demo112

speech-recognition

設計創意v1.0.1
作者:demo112更新於 2026-05-11共 2 個版本 · 最新版本釋出於 2026-02-25@clawhub_demo112/speech-recognition
音訊處理#消息#音频

據 AlphaMoat 統計,截至 2026-10,speech-recognition 累計下載 8,171 次、獲 4 個星標,按累計下載量在本次參與排名的 10,914 個 AI 技能中排名第 3,395 位,在「設計創意」分類(1,116 個)中排名第 443 位。

列表預設按累計下載量排序,也可按星標排序;詳情頁排名按累計下載量計算。

累計下載
8171
星標
4
全站下載量排名
#3,395
全站前 32% · 「設計創意」前 40%
平台累計下載星標評論
ClawHub ↗61243-
SkillHub ↗81714—

各平台的計數口徑不同,統計時間不一致。

這個技能是做什麼的

當使用者傳送語音訊息(.ogg/.mp3/.wav/.m4a)、要求轉錄音訊或需要提取音訊文字時觸發。預設模型 FunAudioLLM/SenseVoiceSmall,主文稱其中文效果好、英文也支援;API 端點為 POST https://api.siliconflow.cn/v1/audio/transcriptions,API Key 配置在 ~/.openclaw/openclaw.json 的 providers.siliconflow,或經 SILICONFLOW_API_KEY 環境變數注入。非 MP3 音訊(含 WAV、M4A、FLAC 與 Telegram/Signal 語音常見的 OGG)用 FFmpeg 轉換,引數 -ar 16000 -ac 1(16kHz 取樣率、單聲道)。錯誤處理覆蓋 401 Unauthorized(API Key 無效)、413 Payload Too Large(檔案太大,需壓縮或分割)、網路超時與格式不支援。限制與隱私:檔案建議 < 10MB、時長建議 < 5 分鐘,音訊會上傳到矽基流動伺服器處理。該技能以 MIT 許可釋出。

資料釋出於 2026-10-27

可以用來做什麼

  • 轉錄 Telegram/Signal 發來的 .ogg 語音訊息
  • 把音訊檔案中的講話內容提取為文字
  • 處理使用者上傳的 mp3/m4a 錄音並輸出文字

什麼時候用

  • 使用者傳送語音訊息或音訊檔案、需要音訊轉文字時

示例提示詞

以下是根據技能文件生成的示例,不代表實際執行結果。

轉錄這個音訊
幫我把這段語音轉成文字
提取這個 m4a 錄音裡的文字內容

月度資料趨勢

累計下載8171
2954575685572026-03 · 累計下載 33402026-05 · 累計下載 53222026-06 · 累計下載 55302026-07 · 累計下載 58002026-08 · 累計下載 59902026-09 · 累計下載 63502026-10 · 累計下載 817126-0326-0926-10
星標4
2342026-03 · 星標 22026-05 · 星標 32026-06 · 星標 32026-07 · 星標 42026-08 · 星標 42026-09 · 星標 42026-10 · 星標 426-0326-0926-10

2026-09 起統計方法調整:同名技能按作者分別統計,並覆蓋全部技能。圖中虛線為調整前的月份,與之後的資料不直接比較,也不計算跨越調整的增長。 該技能有同名的其他版本,調整前的資料歸屬當前下載量最大的這一個。

月份累計下載環比星標
2026-108171—4
2026-096350—4
2026-085990+3.3%4
2026-075800+4.9%4
2026-065530+3.9%3
2026-055322—3
2026-033340—2

SKILL.md 原文

以下是作者釋出的原始檔案,按純文字顯示,本站未做修改或稽核;其中的連結不可點選,命令請核實後再執行。抓取於 2026-10-23。

3.7 KB · ClawHub v1.0.1
---
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。
展開全部(共 174 行)
---

## 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*

「設計創意」分類下的熱門技能

影片短影片圖片音樂音訊配音口播數位人全能創作設計創意

透過同一個AI創作工具完成AI圖片、影片、音樂與語音創作,查詢公開社交資料,編輯視覺成果,並集中檢視和管理生成資產。Beatra 全能創作支援AI圖片生成(文生圖)、AI影片生成(圖生影片)和AI影片編輯,透過AI音樂生成把想法做成歌曲或純音樂,也可用AI語音生成(文字轉語音)、多語言旁白和AI語音克隆完成跨媒介內容;還能查詢抖音資料、小紅書資料,以及 YouTube、TikTok、Instagram 與 X 上的公開帖子、筆記、評論、賬號和趨勢,把社交媒體資料用於競品調研和創作。它是一款面向AI內容創作與多模態內容創作的AI創作套件,用起來就是一個把圖片、影片、音樂與語音收在同一處的AI創作助手,適用於社交內容、產品展示、行銷素材、課程、播客、短片和跨媒介專案;還能在不同媒介間複用原始素材、已有成果和查到的公開資料,檢視製作進度、返回檔案、實際用量和積分記錄。

