feat(voice): 实现自身语音缓存以跳过ASR识别

当机器人通过TTS插件发送语音时，会自动将语音数据和对应的原始文本进行缓存。

当机器人接收到自己发送的语音消息时，会优先从缓存中直接读取文本，从而跳过调用ASR（自动语音识别）服务的步骤。

此项优化可以：
- 节省不必要的ASR资源开销和费用。
- 保证对机器人自身语音100%的识别准确性。
- 提升对自身消息的响应处理速度。

src/chat/utils/self_voice_cache.py

@@ -0,0 +1,42 @@
+"""
+自我语音缓存模块
+
+用于在机器人发送TTS语音后，临时存储其原始文本，
+以便在接收到该语音消息时，能够直接获取文本内容，
+避免不必要的自我语音识别。
+"""
+import hashlib
+from typing import Dict
+
+# 一个简单的内存缓存，用于将机器人自己发送的语音消息映射到其原始文本。
+# 键是语音base64内容的SHA256哈希值。
+_self_voice_cache: Dict[str, str] = {}
+
+def get_voice_key(base64_content: str) -> str:
+    """为语音内容生成一个一致的键。"""
+    return hashlib.sha256(base64_content.encode('utf-8')).hexdigest()
+
+def register_self_voice(base64_content: str, text: str):
+    """
+    为机器人自己发送的语音消息注册其原始文本。
+    
+    Args:
+        base64_content (str): 语音的base64编码内容。
+        text (str): 原始文本。
+    """
+    key = get_voice_key(base64_content)
+    _self_voice_cache[key] = text
+
+def consume_self_voice_text(base64_content: str) -> str | None:
+    """
+    获取并移除机器人自己发送的语音消息的原始文本。
+    这是一个一次性操作，获取后即从缓存中删除。
+    
+    Args:
+        base64_content (str): 语音的base64编码内容。
+        
+    Returns:
+        str | None: 如果找到，则返回原始文本，否则返回None。
+    """
+    key = get_voice_key(base64_content)
+    return _self_voice_cache.pop(key, None)