174 lines
3.7 KiB
Markdown
174 lines
3.7 KiB
Markdown
---
|
||
name: speech-recognition
|
||
description: "通用语音识别 Skill。支持多种音频格式（ogg/mp3/wav/m4a），使用硅基流动 SenseVoice API 进行语音转文字。当用户发送语音消息、音频文件，或需要转录音频时触发。"
|
||
version: "1.0.0"
|
||
---
|
||
|
||
# 通用语音识别
|
||
|
||
使用硅基流动 SenseVoice API 进行语音识别，支持多种音频格式。
|
||
|
||
---
|
||
|
||
## 激活条件
|
||
|
||
| 触发场景 | 说明 |
|
||
|----------|------|
|
||
| 用户发送语音消息 | `.ogg` / `.mp3` / `.wav` / `.m4a` 文件 |
|
||
| 用户要求转录音频 | "转录这个音频"、"语音转文字" |
|
||
| 音频文件处理 | 需要提取音频中的文字内容 |
|
||
|
||
---
|
||
|
||
## 配置
|
||
|
||
### API Key
|
||
|
||
在 `~/.openclaw/openclaw.json` 中配置：
|
||
|
||
```json
|
||
{
|
||
"providers": {
|
||
"siliconflow": {
|
||
"apiKey": "sk-xxx"
|
||
}
|
||
}
|
||
}
|
||
```
|
||
|
||
### API 端点
|
||
|
||
```
|
||
POST https://api.siliconflow.cn/v1/audio/transcriptions
|
||
```
|
||
|
||
### 支持的模型
|
||
|
||
| 模型 | 说明 |
|
||
|------|------|
|
||
| `FunAudioLLM/SenseVoiceSmall` | 默认，中文效果好 |
|
||
|
||
---
|
||
|
||
## 使用方法
|
||
|
||
### 方法一：直接调用 API
|
||
|
||
```python
|
||
import requests
|
||
|
||
api_key = "sk-xxx"
|
||
|
||
with open("/path/to/audio.mp3", "rb") as f:
|
||
audio_data = f.read()
|
||
|
||
response = requests.post(
|
||
"https://api.siliconflow.cn/v1/audio/transcriptions",
|
||
headers={"Authorization": f"Bearer {api_key}"},
|
||
files={"file": ("audio.mp3", audio_data, "audio/mpeg")},
|
||
data={"model": "FunAudioLLM/SenseVoiceSmall"},
|
||
timeout=60
|
||
)
|
||
|
||
print(response.json().get("text", ""))
|
||
```
|
||
|
||
### 方法二：处理用户语音消息
|
||
|
||
当用户发送 `.ogg` 语音消息时：
|
||
|
||
```bash
|
||
# 1. 转换格式（如果是 ogg）
|
||
ffmpeg -i /path/to/audio.ogg -ar 16000 -ac 1 /tmp/audio.mp3 -y
|
||
|
||
# 2. 调用硅基流动 API（API Key 从环境变量读取）
|
||
python3 -c "
|
||
import requests
|
||
import os
|
||
|
||
api_key = os.environ.get('SILICONFLOW_API_KEY')
|
||
if not api_key:
|
||
raise ValueError('请设置 SILICONFLOW_API_KEY 环境变量')
|
||
|
||
with open('/tmp/audio.mp3', 'rb') as f:
|
||
audio_data = f.read()
|
||
|
||
response = requests.post(
|
||
'https://api.siliconflow.cn/v1/audio/transcriptions',
|
||
headers={'Authorization': f'Bearer {api_key}'},
|
||
files={'file': ('audio.mp3', audio_data, 'audio/mpeg')},
|
||
data={'model': 'FunAudioLLM/SenseVoiceSmall'},
|
||
timeout=60
|
||
)
|
||
print(response.json().get('text', ''))
|
||
"
|
||
```
|
||
|
||
---
|
||
|
||
## 支持的音频格式
|
||
|
||
| 格式 | 扩展名 | 说明 |
|
||
|------|--------|------|
|
||
| MP3 | `.mp3` | 推荐，兼容性好 |
|
||
| OGG | `.ogg` | Telegram/Signal 语音格式，需转换 |
|
||
| WAV | `.wav` | 无压缩，文件大 |
|
||
| M4A | `.m4a` | iOS 录音格式 |
|
||
| FLAC | `.flac` | 无损压缩 |
|
||
|
||
---
|
||
|
||
## 格式转换
|
||
|
||
如果音频不是 MP3 格式，用 FFmpeg 转换：
|
||
|
||
```bash
|
||
# OGG → MP3
|
||
ffmpeg -i input.ogg -ar 16000 -ac 1 output.mp3 -y
|
||
|
||
# WAV → MP3
|
||
ffmpeg -i input.wav -ar 16000 -ac 1 output.mp3 -y
|
||
|
||
# M4A → MP3
|
||
ffmpeg -i input.m4a -ar 16000 -ac 1 output.mp3 -y
|
||
```
|
||
|
||
参数说明：
|
||
- `-ar 16000`: 采样率 16kHz（语音识别推荐）
|
||
- `-ac 1`: 单声道（减少文件大小）
|
||
- `-y`: 覆盖已存在的文件
|
||
|
||
---
|
||
|
||
## 错误处理
|
||
|
||
| 错误 | 原因 | 解决 |
|
||
|------|------|------|
|
||
| `401 Unauthorized` | API Key 无效 | 检查配置 |
|
||
| `413 Payload Too Large` | 文件太大 | 压缩或分割音频 |
|
||
| `timeout` | 网络超时 | 重试或检查网络 |
|
||
| `Invalid audio format` | 格式不支持 | 用 FFmpeg 转换 |
|
||
|
||
---
|
||
|
||
## 注意事项
|
||
|
||
1. **文件大小限制**：建议 < 10MB
|
||
2. **时长限制**：建议 < 5 分钟
|
||
3. **语言支持**：中文效果最好，英文也支持
|
||
4. **隐私**：音频会上传到硅基流动服务器
|
||
|
||
---
|
||
|
||
## 相关 Skills
|
||
|
||
| Skill | 说明 |
|
||
|-------|------|
|
||
| `douyin-video` | 抖音视频语音提取 |
|
||
| `cosyvoice-tts` | 文字转语音 |
|
||
|
||
---
|
||
|
||
*版本：1.0.0*
|
||
*创建于：2026-02-26*
|