" && r.Status == "" && r.Name == "" && r.MIME == "" &&
-		r.Size == 0 && r.DurationMs == 0
+		r.Size == 0 && r.DurationMs == 0 && r.FallbackReason == ""
 }
 
 // Encode 把一条语音事实编码成落库用的 JSON 单对象。零值返回 ""（⇒ 列里空串 ⇒ DTO 里
@@ -167,7 +180,9 @@ func Decode(raw string) (Ref, error) {
 }
 
 // validSource / validStatus 是闭集判定，只此一处（编码、解码与渲染共用）。
-func validSource(s Source) bool { return s == SourceASR || s == SourcePlatform }
+func validSource(s Source) bool {
+	return s == SourceASR || s == SourcePlatform || s == SourceTTS
+}
 
 func validStatus(s Status) bool {
 	return s == StatusTranscribed || s == StatusEmpty || s == StatusFailed

internal/runtime/voice/voice_test.go

@@ -31,6 +31,14 @@ func TestEncodeDecodeRoundTrip(t *testing.T) {
 			Source: SourceASR, Status: StatusEmpty, Name: "0123456789abcdef0123456789abcdef.mp3",
 			MIME: "audio/mpeg", Size: 4321,
 		}},
+		{"出站合成成功 + 可播副本", Ref{
+			Source: SourceTTS, Status: StatusTranscribed,
+			Name: "fedcba9876543210fedcba9876543210.ogg", MIME: "audio/ogg",
+			Size: 8192, DurationMs: 1500,
+		}},
+		{"出站合成降级（正文照发文本）", Ref{
+			Source: SourceTTS, Status: StatusFailed, FallbackReason: "budget_exceeded",
+		}},
 	}
 	for _, tc := range cases {
 		t.Run(tc.name, func(t *testing.T) {
@@ -119,6 +127,11 @@ func TestEncodeRejectsBrokenRef(t *testing.T) {
 		{"有 name 无 mime", Ref{Source: SourceASR, Status: StatusTranscribed, Name: "x.ogg", Size: 12}},
 		{"有 name 无 size", Ref{Source: SourceASR, Status: StatusTranscribed, Name: "x.ogg", MIME: "audio/ogg"}},
 		{"时长为负", Ref{Source: SourceASR, Status: StatusTranscribed, DurationMs: -1}},
+		{"降级原因挂在成功态", Ref{
+			Source: SourceTTS, Status: StatusTranscribed,
+			Name: "x.ogg", MIME: "audio/ogg", Size: 12, FallbackReason: "budget_exceeded",
+		}},
+		{"只有降级原因", Ref{FallbackReason: "budget_exceeded"}},
 	}
 	for _, tc := range cases {
 		t.Run(tc.name, func(t *testing.T) {
@@ -149,6 +162,7 @@ func TestDecodeRejectsGarbage(t *testing.T) {
 		{"闭集外的来源", `{"source":"cloud","status":"transcribed"}`},
 		{"闭集外的状态", `{"source":"asr","status":"done"}`},
 		{"副本字段不同生共死", `{"source":"asr","status":"transcribed","size":9}`},
+		{"降级原因挂在成功态", `{"source":"tts","status":"transcribed","fallbackReason":"x"}`},
 	}
 	for _, tc := range cases {
 		t.Run(tc.name, func(t *testing.T) {
@@ -164,6 +178,33 @@ func TestDecodeRejectsGarbage(t *testing.T) {
 	}
 }
 
+// TestOutboundTTSJSONShape 把**出站**两种落库形状钉死（design/25 §7.1）：
+// 成功 = source/status/name/mime/size（+ 可选 durationMs）；降级 = source/status +
+// fallbackReason，**没有 name/url**（正文照发文本，客户端据此只挂一个小标）。
+func TestOutboundTTSJSONShape(t *testing.T) {
+	t.Parallel()
+	raw, err := Encode(Ref{
+		Source: SourceTTS, Status: StatusTranscribed,
+		Name: "fedcba9876543210fedcba9876543210.ogg", MIME: "audio/ogg", Size: 8192,
+	})
+	if err != nil {
+		t.Fatalf("Encode(成功): %v", err)
+	}
+	want := `{"source":"tts","status":"transcribed","name":"fedcba9876543210fedcba9876543210.ogg",` +
+		`"mime":"audio/ogg","size":8192}`
+	if raw != want {
+		t.Fatalf("出站成功 JSON = %s\n           want %s", raw, want)
+	}
+
+	raw, err = Encode(Ref{Source: SourceTTS, Status: StatusFailed, FallbackReason: "budget_exceeded"})
+	if err != nil {
+		t.Fatalf("Encode(降级): %v", err)
+	}
+	if want := `{"source":"tts","status":"failed","fallbackReason":"budget_exceeded"}`; raw != want {
+		t.Fatalf("出站降级 JSON = %s\n           want %s", raw, want)
+	}
+}
+
 // TestRefIsVoiceAndHasCopy 钉住两个判据的边界：
 // IsVoice = 来源与状态都在闭集内（= 这条消息来自一条语音）；
 // HasCopy  = 有 name（name/mime/size 同生共死，因此 name 是代表）。
@@ -178,6 +219,8 @@ func TestRefIsVoiceAndHasCopy(t *testing.T) {
 		{"零值（不是语音消息）", Ref{}, false, false},
 		{"平台转写无副本", Ref{Source: SourcePlatform, Status: StatusTranscribed}, true, false},
 		{"有副本", Ref{Source: SourceASR, Status: StatusFailed, Name: "n.wav", MIME: "audio/wav", Size: 4}, true, true},
+		{"出站合成成功", Ref{Source: SourceTTS, Status: StatusTranscribed, Name: "n.ogg", MIME: "audio/ogg", Size: 4}, true, true},
+		{"出站降级（算语音消息，但无可播副本）", Ref{Source: SourceTTS, Status: StatusFailed, FallbackReason: "no_capability"}, true, false},
 		{"只有来源（半截，不算语音）", Ref{Source: SourceASR}, false, false},
 	}
 	for _, tc := range cases {

internal/services/channelbridge/bubbles.go

@@ -16,7 +16,8 @@ import (
 type bubbleSender func(ctx context.Context, msg adapter.UnifiedMessage) error
 
 // sendIMBubbles 是 sendReply（回复路径）与 SendProactive（主动推送）
-// 共用的唯一 IM 出站出口。它把内容变成 IM 渠道应收到的纯聊天气泡：
+// 共用的唯一 IM 出站出口（带音频的回复走 sendIMBubblesVoice，它只是多挂一条 Media）。
+// 它把内容变成 IM 渠道应收到的聊天气泡：
 // 角色扮演/动作/旁白标记（在 Web 上渲染为暗色斜体）会被剥离，
 // 每个 <p> 段落作为独立
 // 气泡/消息投递（design/17 §2），多气泡连发时相邻发送间隔 0.5-2s，
@@ -25,10 +26,19 @@ type bubbleSender func(ctx context.Context, msg adapter.UnifiedMessage) error
 //
 // target 携带平台/渠道路由字段，并被复制到每个
 // 气泡上（每个气泡只有 Content/ContentType/Timestamp 不同，入站载荷字段一律
-// 不带 —— 见 outboundBubble）；sender 是
+// 不带 —— 见 outboundRoute）；sender 是
 // 适配器的出站调用。被剥成空的内容（纯动作行）
 // 直接丢弃不发送；单个气泡失败时会带上其下标包装返回。
 func (b *Bridge) sendIMBubbles(ctx context.Context, target adapter.UnifiedMessage, sender bubbleSender, content string) error {
+	return b.sendIMBubblesVoice(ctx, target, sender, content, nil)
+}
+
+// sendIMBubblesVoice 是 sendIMBubbles 的**带音频**变体：voice 非 nil 时，那一份音频只
+// 挂在**第一个**气泡上，其余气泡仍是纯文本。这条「只挂第一个」不是优化而是正确性 ——
+// 同一条合成语音若跟着每个气泡各发一次，对方会收到 N 份同样的音频。
+//
+// voice 为 nil 时行为与 sendIMBubbles 逐字相同（因此主动推送等纯文本出口不受影响）。
+func (b *Bridge) sendIMBubblesVoice(ctx context.Context, target adapter.UnifiedMessage, sender bubbleSender, content string, voice *adapter.Media) error {
 	// splitBubbles 对每个气泡应用 stripNarration（因此 <action>/<narration> 与
 	// 星号漂移的角色扮演形式都会为 IM 剥离），并按 <p> 切分。它是
 	// 唯一的清洗入口，与旧的回复路径共用。
@@ -42,6 +52,9 @@ func (b *Bridge) sendIMBubbles(ctx context.Context, target adapter.UnifiedMessag
 			time.Sleep(b.bubbleGapFn())
 		}
 		out := outboundBubble(target, bubble)
+		if i == 0 && voice != nil {
+			out = outboundVoiceBubble(target, bubble, *voice)
+		}
 		// 每个气泡各自发送一次，间隔才会落在消息之间。
 		if err := sender(ctx, out); err != nil {
 			return fmt.Errorf("channelbridge: send bubble #%d of %d: %w", i+1, len(bubbles), err)
@@ -50,7 +63,9 @@ func (b *Bridge) sendIMBubbles(ctx context.Context, target adapter.UnifiedMessag
 	return nil
 }
 
