（10343期）speech-recognition – 多格式语音转文字，中文精准识别

多格式语音转文字，中文精准识别 基于硅基流动 SenseVoice API 的通用语音识别工具，支持多格式音频转文字，中文识别效果优异，适合会议记录、语音消息处理等场景。 使用说明 核心用法 该 Skill 提供通用语音识别能力，通过调用硅基流动 SenseVoice API 将音频转换为文字。支持 .ogg/.mp3/.wav/.m4a 等多种格式，用户可通过直接发送语音消息、上传音频文件或主动请求转录来触发。使用前需在 ~/.openclaw/openclaw.json 配置硅基流动 API Key。 显著优点 中文识别精准：采用阿里巴巴通义实验室开源的 SenseVoiceSmall 模型，针对中文场景优化，识别准确率高 格式兼容广泛：原生支持主流音频格式，配合 FFmpeg 可处理 Telegram OGG、iOS M4A 等特殊格式 集成便捷：提供完整的 Python 调用示例和错误处理指南，开发者可快速集成 生态协同：与 douyin-video（视频语音提取）、cosyvoice-tts（语音合成）形成互补，构建完整语音处理流水线 潜在缺点与局限性 隐私敏感：音频需上传至第三方云服务器（硅基流动），不适合机密内容处理 时长与大小限制：建议音频 < 10MB、< 5 分钟，长音频需人工分割 单一模型依赖：仅内置 SenseVoiceSmall，无多模型备选或本地部署选项 网络依赖强：API 调用需稳定网络，超时重试机制需自行实现 适合人群 需要快速转录会议、采访、播客的办公人士 处理即时通讯语音消息的自动化工作流开发者 中文内容创作者进行语音字幕生成 常规风险 | 风险类型 | 说明 | 缓解建议 ||---------|------|---------|| 隐私泄露 | 音频上传第三方 | 避免处理敏感、涉密内容 || API 密钥泄露 | 配置文件存储明文密钥 | 使用环境变量替代，设置最小权限 || 服务中断 | 依赖单一云服务商 | 实现降级方案或本地 Whisper 备选 || 识别误差 | 口音、噪声干扰 | 关键场景人工校对复核 | 原始说明 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。