stt-recognizer（STT 识别器）

STT Recognizer | STT 识别器 🎤

将语音转换为文字，支持本地推理和 API 调用。

文件结构

技能目录（发布用）：
~/.openclaw/workspace/skills/stt-recognizer/
├── SKILL.md           # 本文档
├── _meta.json         # 元数据
├── .clawhub/          # ClawHub 源信息
└── scripts/           # 运行时脚本
    ├── download_models.sh      # 下载模型
    ├── record_audio.py         # 录音
    ├── transcribe.py          # 转写
    └── record_and_transcribe.py # 一键录音+转写

项目目录（运行时数据）：
~/.openclaw/workspace/projects/stt-recognizer/
├── requirements.txt   # Python 依赖
├── recordings/       # 录音文件
└── transcriptions/   # 转写结果

模型缓存（统一命名，技能专属）：
~/.cache/huggingface/modules/stt-recognizer/
├── small/        # small 模型（464MB，默认使用）
└── base/        # base 模型（约 142MB，可选）

目录

1. 概述
2. 快速开始
3. 录音脚本
4. 转写脚本
5. 模型管理
6. 输出目录
7. 环境变量
8. 故障排查

概述

支持的转写引擎

支持的音频格式

• WAV (推荐，16-bit PCM)
• MP3
• OGG
• FLAC
• M4A

快速开始

1. 安装依赖

cd ~/.openclaw/workspace/skills/stt-recognizer
pip install -r requirements.txt --break-system-packages

2. 下载模型

cd ~/.openclaw/workspace/skills/stt-recognizer
bash scripts/download_models.sh base

3. 录音并转写

# 方式一：一键录音+转写（推荐）
python3 scripts/record_and_transcribe.py --duration 10

# 方式二：分开执行
# 录制 10 秒音频
python3 scripts/record_audio.py --duration 10

# 转写音频文件
python3 scripts/transcribe.py ~/.openclaw/workspace/projects/stt-recognizer/recordings/recording_xxx.wav

录音脚本

record_and_transcribe.py ⭐ 推荐

一键录音并转写，适合快速使用：

cd ~/.openclaw/workspace/skills/stt-recognizer
python3 scripts/record_and_transcribe.py --duration 10 --language zh

record_audio.py

从麦克风录制音频，输出 WAV 文件。

cd ~/.openclaw/workspace/skills/stt-recognizer
python3 scripts/record_audio.py \
    --duration 10 \
    --sample-rate 16000 \
    --channels 1

参数说明:

示例:

# 列出所有音频设备
python3 scripts/record_audio.py --list-devices

# 录制 30 秒
python3 scripts/record_audio.py --duration 30 --filename my_voice.wav

转写脚本

transcribe.py

将音频文件转写为文字。

cd ~/.openclaw/workspace/skills/stt-recognizer
python3 scripts/transcribe.py audio.wav

参数说明:

模型选择:

示例:

# 转写（自动检测语言，推荐）
python3 scripts/transcribe.py audio.wav

# 使用 small 模型转写中文
python3 scripts/transcribe.py audio.wav --model small --language zh

# 使用 small 模型并翻译成英文
python3 scripts/transcribe.py audio.wav --model small --task translate

# 使用 API 转写
python3 scripts/transcribe.py audio.wav \
    --engine api \
    --api-url https://api.openai.com/v1 \
    --api-key sk-xxx \
    --model whisper-1

模型管理

模型存放位置

模型统一存放在缓存位置，按技能命名目录，清晰不混乱：

~/.cache/huggingface/modules/stt-recognizer/
├── small/        # small 模型（464MB，当前使用）
└── base/        # base 模型（约 142MB）

# 模型文件结构示例：
~/.cache/huggingface/modules/stt-recognizer/small/
├── model.bin        # 462MB（实际模型）
├── tokenizer.json   # 2.2MB
├── config.json      # 2.4KB
└── vocabulary.txt   # 450KB