-// outboundBubble 依据一条入站消息的**路由字段**构造一个纯文本出站气泡。
+// outboundRoute 依据一条入站消息的**路由字段**构造一个出站信封：只有路由字段，
+// 没有内容。outboundBubble（纯文本）与 outboundVoiceBubble（文本 + 音频）都从它出发，
+// 因此「哪些字段允许出站」只有一份白名单。
 //
 // 为什么不能直接 `out := target`：target 是**入站**消息，整条复制会把入站事件的
 // 载荷（Media 附件、原始平台载荷、提及列表、回复引用、入站消息 id、发送者昵称）
@@ -60,8 +75,9 @@ func (b *Bridge) sendIMBubbles(ctx context.Context, target adapter.UnifiedMessag
 // 之后**整条返回错误，主人连文本都收不到。
 //
 // 因此这里按白名单只带路由字段（适配器据此解析投递对端），新加进 UnifiedMessage
-// 的字段默认不外发：出站是纯文本气泡，本派发器只接收文本。
-func outboundBubble(target adapter.UnifiedMessage, content string) adapter.UnifiedMessage {
+// 的字段默认不外发。⚠️ 出站的 `Media` 只能由出站语音自己填（那份副本是我们刚合成的，
+// 见 outbound_voice.go），**绝不**从 target 继承。
+func outboundRoute(target adapter.UnifiedMessage) adapter.UnifiedMessage {
 	return adapter.UnifiedMessage{
 		// 路由字段：平台 / 渠道 / 群 / 线程 / 发送者 id。
 		Platform:    target.Platform,
@@ -80,9 +96,29 @@ func outboundBubble(target adapter.UnifiedMessage, content string) adapter.Unifi
 			IsGroup: target.Sender.IsGroup,
 			GroupID: target.Sender.GroupID,
 		},
-		// 本气泡的内容：出站永远是纯文本。
-		Content:     content,
-		ContentType: adapter.ContentText,
-		Timestamp:   time.Now().UTC(),
 	}
 }
+
+// outboundBubble 构造一个**纯文本**出站气泡：路由字段 + 文本内容。
+func outboundBubble(target adapter.UnifiedMessage, content string) adapter.UnifiedMessage {
+	out := outboundRoute(target)
+	out.Content = content
+	out.ContentType = adapter.ContentText
+	out.Timestamp = time.Now().UTC()
+	return out
+}
+
+// outboundVoiceBubble 构造**带音频**的出站气泡：与纯文本气泡同一套路由字段与同一份
+// 正文，只是把 ContentType 标成 voice 并挂上那一条 Media。
+//
+// 正文**照发**（不是「有音频就不发文字」）：适配器把它当「文字 item + 语音 item」一起
+// 投递（weixin_ilink 的 sendToOne），对方既看得到文字也点得开音频；而任何一侧失败都
+// 只影响那一侧（音频发不出去时文字仍在）。
+func outboundVoiceBubble(target adapter.UnifiedMessage, content string, md adapter.Media) adapter.UnifiedMessage {
+	out := outboundRoute(target)
+	out.Content = content
+	out.ContentType = adapter.ContentVoice
+	out.Media = []adapter.Media{md}
+	out.Timestamp = time.Now().UTC()
+	return out
+}

internal/services/channelbridge/coalesce_batch.go

@@ -161,7 +161,7 @@ func (b *Bridge) persistBatchUsers(ctx context.Context, parts []batchMessage, ta
 		notify := b.persistVoiceFirstNotify(p.voiceRef)
 		var row history.Message
 		if target.private {
-			row = b.persistMain(ctx, mainRow(history.RoleUser, p.prepared.text, "", p.document, p.image,
+			row = b.persistMainWith(ctx, mainRow(history.RoleUser, p.prepared.text, "", p.document, p.image,
 				target.platform, deviceIDFor(msg), adapterName(a), turnID), notify)
 		} else {
 			row = b.persistIsolatedWith(ctx, isolatedRow(history.RoleUser, p.prepared.text, p.document, p.image,

internal/services/channelbridge/inbound.go

@@ -193,15 +193,31 @@ func (b *Bridge) deliverReply(ctx context.Context, msg adapter.UnifiedMessage, a
 	if res != nil {
 		mood = res.Mood
 	}
+	// 出站语音（design/25 §7.1）：先把结算结论折成 voice 列事实，再让落库那条路走
+	// 「INSERT → 写 voice 列 → notify」（M44 首帧纪律）—— 与入站语音共用同一份
+	// persistVoiceFirstNotify，因此首帧上就带着 `voice`，客户端不必等重连。
+	ref, hasVoice := b.outboundVoiceRef(resultVoice(res))
+	notify := b.notifyPersisted
+	if hasVoice {
+		notify = b.persistVoiceFirstNotify(ref)
+	}
 	// 持久化助手回复（主人私聊 → 主会话 + message_persisted
 	// 广播；受限 → 隔离日志 + channel_persisted 广播），随后
 	// 送回渠道。
 	if target.private {
-		b.persistToMain(ctx, history.RoleAssistant, reply, mood, "", "", target.platform, deviceIDFor(msg), adapterName(a), turnID)
+		b.persistMainWith(ctx, mainRow(history.RoleAssistant, reply, mood, "", "", target.platform, deviceIDFor(msg), adapterName(a), turnID), notify)
 	} else {
-		b.persistIsolated(ctx, history.RoleAssistant, reply, "", "", "", sess, msg.Platform, "", adapterName(a), turnID)
+		b.persistIsolatedWith(ctx, isolatedRow(history.RoleAssistant, reply, "", "", "", sess, msg.Platform, "", adapterName(a), turnID), notify)
 	}
-	if err := b.sendReply(ctx, msg, a, reply); err != nil {
+	// 音频只在合成成功、且盘上那份副本读得回来时才挂上；读不回来就诚实退回纯文本
+	// （正文照发，WARN 已由 outboundVoiceMedia 记下）。
+	var voiceMedia *adapter.Media
+	if hasVoice {
+		if md, ok := b.outboundVoiceMedia(msg, ref); ok {
+			voiceMedia = &md
+		}
+	}
+	if err := b.sendReplyVoice(ctx, msg, a, reply, voiceMedia); err != nil {
 		if errors.Is(err, adapter.ErrUnsupported) {
 			b.log.Debug("channel does not support outbound reply, skipped",
 				"platform", msg.Platform, "session", target.sessionID)

internal/services/channelbridge/inbound_voice_copy.go

@@ -116,6 +116,9 @@ func (b *Bridge) ingestInboundVoiceCopy(ctx context.Context, msg adapter.Unified
 // 若先广播后写列，这条语音消息的**第一帧**就永远缺 `voice`，客户端只能等重连或下一次 REST
 // 拉取才升级出播放器（安卓 2026-10-26 回执报的正是这个）。
 //
+// 入站与出站**共用**它：两边都是「结论已经在手里、列还没写」的同一形状（入站是转写结论，
+// 出站是合成结论），首帧纪律因此只有一处实现。
+//
 // 只换顺序、不换代价：仍是 INSERT + 一次 UPDATE（与 design/24 §10.5 的第二选项同一手法，
 // 与 document 结论的两段式同族）。非语音消息（ref 零值）时 persistMessageVoice 直接返回，
 // 因此本包装与 notifyPersisted 逐字等价 —— 普通消息的时序一个字节都没变。
@@ -126,9 +129,9 @@ func (b *Bridge) persistVoiceFirstNotify(ref voiceref.Ref) func(history.Message)
 	}
 }
 