↓ 147.6萬★ 113u_319b171b
AI數位人口播與虛擬主播影片設計創意

用一張人像和一段短指令碼或語音,製作有明確講述內容的數位人口播影片。可使用現成錄音,也可以先選擇音色,把指令碼生成旁白,讓畫面中的人物隨聲音完成穩定、自然的口播。適合 AI 主播、虛擬主播影片、數位人講解、讓照片說話、照片說話影片、產品講解影片、數位人培訓影片、公告和社交口播,並在交付後檢查人物一致性、聲音清晰度、口型同步和動作穩定性。一節課的講解也能做成課程口播。

↓ 50.8萬★ 39u_319b171b
架構圖一鍵生成設計創意

ContextWeave 架構圖一鍵生成

↓ 47萬★ 280user_bddf3fe6
海報設計工作室設計創意

將一段活動描述、一張產品照片或品牌參考圖,轉化為抓人眼球的活動海報、宣傳 banner 或社交媒體配圖。這款 AI海報設計與製作工具生成圖片豐富的海報,在海報排版上搭配清晰視覺層級、按品類匹配的風格和預留文字區域,覆蓋活動、音樂節、電影、產品釋出和促銷場景。你可以把它當作 AI宣傳單製作工具來製作促銷宣傳單,當作活動海報設計工具,當作電影海報生成器,當作音樂節海報設計工具,當作產品釋出會海報的 banner設計 AI,或當作平面設計海報工作室。從活動主題出發,用品牌風格參考圖變換產品或場景照片,或在已認可草稿上做定向精修,完成可印刷或可分享的成品。

↓ 30.5萬★ 28user_87b8e34f
自動化克隆數位人口播混剪影片設計創意

抖音短影片雙路徑生產體系(單 Skill 版)。Path A[付費·高質量]:策略大腦→(可選:素材混剪/AI高光提取)→指令碼最佳化→AI生圖/素材準備→配音渲染(百鍊/GPT-SoVITS/CosyVoice/VoxCPM2+剪映/Remotion/ffmpeg/數位人)。Path B[免費·動畫風]:採集熱點→指令碼→edge-tts免費配音+HyperFrames開源渲染→MP4,零雲費開箱快。觸發詞分層:①"抖音短影片/選題規劃/合規閘門/營運策略" ②"口播指令碼/AI生圖/AI配音/影片渲染/Remotion渲染" ③"蹭熱點/快速出片/免費做影片" ④"混剪/高光提取/素材粗剪/autoclip

↓ 29.7萬★ 79user_3b54b400
GPT Image 2.5生圖設計創意

GPT Image 2.5生圖是一款 AI 工具,用 GPT-Image-2.5 和 ChatGPT Images 2.5 出一張圖。GPT Image 2.5 Studio 支援 gpt-image-2.5-flare 與 gpt-image-2.5-sunburst,可文生圖或參考圖生圖,做中文海報、商品圖、資訊圖和社媒畫面。

↓ 27.1萬★ 27user_87b8e34f
MiniMax H3 AI影片創作設計創意

用 MiniMax H3 這款 AI影片生成器創作高質感 2K AI 影片。從文字創意出發完成文生影片,讓靜態圖片自然動起來,用首尾畫面做首尾幀影片的完整轉場,也可以結合圖片、影片和音訊參考,以多模態影片生成塑造統一場景。適合 AI 廣告影片、電商產品影片、品牌宣傳影片、動態海報、遊戲 UI、電影片頭和社交短影片創作,形成電影感畫面與同步的原生立體聲。使用 Beatra 賬號即可開始,創作進度與成片集中管理。

↓ 26.3萬★ 23user_87b8e34f
AI Logo設計·品牌標識創作設計創意

輸入品牌名稱、行業方向或參考圖,生成專業 AI Logo、品牌標識和應用圖示。這款 AI logo 設計工具從你的品牌簡報出發——公司名、行業氣質、配色偏好——先探索多個商標設計方向,再用精確品牌色、簡潔幾何和可縮放構圖精修最強概念。製作企業 logo、創業公司標誌、字母標、徽章、組合標識和 VI設計中的主標,從網站 favicon 到門頭招牌都清晰可辨。從文字描述出發,將已有草圖和品牌素材轉化為精緻標識,或在已認可草稿上做定向精修。

↓ 26萬★ 19user_87b8e34f

demo112 的其他技能

資料月份:2026-10 · 下載/星標數聚合自公開技能註冊庫(ClawHub、SkillHub),按月更新。口徑說明見資料方法。