下载模型

首次使用需下载 Whisper 模型（存放在 HuggingFace 缓存，不占技能目录）：

cd ~/.openclaw/workspace/skills/stt-recognizer
bash scripts/download_models.sh base

# 可选模型大小: tiny, base, small, medium, large
bash scripts/download_models.sh small

模型搜索路径

脚本按以下顺序查找模型：

1. 环境变量 STT_MODEL_PATH
2. ~/.cache/huggingface/modules/ ← 主要位置
3. ~/.openclaw/workspace/projects/stt-recognizer/models/ ← 工作区备份

输出目录

运行结果统一保存在工作区的 projects/stt-recognizer/ 目录下：

~/.openclaw/workspace/projects/stt-recognizer/
├── recordings/       # 原始录音文件 (record_audio.py)
│   └── recording_20260401_123456.wav
└── transcriptions/  # 转写结果 (transcribe.py)
    └── recording_20260401_123456.txt

环境变量

API 模式设置示例:

export STT_API_URL=https://api.openai.com/v1
export STT_API_KEY=sk-your-key

故障排查

录音失败

检查音频设备:

python3 scripts/record_audio.py --list-devices

解决方案:

• Linux: 安装 portaudio19-dev 或 libasound-dev
• Windows: 安装 PyAudio wheel
• macOS: 可能需要给终端麦克风权限

安装音频依赖:

# Ubuntu/Debian
sudo apt-get install portaudio19-dev libasound-dev

# macOS
brew install portaudio

# 然后安装 PyAudio
pip install pyaudio

# 安装依赖
cd ~/.openclaw/workspace/skills/stt-recognizer
pip install -r requirements.txt --break-system-packages

转写速度慢

使用 faster-whisper（推荐，比原版快 2-4 倍）:

pip install faster-whisper

降低模型大小:

# 使用 tiny 模型（最快）
python3 scripts/transcribe.py audio.wav --model tiny

使用 GPU:

# 确认 CUDA 可用
python3 -c "import torch; print(f'CUDA: {torch.cuda.is_available()}')"

模型下载失败

# 使用镜像
export HF_ENDPOINT=https://hf-mirror.com

# 手动下载
python3 -c "from faster_whisper import download_model; download_model('base', output_dir='models/')"

API 模式错误

• 确认 API URL 正确（包含 /v1）
• 确认 API Key 有效
• 检查网络连接

平台特定说明

Linux

• 音频后端: ALSA + PulseAudio
• 录音工具: PyAudio 或 arecord
• 权限: 确保用户在 audio 组

  sudo usermod -a -G audio $USER

Windows

• 音频后端: WASAPI / DirectSound
• 录音工具: PyAudio
• 注意: 部分驱动可能需要管理员权限

macOS

• 音频后端: Core Audio + AVFoundation
• 录音工具: PyAudio
• 权限: 系统偏好设置 → 安全性与隐私 → 麦克风 → 允许终端
• Apple Silicon 支持 MPS 加速

GTX 10xx / Pascal 显卡兼容性

• GTX 10xx 系列（Pascal 架构）不支持高效的 float16
• 脚本已自动降级为 float32，不会报错但速度稍慢

目录结构

技能目录（发布用）

stt-recognizer/
├── SKILL.md           # 本文档
├── _meta.json         # 元数据
├── .clawhub/          # ClawHub 源信息
└── scripts/           # 运行时脚本
    ├── download_models.sh      # 下载模型
    ├── record_audio.py         # 录音脚本
    ├── transcribe.py           # 转写脚本
    └── record_and_transcribe.py # ⭐ 一键录音+转写

项目目录（运行时数据）

~/.openclaw/workspace/projects/stt-recognizer/
├── requirements.txt   # Python 依赖
├── recordings/        # 录音文件
└── transcriptions/   # 转写结果

模型缓存

~/.cache/huggingface/modules/stt-recognizer/
├── small/        # small 模型
└── base/        # base 模型

依赖

# requirements.txt
faster-whisper>=1.0.0
pyaudio>=0.2.14
openai>=1.0.0
numpy>=1.24.0
torch>=2.0.0