-// persistMessageVoice 把这条语音的来源事实与副本引用写进刚落库的用户消息 `voice` 列
-// （design/24 §10.2 第 5 步）。它由 runInboundTurn 在用户消息落库之后调用，因此
-// 「引用 + 三态」最终是同一行里的一份事实，客户端不必自己拼。
+// persistMessageVoice 把这条语音的来源事实与副本引用写进刚落库的消息 `voice` 列
+// （design/24 §10.2 第 5 步；出站方向同列同形）。它由落库那条路在消息写进去之后调用，
+// 因此「引用 + 三态」最终是同一行里的一份事实，客户端不必自己拼。
 //
 // 三个提前返回都是**正常**情形，不刷日志：这条消息不是语音（零值）、没有落库
 // （msg.ID 为空 ⇒ 存储未接或写库失败）、编码后为空串。
@@ -152,7 +155,7 @@ func (b *Bridge) persistMessageVoice(msg history.Message, ref voiceref.Ref) {
 	if err != nil {
 		// 编码失败只可能是坏数据（闭集破坏 / 副本字段不同生共死）：**绝不**写半截，
 		// 但也绝不静默 —— 消息本身已经落库，少的是这条语音标记。
-		b.voiceLogger().Error("inbound voice ref not persisted: encode failed",
+		b.voiceLogger().Error("voice ref not persisted: encode failed",
 			"message", msg.ID, "source", ref.Source, "status", ref.Status, "error", err)
 		return
 	}
@@ -163,13 +166,13 @@ func (b *Bridge) persistMessageVoice(msg history.Message, ref voiceref.Ref) {
 	if !ok {
 		// 历史存储没有 voice 列写入视图（迁移 0020 只加列，不替调用方接写路径）：
 		// 如实报告「没写成」，绝不假装写了。
-		b.voiceLogger().Warn("inbound voice ref not persisted",
+		b.voiceLogger().Warn("voice ref not persisted",
 			"reason", "history store has no voice column path", "message", msg.ID,
 			"source", ref.Source, "status", ref.Status)
 		return
 	}
 	if err := writer.UpdateMessageVoice(context.Background(), msg.ID, raw); err != nil {
-		b.voiceLogger().Warn("inbound voice ref update",
+		b.voiceLogger().Warn("voice ref update",
 			"err", err, "message", msg.ID, "source", ref.Source, "status", ref.Status)
 	}
 }

internal/services/channelbridge/outbound.go

@@ -17,13 +17,20 @@ import (
 // 使适配器解析出消息来自的同一对端，并经
 // 共享的 IM 气泡派发器出口（剥离角色扮演/旁白 + 按 <p> 切分 + 0.5-2s 间隔）。
 func (b *Bridge) sendReply(ctx context.Context, in adapter.UnifiedMessage, a adapter.PlatformAdapter, text string) error {
+	return b.sendReplyVoice(ctx, in, a, text, nil)
+}
+
+// sendReplyVoice 是 sendReply 的**带音频**变体：voice 非 nil 时随第一个气泡一起送出
+// （出站语音，design/25 §7.1）。正文照发文本 —— 音频是这条回复的另一种呈现，不是
+// 文本的替代品，因此音频发不出去时对方仍读得到字。
+func (b *Bridge) sendReplyVoice(ctx context.Context, in adapter.UnifiedMessage, a adapter.PlatformAdapter, text string, voice *adapter.Media) error {
 	if a == nil {
 		a = b.adapter(in.Platform)
 	}
 	if a == nil {
 		return fmt.Errorf("channelbridge: no adapter for platform %q", in.Platform)
 	}
-	return b.sendIMBubbles(ctx, in, func(ctx context.Context, msg adapter.UnifiedMessage) error {
+	return b.sendIMBubblesVoice(ctx, in, func(ctx context.Context, msg adapter.UnifiedMessage) error {
 		return a.SendMessage(ctx, adapter.UnifiedResponse{Messages: []adapter.UnifiedMessage{msg}})
-	}, text)
+	}, text, voice)
 }

internal/services/channelbridge/outbound_voice.go

@@ -0,0 +1,134 @@
+package channelbridge
+
+// 本文件承载**出站语音**（design/25 §7.1；切片 M58）：把循环结算出的
+// `loop.OutboundVoice`（M57 的 speak 工具结论）折成两件东西 ——
+//
+//  1. 一条 `voice` 列事实（`voiceref.Ref`，source=tts）：成功即
+//     `{source:"tts",status:"transcribed",name,mime,size,durationMs}`，降级即
+//     `{source:"tts",status:"failed",fallbackReason}`。它由 deliverReply 交给与入站
+//     **同一条**「先写列、再广播」的落库口径（persistVoiceFirstNotify），因此出站语音
+//     的**第一帧**就带着 `voice`（M44 首帧纪律，入站已有先例）。
+//  2. 一份出站 `adapter.Media`：把盘上那份副本读回字节挂到第一个气泡上，渠道才真的
+//     发得出去音频（bubbles.go 的 outboundVoiceBubble）。
+//
+// 三条口径：
+//   - **绝不写半截**：副本三字段（name/mime/size）不齐就不写 `transcribed`，宁可降级成
+//     `failed` + 机器可读原因 —— 一个没有 mime 的 name 会让客户端拼出读不懂的对象。
+//   - **拿不到字节就不挂音频**：附件存储未接线、或副本读不出来时，正文照发文本、只留一条
+//     WARN。这与入站「没有字节就不落副本」是同一条诚实纪律的反方向。
+//   - **绝不静默**：每一类失败都有一条带来源（`services/channelbridge/voice`）的日志。
+//
+// ⚠️ 出站 Media 的 URL 刻意留空：`/api/v1/media/<name>` 走 Bearer 鉴权（gateway 的
+// writeAuth），适配器没有、也不该有 owner 令牌，因此它只能拿**字节**，不能自取 URL。
+
+import (
+	"os"
+	"path/filepath"
+
+	"git.yeij.top/AskaEth/Cyrene_v2/internal/channel/adapter"
+	"git.yeij.top/AskaEth/Cyrene_v2/internal/runtime/loop"
+	voiceref "git.yeij.top/AskaEth/Cyrene_v2/internal/runtime/voice"
+)
+
+// outboundVoiceFallbackCopyIncomplete 是本模块自己产生的降级码（speak 工具不会给出它）：
+// 合成报告了成功，但副本事实不完整（缺 mime/size，或 name 不是合法的内容寻址名）。
+// 这是上游缺陷、不该发生，因此记 ERROR；但写进列里的原因仍要机器可读 —— 客户端据此
+// 与真实降级一样只挂小标，而不是去点一个播不出来的播放器。
+const outboundVoiceFallbackCopyIncomplete = "copy_incomplete"
+
+// resultVoice 取出这一回合的出站语音结论；回合报错（res 为 nil）时没有结论。
+func resultVoice(res *loop.Result) *loop.OutboundVoice {
+	if res == nil {
+		return nil
+	}
+	return res.Voice
+}
+
+// outboundVoiceRef 把出站语音结论折成一条 `voice` 列事实。第二个返回值报告「这一回合
+// 要不要写 voice 列」—— false 表示这次回复就是纯文本，落库路径与引入本文件之前逐字相同。
+//
+// 三种结局（与 loop.OutboundVoice 的注释一一对应）：
+//   - 未请求（`v == nil` 或 `!v.Requested`）⇒ 不写列，返回 false；
+//   - 合成成功且有完整副本 ⇒ `transcribed` + 副本事实；
+//   - 请求了但没有音频 ⇒ `failed` + 降级原因（来自 speak 工具，或本模块的 copy_incomplete）。
+//
+// 「Requested 却既无副本又无原因」是上游契约被破坏的状态：不写列（写一个没有原因的
+// failed 等于把「为什么」丢掉），但必须 WARN —— 静默吞掉会让这条语音彻底看不见。
+func (b *Bridge) outboundVoiceRef(v *loop.OutboundVoice) (voiceref.Ref, bool) {
+	if v == nil || !v.Requested {
+		return voiceref.Ref{}, false
+	}
+	log := b.voiceLogger()
+	if v.Name != "" {
+		if v.Mime == "" || v.Size <= 0 || !voiceref.ValidMediaName(v.Name) {
+			log.Error("outbound voice copy is incomplete, degraded to text",
+				"name", v.Name, "mime", v.Mime, "size", v.Size,
+				"duration_ms", v.DurationMs)
+			return voiceref.Ref{
+				Source: voiceref.SourceTTS, Status: voiceref.StatusFailed,
+				FallbackReason: outboundVoiceFallbackCopyIncomplete,
+			}, true
+		}
+		ref := voiceref.Ref{
+			Source: voiceref.SourceTTS, Status: voiceref.StatusTranscribed,
+			Name: v.Name, MIME: v.Mime, Size: v.Size,
+		}
+		// 时长只取上游如实给出且非负的值：Ref.Validate 拒绝负数，绝不为了「有个数」
+		// 而估算（与入站同一口径）。
+		if v.DurationMs > 0 {
+			ref.DurationMs = v.DurationMs
+		}
+		return ref, true
+	}
+	if v.FallbackReason != "" {
+		return voiceref.Ref{
+			Source: voiceref.SourceTTS, Status: voiceref.StatusFailed,
+			FallbackReason: v.FallbackReason,
+		}, true
+	}
+	log.Warn("outbound voice requested without copy or fallback reason, treated as text",
+		"cost_ms", v.CostMs, "budget_ms", v.BudgetMs)
+	return voiceref.Ref{}, false
+}
+
+// outboundVoiceMedia 把盘上那份副本读回字节，折成一个出站媒体项（design/25 §7.1）。
+// 第二个返回值报告「挂不挂得上」：false 时调用方照发纯文本，绝不发一个空音频。
+//
+// 目录与上限来自组合根注入的文档存储配置（与入站附件同一份 `documentsCfg`）：副本就是
+// `documents.SaveAudio` 落下的内容寻址文件，因此 `Dir()` + 存储名就是它的路径 —— 不需要
+// （也没有）一条按名读回的存储 API。名字再校验一次是纵深防御：`filepath.Join` 前面绝不
+// 允许出现未经验证的渠道/上游字符串。
+func (b *Bridge) outboundVoiceMedia(msg adapter.UnifiedMessage, ref voiceref.Ref) (adapter.Media, bool) {
+	if !ref.HasCopy() {
+		return adapter.Media{}, false
+	}
+	log := b.voiceLogger()
+	if !voiceref.ValidMediaName(ref.Name) {
+		log.Error("outbound voice media skipped: illegal copy name", "name", ref.Name)
+		return adapter.Media{}, false
+	}
+	store := b.inboundDocumentStore(msg)
+	if store == nil || store.Dir() == "" {
+		log.Warn("outbound voice media skipped: document store not wired",
+			"platform", msg.Platform, "channel", msg.ChannelID, "name", ref.Name)
+		return adapter.Media{}, false
+	}
+	data, err := os.ReadFile(filepath.Join(store.Dir(), ref.Name))
+	if err != nil {
+		log.Warn("outbound voice media skipped: copy unreadable",
+			"platform", msg.Platform, "channel", msg.ChannelID, "name", ref.Name, "error", err)
+		return adapter.Media{}, false
+	}
+	if int64(len(data)) != ref.Size {
+		// 列里的 size 与实际字节不一致：以实际字节为准（发出去的就是这些），但要说出来。
+		log.Warn("outbound voice copy size differs from column",
+			"name", ref.Name, "column_size", ref.Size, "actual_size", len(data))
+	}
+	return adapter.Media{
+		Kind:     adapter.MediaVoice,
+		Name:     ref.Name,
+		Size:     int64(len(data)),
+		MIMEType: ref.MIME,
+		Data:     data,
+	}, true
+}

