Audio / Voice Notes（音频/语音笔记）— 2026-01-17

工作内容

  • Media understanding（媒体理解）（音频）：如果启用了音频理解（或自动检测），OpenClaw：
    1. 定位第一个音频附件（本地路径或 URL）并在需要时下载。
    2. 在发送到每个模型条目之前强制执行 maxBytes。
    3. 按顺序运行第一个符合条件的模型条目（provider 或 CLI）。
    4. 如果失败或跳过（大小/超时），它会尝试下一个条目。
    5. 成功时，它将 Body 替换为 [Audio] 块并设置 {{Transcript}}。
  • Command parsing（命令解析）：当转录成功时，CommandBody/RawBody 设置为转录文本，因此斜杠命令仍然有效。
  • Verbose logging（详细日志）：在 --verbose 中，我们记录转录运行时间和替换 body 的时间。

Auto-detection（自动检测）（默认）

如果你未配置模型且 tools.media.audio.enabled 未设置为 false，OpenClaw 会按以下顺序自动检测并在第一个有效选项处停止：

  1. Local CLIs（本地 CLI）（如果已安装）
    • sherpa-onnx-offline（需要 SHERPA_ONNX_MODEL_DIR 与 encoder/decoder/joiner/tokens）
    • whisper-cli（来自 whisper-cpp；使用 WHISPER_CPP_MODEL 或捆绑的 tiny 模型）
    • whisper（Python CLI；自动下载模型）
  2. Gemini CLI（gemini）使用 read_many_files
  3. Provider keys（提供者密钥）（OpenAI → Groq → Deepgram → Google）

要禁用自动检测，请设置 tools.media.audio.enabled: false。 要自定义，请设置 tools.media.audio.models。 注意：二进制检测在 macOS/Linux/Windows 上是尽力而为的；确保 CLI 在 PATH 上（我们展开 ~），或使用完整命令路径设置显式 CLI 模型。

配置示例

Provider + CLI fallback（Provider + CLI 回退）（OpenAI + Whisper CLI）

{
  tools: {
    media: {
      audio: {
        enabled: true,
        maxBytes: 20971520,
        models: [
          { provider: "openai", model: "gpt-4o-mini-transcribe" },
          {
            type: "cli",
            command: "whisper",
            args: ["--model", "base", "{{MediaPath}}"],
            timeoutSeconds: 45
          }
        ]
      }
    }
  }
}

Provider-only with scope gating（仅 Provider 带范围门控）

{
  tools: {
    media: {
      audio: {
        enabled: true,
        scope: {
          default: "allow",
          rules: [
            { action: "deny", match: { chatType: "group" } }
          ]
        },
        models: [
          { provider: "openai", model: "gpt-4o-mini-transcribe" }
        ]
      }
    }
  }
}

Provider-only（仅 Provider）（Deepgram）

{
  tools: {
    media: {
      audio: {
        enabled: true,
        models: [{ provider: "deepgram", model: "nova-3" }]
      }
    }
  }
}

注意事项和限制

  • Provider 身份验证遵循标准模型身份验证顺序（auth profiles、env vars、models.providers.*.apiKey）。
  • 当使用 provider: "deepgram" 时，Deepgram 获取 DEEPGRAM_API_KEY。
  • Deepgram 设置详情：Deepgram (audio transcription)。
  • 音频 providers 可以通过 tools.media.audio 覆盖 baseUrl、headers 和 providerOptions。
  • 默认大小上限为 20MB（tools.media.audio.maxBytes）。超大音频会跳过该模型并尝试下一个条目。
  • 音频的默认 maxChars 是未设置（完整转录）。设置 tools.media.audio.maxChars 或每个条目的 maxChars 以修剪输出。
  • OpenAI 自动默认为 gpt-4o-mini-transcribe；设置 model: "gpt-4o-transcribe" 以获得更高的准确性。
  • 使用 tools.media.audio.attachments 处理多个语音笔记（mode: "all" + maxAttachments）。
  • 转录文本可作为 {{Transcript}} 供模板使用。
  • CLI stdout 有上限（5MB）；保持 CLI 输出简洁。

注意事项

  • Scope 规则使用首次匹配获胜。chatType 标准化为 direct、group 或 room。
  • 确保你的 CLI 退出 0 并打印纯文本；JSON 需要通过 jq -r .text 进行处理。
  • 保持超时合理（timeoutSeconds，默认 60s）以避免阻塞回复队列。
← 返回文档首页