internal/services/channelbridge/outbound_voice_gateway_e2e_test.go

@@ -0,0 +1,489 @@
+package channelbridge
+
+// 本文件是 M58 的**跨层整链**验收：出站语音结论（`loop.Result.Voice`，M57 的 speak 工具
+// 结算）→ 桥接器落库并写 `chat_messages.voice` 列 → 真网关的**实时帧** + REST 读面；
+// 以及同一回合的出站 `adapter.Media` 挂载。
+//
+// 手法与入站整链（inbound_voice_gateway_e2e_test.go）同源：**同一个**真 `history.Store`
+// 喂给桥接器与网关，断言因此打在真 WS 帧与真 REST 读面上，而不是两个替身各自的想象。
+// 唯一的差别是驱动方式：出站结论来自循环，所以这里用 `stubChatter` 直接给出带 `Voice`
+// 的 `Result` —— 真循环 + 假模型跑不出 `Result.Voice`（假模型不会去调 speak 工具），
+// 而本切片要钉的正是「结论已经在手里之后」那一段。
+//
+// 钉住四件事：
+//  1. 合成成功 ⇒ 助手回复的**第一帧**就带 `voice`（source=tts/status=transcribed + 副本四键），
+//     重新连 WS 的握手回放与 REST 读面逐字相同；
+//  2. 合成降级 ⇒ `voice.status=failed` + `fallbackReason` 在帧上**与**历史回看（REST、握手回放）
+//     上都可见，且正文照发原文（降级不是「少说一句话」）；
+//  3. 音频只挂在**第一个**气泡上（多段回复里重复挂会让对方收到 N 份同样的语音）；
+//  4. 出站 Media 的字节就是盘上那份副本（读不回来时宁可不挂，见 outbound_voice.go）。
+
+import (
+	"bytes"
+	"context"
+	"encoding/json"
+	"fmt"
+	"log/slog"
+	"net/http/httptest"
+	"path/filepath"
+	"strings"
+	"testing"
+	"time"
+
+	"github.com/gorilla/websocket"
+
+	"git.yeij.top/AskaEth/Cyrene_v2/internal/auth"
+	"git.yeij.top/AskaEth/Cyrene_v2/internal/channel/adapter"
+	"git.yeij.top/AskaEth/Cyrene_v2/internal/channel/session"
+	"git.yeij.top/AskaEth/Cyrene_v2/internal/config"
+	"git.yeij.top/AskaEth/Cyrene_v2/internal/runtime/documents"
+	"git.yeij.top/AskaEth/Cyrene_v2/internal/runtime/history"
+	"git.yeij.top/AskaEth/Cyrene_v2/internal/runtime/loop"
+	voiceref "git.yeij.top/AskaEth/Cyrene_v2/internal/runtime/voice"
+	"git.yeij.top/AskaEth/Cyrene_v2/internal/services/gateway"
+)
+
+const (
+	// outboundVoiceText 是所有出站用例的回复正文（单段，便于把「正文原样」写成字面量）。
+	outboundVoiceText = "晚安啦，做个好梦。"
+	// outboundVoiceStoredText 是它经回合可见回复规整（turnreply.NormalizeParagraphs）后
+	// **真正落库、真正上帧**的文本：单段被包进一对 `<p>`。降级用例按这个字面量比对，
+	// 因此「合成失败有没有动正文」是一个逐字问题，而不是「大概还在」。
+	outboundVoiceStoredText = "<p>晚安啦，做个好梦。</p>"
+	// outboundVoiceMultiText 是两段回复：出站音频只该跟着第一段走。
+	outboundVoiceMultiText = "第一段话，先说给你听。\n\n第二段话，说给明天听。"
+	// outboundVoiceAudioMIME 是 `.ogg` 副本的下发类型（voice/media.go 的成对裁决产物）。
+	outboundVoiceAudioMIME = "audio/ogg"
+)
+
+// outboundVoiceE2E 打包出站语音整链环境：真桥接器（可注入 `Result.Voice` 的循环替身 +
+// 真历史存储 + 真音频落盘配置）+ 真网关（同一个历史存储）+ 组合根的持久化钩子。
+type outboundVoiceE2E struct {
+	bridge   *Bridge
+	chat     *stubChatter
+	platform *fakeAdapter
+	// uploads 是桥接器会去读副本的那个目录（`documents.Store.Dir()`）。
+	uploads string
+	ts      *httptest.Server
+	tok     string
+}
+
+// newOutboundVoiceE2E 装配整链环境。历史存储是**同一个句柄**喂给桥接器与网关 ——
+// 被验证的正是这条边界：桥接器写进 `voice` 列的事实，就是实时帧与 REST 读面投影出来的事实。
+func newOutboundVoiceE2E(t *testing.T, sess session.Session) *outboundVoiceE2E {
+	t.Helper()
+	dataDir := t.TempDir()
+	uploads := filepath.Join(dataDir, "uploads", "documents")
+	log := slog.New(slog.NewTextHandler(&safeBuffer{}, nil))
+	st := openGatewayDocStore(t, log)
+
+	chat := &stubChatter{res: &loop.Result{Text: outboundVoiceText}}
+	ad := &fakeAdapter{name: "telegram"}
+	b, err := New(Options{
+		Log:      log,
+		Loop:     chat,
+		Sessions: &stubSessions{sess: sess},
+		Owner:    testOwnerProfile("telegram", "100"),
+		History:  st,
+		// 真音频落盘配置：副本由 documents.Store.SaveAudio 落下，出站时按同一目录读回。
+		DocumentStore: documents.StoreConfig{DataDir: dataDir, UploadsDir: uploads},
+	})
+	if err != nil {
+		t.Fatalf("构造桥接器: %v", err)
+	}
+	// 气泡间隔在生产里是 0.5-2s：多段用例不该为它付真实时间。
+	b.bubbleGapFn = func() time.Duration { return 0 }
+	b.Add(ad)
+
+	jwt := auth.New(config.AuthConfig{JWTSecret: gatewayDocSecret})
+	srv, err := gateway.New(
+		&config.Config{Auth: config.AuthConfig{AdminUser: "admin", AdminPass: "secret", JWTSecret: gatewayDocSecret}},
+		gateway.Deps{Auth: jwt, History: st, DataDir: dataDir},
+	)
+	if err != nil {
+		t.Fatalf("构造网关: %v", err)
+	}
+	t.Cleanup(srv.Close)
+	ts := httptest.NewServer(srv.Handler())
+	t.Cleanup(ts.Close)
+	// 🔴 组合根的同一接线（cmd/cyrene/wire_frontend.go：SetOnPersisted(gw.BroadcastPersisted)）。
+	b.SetOnPersisted(srv.BroadcastPersisted)
+
+	tok, err := jwt.Sign("acct", auth.RoleOwner, time.Hour)
+	if err != nil {
+		t.Fatalf("签发 token: %v", err)
+	}
+	return &outboundVoiceE2E{bridge: b, chat: chat, platform: ad, uploads: uploads, ts: ts, tok: tok}
+}
+
+// dialOwnerWS 连上真网关的 `/ws/chat`（owner token），并吃掉握手回放的 `history` 帧，
+// 使后续读取从「本回合的第一帧」开始（与入站整链同一手法）。
+func (e *outboundVoiceE2E) dialOwnerWS(t *testing.T) *websocket.Conn {
+	t.Helper()
+	conn, _ := e.dialOwnerWSHistory(t)
+	return conn
+}
+
+// dialOwnerWSHistory 同 dialOwnerWS，但把握手回放的 `history` 帧一并交回 —— 出站语音
+// 也得在「隔天重新打开客户端」的那条路上看得见（列有值即带），这条读面因此要能被断言。
+func (e *outboundVoiceE2E) dialOwnerWSHistory(t *testing.T) (*websocket.Conn, wsFrame) {
+	t.Helper()
+	wsURL := "ws" + strings.TrimPrefix(e.ts.URL, "http") + "/ws/chat?token=" + e.tok
+	conn, _, err := websocket.DefaultDialer.Dial(wsURL, nil)
+	if err != nil {
+		t.Fatalf("连接 WS: %v", err)
+	}
+	t.Cleanup(func() { _ = conn.Close() })
+	ev := readWSFrame(t, conn)
+	if ev.Type != "history" {
+		t.Fatalf("第一个帧 = %q, want history（握手回放）", ev.Type)
+	}
+	return conn, ev
+}
+
+// replayVoiceOfID 从握手回放帧的 `data.messages` 里按 id 找到那一行，返回它的 `voice`
+// 原始 JSON（键的在场性因此可判）；该行没有 `voice` 键时返回 nil 与 false。
+func replayVoiceOfID(t *testing.T, ev wsFrame, id string) (json.RawMessage, bool) {
+	t.Helper()
+	var data struct {
+		Messages []map[string]json.RawMessage `json:"messages"`
+	}
+	if err := json.Unmarshal(ev.Data, &data); err != nil {
+		t.Fatalf("解码握手回放帧 %s: %v", ev.Data, err)
+	}
+	for _, row := range data.Messages {
+		var gotID string
+		_ = json.Unmarshal(row["id"], &gotID)
+		if gotID != id {
+			continue
+		}
+		raw, ok := row["voice"]
+		return raw, ok
+	}
+	t.Fatalf("握手回放里没有 id=%q 的那一行（回放=%s）", id, ev.Data)
+	return nil, false
+}
+
+// storeOutboundCopy 用**真**音频落盘分支（`documents.Store.SaveAudio`）把一份合成产物
+// 落到桥接器会去读的那个目录里，返回它签发的引用。名字/类型/大小都按生产口径算出来 ——
+// 绝不手拼一个「看起来像」的文件名，否则本文件测的就不是那条读回路径。
+func storeOutboundCopy(t *testing.T, uploads string, data []byte) documents.Ref {
+	t.Helper()
+	store := documents.NewStore(documents.StoreConfig{UploadsDir: uploads})
+	ref, err := store.SaveAudio(context.Background(), "voice.ogg", data)
+	if err != nil {
+		t.Fatalf("落盘出站语音副本: %v", err)
+	}
+	if ref.Name == "" || ref.MIME != outboundVoiceAudioMIME || ref.Size != int64(len(data)) {
+		t.Fatalf("落盘引用 = %+v, want 名字/%s/%d 字节", ref, outboundVoiceAudioMIME, len(data))
+	}
+	return ref
+}
+
+// nextPersistedFrameWithRole 读到**下一条指定 role 的持久化帧**（跳过其余帧）。出站用例
+// 要的是**助手**那一行（本回合的用户行帧先到），所以按 role 过滤而不是按先后猜 ——
+// 也因此不需要 sleep 或重试。
+func nextPersistedFrameWithRole(t *testing.T, conn *websocket.Conn, role string) wsFrame {
+	t.Helper()
+	for i := 0; i < 10; i++ {
+		ev := readWSFrame(t, conn)
+		switch ev.Type {
+		case "message_persisted", "channel_persisted":
+			if messageRole(t, persistedMessage(t, ev)) == role {
+				return ev
+			}
+		}
+	}
+	t.Fatalf("读了 10 帧仍没等到 %s 行的持久化帧", role)
+	return wsFrame{}
+}
+
+// frameContent 取帧内消息的正文。
+func frameContent(t *testing.T, msg map[string]json.RawMessage) string {
+	t.Helper()
+	var content string
+	if err := json.Unmarshal(msg["content"], &content); err != nil {
+		t.Fatalf("解析帧里的 content: %v", err)
+	}
+	return content
+}
+
+// TestIMOutboundVoiceFirstFrameCarriesVoice 钉住出站方向的首帧纪律（M44 的同一条口径）：
+// 合成成功的回复，其**第一帧**里就要有 `voice`，且与 REST 读面同一行逐字相等。
+func TestIMOutboundVoiceFirstFrameCarriesVoice(t *testing.T) {
+	t.Parallel()
+	env := newOutboundVoiceE2E(t, session.Session{SessionID: "sess-1", Owner: true, MemWritable: true})
+	audio := []byte("OggS-outbound-voice-payload")
+	ref := storeOutboundCopy(t, env.uploads, audio)
+	env.chat.res = &loop.Result{
+		Text: outboundVoiceText,
+		Voice: &loop.OutboundVoice{
+			Requested: true, Name: ref.Name, Mime: ref.MIME, Size: ref.Size, DurationMs: 1500,
+		},
+	}
+	conn := env.dialOwnerWS(t)
+	env.bridge.process(context.Background(), directMessage())
+
+	ev := nextPersistedFrameWithRole(t, conn, history.RoleAssistant)
+	if ev.Type != "message_persisted" {
+		t.Fatalf("主人私聊的帧类型 = %q, want message_persisted", ev.Type)
+	}
+	msg := persistedMessage(t, ev)
+	raw, ok := msg["voice"]
+	if !ok {
+		t.Fatalf("🔴 出站语音的**第一帧**缺 data.message.voice: %s", ev.Data)
+	}
+	shape := canonicalVoice(t, raw)
+	for _, want := range []string{
+		`"source":"tts"`, `"status":"transcribed"`,
+		`"name":"` + ref.Name + `"`, `"mime":"` + outboundVoiceAudioMIME + `"`,
+		fmt.Sprintf(`"size":%d`, ref.Size), `"durationMs":1500`,
+		`"url":"/api/v1/media/` + ref.Name + `"`,
+	} {
+		if !strings.Contains(shape, want) {
+			t.Fatalf("帧里的 voice = %s, 缺 %s", shape, want)
+		}
+	}
+	// 与 REST 读面**同一行**逐字相等：同一份事实，不是两处各算。
+	id := messageIDOf(t, msg)
+	restVoice := voiceOfRowByID(t, fetchMessages(t, env.ts.URL, history.MainSessionID, env.tok), id)
+	if got, want := canonicalVoice(t, raw), canonicalVoice(t, restVoice); got != want {
+		t.Fatalf("帧里的 voice = %s, REST 读面同一行 = %s", got, want)
+	}
+	// 握手回放（隔天重新打开客户端）：同一条消息在 `history` 帧里也带着这份出站语音。
+	_, replay := env.dialOwnerWSHistory(t)
+	replayRaw, ok := replayVoiceOfID(t, replay, id)
+	if !ok {
+		t.Fatalf("🔴 握手回放里这条出站语音缺 voice 键: %s", replay.Data)
+	}
+	if got, want := canonicalVoice(t, replayRaw), canonicalVoice(t, raw); got != want {
+		t.Fatalf("握手回放里的 voice = %s, 实时帧 = %s", got, want)
+	}
+	// 正文一字未改：语音是这条回复的另一种呈现，不是它的替代品。
+	if got := frameContent(t, msg); got != outboundVoiceStoredText {
+		t.Fatalf("帧里的正文 = %q, want %q", got, outboundVoiceStoredText)
+	}
+}
+
+// TestIMOutboundVoiceFallbackIsVisibleAsFailed 钉住降级的可见性（切片 M58 的第 3 条）：
+// `voice.status=failed` + `fallbackReason` 在**实时帧**与**历史回看**上都看得见，正文照发
+// 原文，且渠道侧只收到纯文本气泡（绝不发一个空音频）。
+func TestIMOutboundVoiceFallbackIsVisibleAsFailed(t *testing.T) {
+	t.Parallel()
+	env := newOutboundVoiceE2E(t, session.Session{SessionID: "sess-1", Owner: true, MemWritable: true})
+	env.chat.res = &loop.Result{
+		Text:  outboundVoiceText,
+		Voice: &loop.OutboundVoice{Requested: true, FallbackReason: "tts_timeout"},
+	}
+	conn := env.dialOwnerWS(t)
+	env.bridge.process(context.Background(), directMessage())
+
+	ev := nextPersistedFrameWithRole(t, conn, history.RoleAssistant)
+	msg := persistedMessage(t, ev)
+	raw, ok := msg["voice"]
+	if !ok {
+		t.Fatalf("🔴 合成降级的**第一帧**缺 data.message.voice（客户端看不到「本来想用语音」）: %s", ev.Data)
+	}
+	shape := canonicalVoice(t, raw)
+	for _, want := range []string{
+		`"source":"tts"`, `"status":"failed"`, `"fallbackReason":"tts_timeout"`,
+	} {
+		if !strings.Contains(shape, want) {
+			t.Fatalf("帧里的 voice = %s, 缺 %s", shape, want)
+		}
+	}
+	// 没有副本 ⇒ 副本四键**一起缺席**（不是空串、不是 0）：客户端据此不画播放器。
+	for _, absent := range []string{`"name"`, `"mime"`, `"size"`, `"url"`} {
+		if strings.Contains(shape, absent) {
+			t.Fatalf("降级的 voice = %s, 不该有 %s", shape, absent)
+		}
+	}
+	// 历史回看（REST 读面）与帧上是同一份事实 —— 隔天再打开也看得到这条降级。
+	id := messageIDOf(t, msg)
+	restVoice := voiceOfRowByID(t, fetchMessages(t, env.ts.URL, history.MainSessionID, env.tok), id)
+	if got, want := canonicalVoice(t, raw), canonicalVoice(t, restVoice); got != want {
+		t.Fatalf("帧里的 voice = %s, REST 读面同一行 = %s", got, want)
+	}
+	// 握手回放（重新连 WS）同样带着这条降级：客户端的「本来想用语音」小标不只在实时帧上有。
+	_, replay := env.dialOwnerWSHistory(t)
+	replayRaw, ok := replayVoiceOfID(t, replay, id)
+	if !ok {
+		t.Fatalf("🔴 握手回放里这条降级回复缺 voice 键: %s", replay.Data)
+	}
+	if got, want := canonicalVoice(t, replayRaw), canonicalVoice(t, raw); got != want {
+		t.Fatalf("握手回放里的 voice = %s, 实时帧 = %s", got, want)
+	}
+	// 正文原样：降级只影响「有没有音频」，绝不影响说什么。
+	if got := frameContent(t, msg); got != outboundVoiceStoredText {
+		t.Fatalf("降级回复的正文 = %q, want %q（正文不该被降级改写）", got, outboundVoiceStoredText)
+	}
+	if len(env.platform.sends) != 1 {
+		t.Fatalf("渠道侧气泡数 = %d, want 1", len(env.platform.sends))
+	}
+	sent := env.platform.sends[0]
+	if sent.ContentType != adapter.ContentText {
+		t.Fatalf("降级气泡的 ContentType = %q, want %q", sent.ContentType, adapter.ContentText)
+	}
+	if len(sent.Media) != 0 {
+		t.Fatalf("降级气泡带上了 Media = %+v, want 空（绝不发空音频）", sent.Media)
+	}
+}
+
+// TestIMOutboundVoiceMountsMediaOnFirstBubbleOnly 钉住出站 Media：音频只挂**第一个**气泡，
+// 字节就是盘上那份副本，第二个气泡仍是纯文本（同一条合成语音跟着每段各发一次，对方会收到
+// N 份同样的音频）。
+func TestIMOutboundVoiceMountsMediaOnFirstBubbleOnly(t *testing.T) {
+	t.Parallel()
+	env := newOutboundVoiceE2E(t, session.Session{SessionID: "sess-1", Owner: true, MemWritable: true})
+	audio := []byte("OggS-multi-paragraph-voice")
+	ref := storeOutboundCopy(t, env.uploads, audio)
+	env.chat.res = &loop.Result{
+		Text: outboundVoiceMultiText,
+		Voice: &loop.OutboundVoice{
+			Requested: true, Name: ref.Name, Mime: ref.MIME, Size: ref.Size,
+		},
+	}
+	env.bridge.process(context.Background(), directMessage())
+
+	if len(env.platform.sends) != 2 {
+		t.Fatalf("两段回复的气泡数 = %d, want 2（%+v）", len(env.platform.sends), env.platform.sends)
+	}
+	first := env.platform.sends[0]
+	if !strings.Contains(first.Content, "第一段话") {
+		t.Fatalf("第一个气泡的正文 = %q, want 第一段", first.Content)
+	}
+	if first.ContentType != adapter.ContentVoice {
+		t.Fatalf("第一个气泡的 ContentType = %q, want %q", first.ContentType, adapter.ContentVoice)
+	}
+	if len(first.Media) != 1 {
+		t.Fatalf("第一个气泡的 Media = %+v, want 恰好一条", first.Media)
+	}
+	md := first.Media[0]
+	if md.Kind != adapter.MediaVoice {
+		t.Fatalf("出站媒体 Kind = %q, want %q", md.Kind, adapter.MediaVoice)
+	}
+	if md.Name != ref.Name || md.MIMEType != outboundVoiceAudioMIME {
+		t.Fatalf("出站媒体 = %+v, want name=%s mime=%s", md, ref.Name, outboundVoiceAudioMIME)
+	}
+	if md.Size != int64(len(audio)) {
+		t.Fatalf("出站媒体 Size = %d, want %d", md.Size, len(audio))
+	}
+	if !bytes.Equal(md.Data, audio) {
+		t.Fatalf("出站媒体字节 = %q, want 盘上那份副本 %q", md.Data, audio)
+	}
+	// URL 刻意留空：`/api/v1/media/` 走 Bearer 鉴权，适配器没有（也不该有）owner 令牌。
+	if md.URL != "" {
+		t.Fatalf("出站媒体 URL = %q, want 空（适配器只拿字节）", md.URL)
+	}
+
+	second := env.platform.sends[1]
+	if !strings.Contains(second.Content, "第二段话") {
+		t.Fatalf("第二个气泡的正文 = %q, want 第二段", second.Content)
+	}
+	if second.ContentType != adapter.ContentText || len(second.Media) != 0 {
+		t.Fatalf("第二个气泡 = %+v, want 纯文本且无 Media", second)
+	}
+}
+
+// TestOutboundVoiceRefShapes 是 outbound_voice.go 的纯函数面：三种结局与「上游契约被破坏」
+// 那一种都必须各归其位 —— 一个没有 mime 的 name 绝不写成 transcribed。
+func TestOutboundVoiceRefShapes(t *testing.T) {
+	t.Parallel()
+	b, _, _, _ := newTestBridge(t)
+	const copyName = "0123456789abcdef0123456789abcdef.ogg"
+
+	cases := []struct {
+		name     string
+		voice    *loop.OutboundVoice
+		wantOK   bool
+		wantRef  string
+		wantSize int64
+	}{
+		{name: "nil 结论", voice: nil, wantOK: false},
+		{name: "未请求", voice: &loop.OutboundVoice{Requested: false}, wantOK: false},
+		{
+			name:   "合成成功且副本完整",
+			voice:  &loop.OutboundVoice{Requested: true, Name: copyName, Mime: outboundVoiceAudioMIME, Size: 8192, DurationMs: 1200},
+			wantOK: true, wantRef: `{"source":"tts","status":"transcribed","name":"` + copyName + `","mime":"audio/ogg","size":8192,"durationMs":1200}`, wantSize: 8192,
+		},
+		{
+			name:   "缺 mime ⇒ 降级 copy_incomplete",
+			voice:  &loop.OutboundVoice{Requested: true, Name: copyName, Size: 8192},
+			wantOK: true, wantRef: `{"source":"tts","status":"failed","fallbackReason":"copy_incomplete"}`, wantSize: 0,
+		},
+		{
+			name:   "名字不是内容寻址名 ⇒ 降级 copy_incomplete",
+			voice:  &loop.OutboundVoice{Requested: true, Name: "../../etc/passwd", Mime: outboundVoiceAudioMIME, Size: 10},
+			wantOK: true, wantRef: `{"source":"tts","status":"failed","fallbackReason":"copy_incomplete"}`, wantSize: 0,
+		},
+		{
+			name:   "请求了但没有音频 ⇒ 降级原因来自上游",
+			voice:  &loop.OutboundVoice{Requested: true, FallbackReason: "budget_exceeded"},
+			wantOK: true, wantRef: `{"source":"tts","status":"failed","fallbackReason":"budget_exceeded"}`, wantSize: 0,
+		},
+		{name: "请求了但既无副本又无原因", voice: &loop.OutboundVoice{Requested: true, CostMs: 90}, wantOK: false},
+	}
+	for _, tc := range cases {
+		t.Run(tc.name, func(t *testing.T) {
+			t.Parallel()
+			ref, ok := b.outboundVoiceRef(tc.voice)
+			if ok != tc.wantOK {
+				t.Fatalf("写列 = %v, want %v（ref=%+v）", ok, tc.wantOK, ref)
+			}
+			if !ok {
+				return
+			}
+			raw, err := voiceref.Encode(ref)
+			if err != nil {
+				t.Fatalf("编码 voice ref: %v", err)
+			}
+			if raw != tc.wantRef {
+				t.Fatalf("voice ref = %s, want %s", raw, tc.wantRef)
+			}
+			if ref.Size != tc.wantSize {
+				t.Fatalf("ref.Size = %d, want %d", ref.Size, tc.wantSize)
+			}
+		})
+	}
+}
+
+// voiceRefWithCopy 造一条「盘上应当有一份副本」的 voice 事实。字段按生产口径配齐
+// （name/mime/size 同生共死，否则 Validate 会拒绝）—— 名字交给调用方给，本函数不猜。
+func voiceRefWithCopy(name string, size int64) voiceref.Ref {
+	return voiceref.Ref{
+		Source: voiceref.SourceTTS, Status: voiceref.StatusTranscribed,
+		Name: name, MIME: outboundVoiceAudioMIME, Size: size,
+	}
+}
+
+// TestOutboundVoiceMediaSkipsUnreadableCopy 钉住「拿不到字节就不挂音频」：附件存储未接线、
+// 或副本读不回来时，出站媒体一律不挂（正文照发文本，WARN 由 outbound_voice.go 记下）。
+func TestOutboundVoiceMediaSkipsUnreadableCopy(t *testing.T) {
+	t.Parallel()
+	const copyName = "0123456789abcdef0123456789abcdef.ogg"
+	ref := voiceRefWithCopy(copyName, 1)
+
+	// ① 附件存储未接线（UploadsDir 与 DataDir 都空）⇒ inboundDocumentStore 返回 nil。
+	bare, _, _, _ := newTestBridge(t)
+	if md, ok := bare.outboundVoiceMedia(directMessage(), ref); ok {
+		t.Fatalf("存储未接线却挂上了出站媒体 = %+v", md)
+	}
+
+	// ② 目录配好了，但盘上没有这份副本 ⇒ 读不回来。
+	empty := newOutboundVoiceE2E(t, session.Session{SessionID: "sess-1", Owner: true, MemWritable: true})
+	if md, ok := empty.bridge.outboundVoiceMedia(directMessage(), ref); ok {
+		t.Fatalf("副本不存在却挂上了出站媒体 = %+v", md)
+	}
+
+	// ③ 副本真在盘上 ⇒ 挂得上，且字节逐字相等。
+	env := newOutboundVoiceE2E(t, session.Session{SessionID: "sess-1", Owner: true, MemWritable: true})
+	audio := []byte("OggS-readback")
+	stored := storeOutboundCopy(t, env.uploads, audio)
+	md, ok := env.bridge.outboundVoiceMedia(directMessage(), voiceRefWithCopy(stored.Name, stored.Size))
+	if !ok {
+		t.Fatalf("副本在盘上却没挂上出站媒体（name=%s）", stored.Name)
+	}
+	if !bytes.Equal(md.Data, audio) {
+		t.Fatalf("读回的字节 = %q, want %q", md.Data, audio)
+	}
+}

internal/services/channelbridge/persist.go

@@ -77,12 +77,12 @@ func (b *Bridge) notifyPersisted(msg history.Message) {
 // （inbound_documents_persist.go 的两段式）。未装配历史存储时为空操作，
 // 因此桥接器在没有存储的情况下行为不变。
 //
-// 写入本身走 persistMain（与主动推送同一个写入口径），通知走普通通道 notifyPersisted。
-// **主动推送不经过本函数**：它直接调 persistMain，并额外走 notifyProactive 追加一条带
+// 写入本身走 persistMainWith（与主动推送同一个写入口径），通知走普通通道 notifyPersisted。
+// **主动推送不经过本函数**：它直接调 persistMainWith，并额外走 notifyProactive 追加一条带
 // 结构化判据的帧（切片 P0b）—— 因此带判据的帧只可能来自主动推送，**普通消息的帧永远
 // 不带它**。
 func (b *Bridge) persistToMain(ctx context.Context, role, content, mood, document, image, platform, deviceID, adapterID, turnID string) history.Message {
-	return b.persistMain(ctx, mainRow(role, content, mood, document, image, platform, deviceID, adapterID, turnID), b.notifyPersisted)
+	return b.persistMainWith(ctx, mainRow(role, content, mood, document, image, platform, deviceID, adapterID, turnID), b.notifyPersisted)
 }
 
 // mainRow 构造一条写进 Web 主会话的行。它只写一次字段清单：persistToMain 与
@@ -94,13 +94,16 @@ func mainRow(role, content, mood, document, image, platform, deviceID, adapterID
 	}
 }
 
-// persistMain 是「写进主会话」的**唯一**写入口径：persistToMain（普通消息）与
-// 主动推送（proactive.go）共用它，因此两条路的存储语义逐字一致 —— 未接线历史存储
-// 时空操作并返回零值、写库失败 WARN 并返回零值（绝不谎称已落库）、成功则返回刚落库的
-// 完整消息。**差别只在 notify**：那是「这条要不要通知实时通道」的接缝，由调用方给出
-// —— 普通消息传 notifyPersisted（`message_persisted` / `channel_persisted`），主动推送
-// 传 notifyProactive（带结构化判据的同一类帧，切片 P0b）。nil 表示本次写入不通知。
-func (b *Bridge) persistMain(ctx context.Context, msg history.Message, notify func(history.Message)) history.Message {
+// persistMainWith 是「写进主会话」的**唯一**写入口径（与 persistIsolatedWith 同一手法）：
+// persistToMain（普通消息）、主动推送（proactive.go）与入站/出站语音那条「先写 `voice` 列、
+// 再广播」的路径共用它，因此几条路的存储语义逐字一致 —— 未接线历史存储时空操作并返回零值、
+// 写库失败 WARN 并返回零值（绝不谎称已落库）、成功则返回刚落库的完整消息。
+//
+// **差别只在 notify**：那是「这条要不要通知实时通道、以及先写列还是先广播」的接缝，由调用方
+// 给出 —— 普通消息传 notifyPersisted（`message_persisted` / `channel_persisted`），主动推送
+// 传 notifyProactive（带结构化判据的同一类帧，切片 P0b），语音传 persistVoiceFirstNotify
+// （先写 `voice` 列再广播，M44 首帧纪律）。nil 表示本次写入不通知。
+func (b *Bridge) persistMainWith(ctx context.Context, msg history.Message, notify func(history.Message)) history.Message {
 	if b.history == nil {
 		return history.Message{}
 	}

internal/services/channelbridge/proactive.go

@@ -83,7 +83,7 @@ func (b *Bridge) SendProactive(ctx context.Context, msg adapter.UnifiedMessage)
 	// 把主动消息镜像进主对话上下文（design/16
 	// §4.4 + §4.6.1）。否则模型看不到自己主动说了什么，
 	// 主人后续回复就会显得不连贯（该消息「丢失」了历史）。
-	// 它用的是普通回复那条写入口径（persistMain，相同的列、相同的时间戳语义），
+	// 它用的是普通回复那条写入口径（persistMainWith，相同的列、相同的时间戳语义），
 	// 作用域恒为 MainSessionID，落库的同样是**规整后**的那一份（Web 与 IM 看到的必须是
 	// 同一份），因此落库行为与本切片之前逐字相同；变的只有通知的第二步（见下）。
 	// turn_id 传 ""（零值）：主动推送是**她单方面开口**，没有对应的入站回合，也就没有
@@ -97,13 +97,13 @@ func (b *Bridge) SendProactive(ctx context.Context, msg adapter.UnifiedMessage)
 	//      id），前端按 id 去重 ⇒ 仍是一个气泡、仍只提醒一次。
 	//
 	// ② 只在**确实落了库**时发：`message_persisted` 的载荷要求权威 id，客户端拿不到 id
-	// 会整帧丢弃 —— 发一条没有 id 的帧等于假装提醒过。落库失败本身已由 persistMain
+	// 会整帧丢弃 —— 发一条没有 id 的帧等于假装提醒过。落库失败本身已由 persistMainWith
 	// 记 WARN（可见，不静默）。
 	row := history.Message{
 		SessionID: history.MainSessionID, Role: history.RoleAssistant, Content: out.Content,
 		Platform: target.platform, DeviceID: proactiveDeviceID(target), AdapterID: target.platform, Mode: modeChat,
 	}
-	if full := b.persistMain(ctx, row, b.notifyPersisted); full.ID != "" {
+	if full := b.persistMainWith(ctx, row, b.notifyPersisted); full.ID != "" {
 		b.notifyProactive(full)
 	}
 	return nil

internal/services/channelbridge/proactive_notify.go

@@ -6,7 +6,7 @@ import (
 
 // 本文件承载 IM 主动推送那条**实时通知**接缝（切片 P0b「IM 路由的主动消息也要在非前台
 // 补通知」）。它与 persist.go 的 notifyPersisted 并列：普通消息走那一条，主动推送走这
-// 一条。两条都写主会话，因此「写」是同一份代码（persistMain），差别只在通知。
+// 一条。两条都写主会话，因此「写」是同一份代码（persistMainWith），差别只在通知。
 //
 // 为什么必须分开而不是去猜：主人裁定「她说话该不该提醒我，与走哪条路由无关」，因此
 // 主动推送必须自己声明「我是主动推送」。判据是**结构化**的（本次写入走的是哪条通知

internal/services/gateway/history_voice.go

@@ -9,8 +9,12 @@ package gateway
 //
 // 四条硬口径：
 //
-//   - **🎤 判据 = `voice` 键存在**（契约明写）：非语音消息整键缺席（`omitempty` 的
-//     指针 nil），**不是** `{}` 也不是 `null`。客户端绝不从正文里认 `[语音]` 字样。
+//   - **`voice` 键存在 = 这条消息有语音事实**：非语音消息整键缺席（`omitempty` 的指针
+//     nil），**不是** `{}` 也不是 `null`。客户端绝不从正文里认 `[语音]` 字样。
+//     ⚠️ 出站合成降级（source=tts、status=failed + fallbackReason）同样**有键**，但
+//     没有可播副本（name/mime/size/url 四键一起缺席）⇒ 客户端按 `status` 分支：只挂一个
+//     「本来想用语音」的小标、**不**画播放器，也不打「来自语音」的 🎤（正文是文本，
+//     不是转写文本）。契约文档对 🎤 判据的措辞由塔统一收口。
 //   - **副本四键同生共死**：`name`/`mime`/`size`/`url` 只在**真的有副本**时一起出现
 //     （`Ref.Validate` 在解码时已保证，本文件再用 `HasCopy` 复核一次），绝不出现
 //     「`url` 指着一个不存在的 `name`」。
@@ -29,7 +33,8 @@ package gateway
 // ⚠️ 实时帧那条路对**时序**有依赖（已由 M44 的跨层修复保证）：`voice` 是**读列**得来的，
 // 所以帧必须在 `voice` 列写好之后才发出。渠道桥原来「先 notify、后写列」，导致入站语音的
 // **第一帧**读不到 voice；M44 把它改成「INSERT → 写 voice 列 → notify」（见 channelbridge
-// 的 persistBatchUsers / persistVoiceFirstNotify），本文件因此无需再区别对待实时帧与读面。
+// 的 persistBatchUsers / persistVoiceFirstNotify），出站语音（outbound_voice.go）走的是
+// 同一条顺序纪律。本文件因此无需再区别对待实时帧与读面。
 
 import (
 	"context"
@@ -45,10 +50,12 @@ import (
 // `source` / `status` 恒在（属于闭集，见 `voice.Source` / `voice.Status`）；其余
 // 全部 `omitempty` —— 给不出那一项时它**缺席**，绝不用 `0` 或空串编一个值。
 type historyVoice struct {
-	// Source ∈ asr（服务端识别，含云端）| platform（渠道平台自带转写）。
+	// Source ∈ asr（服务端识别，含云端）| platform（渠道平台自带转写）|
+	// tts（我们自己合成的出站语音）。
 	Source string `json:"source"`
-	// Status ∈ transcribed（正文即转写文本）| empty（转写成功但没识别出文字）|
-	// failed（没拿到转写文本，正文是一行中文诚实提示）。闭集三态。
+	// Status ∈ transcribed（正文即转写文本 / 出站合成成功）| empty（转写成功但没识别出
+	// 文字）| failed（没拿到转写文本，正文是一行中文诚实提示；出站方向 = 合成降级）。
+	// 闭集三态。
 	Status string `json:"status"`
 	// Name 是音频副本的存储名；无副本时**整键缺席**（与 mime/size/url 同生共死）。
 	Name string `json:"name,omitempty"`
@@ -58,6 +65,10 @@ type historyVoice struct {
 	Size int64 `json:"size,omitempty"`
 	// DurationMs 只有渠道如实给出、或转码产物可确证时才有；读不出来就缺席，绝不估算。
 	DurationMs int64 `json:"durationMs,omitempty"`
+	// FallbackReason 只在**出站合成降级**时出现（source=tts、status=failed）：说明这条
+	// 消息为什么没能变成语音（能力未接线 / 预算超时 / 合成为空）。正文此时照发文本，
+	// 客户端据 status=failed 只挂一个小标，**绝不**把它当成可播气泡。
+	FallbackReason string `json:"fallbackReason,omitempty"`
 	// URL 是服务端相对路径 `/api/v1/media/<name>`（唯一派生字段，由 MediaPath 一处拼出）。
 	URL string `json:"url,omitempty"`
 }
@@ -148,6 +159,11 @@ func historyVoiceOf(ref voiceref.Ref) *historyVoice {
 		return nil
 	}
 	out := &historyVoice{Source: string(ref.Source), Status: string(ref.Status)}
+	// 降级原因只在失败态下发（`Ref.Validate` 已保证它不会挂在其它状态上）：客户端据此
+	// 显示「这条本来想用语音」的小标，正文仍是原文本。
+	if ref.Status == voiceref.StatusFailed {
+		out.FallbackReason = ref.FallbackReason
+	}
 	if ref.HasCopy() {
 		// 四键同生共死：有副本时 name/mime/size/url 一起在，没有时一起缺席。
 		out.Name, out.MIME, out.Size = ref.Name, ref.MIME, ref.Size