byted-voice-to-text

name byted-voice-to-text description 语音转文字（ASR）。使用火山引擎 BigModel ASR 识别语音，包含极速版（≤2h/100MB 同步快速返回）和标准版（≤5h 异步识别）两种模式。支持飞书语音消息、本地音频文件及音频 URL。当收到语音消息或音频附件（.ogg/.mp3/.wav）时使用本技能。 license Complete terms in LICENSE metadata {"openclaw":{"emoji":"🎙️","requires":{"env":"[Truncated]"},"os":["darwin","linux"]},"clawdbot":{"emoji":"🎙️","requires":{"env":"[Truncated]"},"os":["darwin","linux"]},"moltbot":{"emoji":"🎙️","requires":{"env":"[Truncated]"},"os":["darwin","linux"]}} Voice to Text Skill 基于 火山引擎 BigModel ASR 将语音转为文字。准确率和多语言能力远优于本地 whisper，且速度更快。 核心执行流 收到飞书语音消息（ message_type: audio ），需要自动识别语音内容 用户给音频要转文字 ： 先跑 inspect_audio.py 再按时长、大小、URL/本地路径选择 asr_flash.py （极速版）或 asr_standard.py （标准版） 缺 ffmpeg / ffprobe ：先执行 ensure_ffmpeg.py --execute 用户问安装、开通、手工配置 ：按文末 reference map 读取对应文档 强制规则（最高优先级） 当你收到语音消息或音频文件附件时： 必须且只能使用 本 Skill 的脚本来识别语音 禁止使用 whisper 命令或 openai-whisper skill 禁止 fallback ：脚本失败时直接将错误信息告知用户，不要改用 whisper 先探测后识别 ：统一先执行 python3 <SKILL_DIR>/scripts/inspect_audio.py "<AUDIO_INPUT>" 缺 ffmpeg/ffprobe 先自治安装 ：先执行 python3 <SKILL_DIR>/scripts/ensure_ffmpeg.py --execute ，只有失败后才向用户求助 使用步骤 确认音频来源（本地文件、URL 或飞书语音 file_key）。 运行脚本前先 cd 到本技能目录： skills/byted-voice-to-text 。 执行对应命令（见下方参数说明）。 将脚本输出的文字 当作用户发送的文本消息 ，理解其意图并正常回复。不需要额外说明"语音识别结果是xxx"，直接回答用户的问题即可。 路由速记 本地文件 条件 脚本 时长 ≤ 2h 且 大小 ≤ 100MB asr_flash.py --file "<FILE>" （极速版，同步快速返回） 2h < 时长 ≤ 5h asr_standard.py --file "<FILE>" （标准版，异步 submit+poll） 时长 > 5h 不支持，先切片后逐片走极速版 无法获取时长 且 大小 ≤ 100MB asr_flash.py --file "<FILE>" （极速版兜底） 无法获取时长 且 大小 > 100MB asr_standard.py --file "<FILE>" （标准版兜底） 公网 URL 默认直接走 asr_standard.py --url "<URL>" 不要先下载到本地、探测、转码再路由 只有标准版真实失败时，再按错误决定是否进入本地下载/切片链 命中 URL、大文件、切片取舍时，再读 routing_strategy.md 。 环境变量与鉴权 鉴权采用 新版控制台方案 ，详见： 快速入门（新版控制台） 。 环境变量 用途 必需 MODEL_SPEECH_API_KEY API Key（新版控制台方案） 是 MODEL_SPEECH_APP_ID App ID（旧版鉴权时配合使用） 否 MODEL_SPEECH_ASR_API_BASE 极速版端点（有默认值） 否 MODEL_SPEECH_ASR_RESOURCE_ID 极速版资源 ID（默认 volc.bigasr.auc_turbo ） 否 MODEL_SPEECH_ASR_STANDARD_SUBMIT_URL 标准版提交端点（有默认值） 否 MODEL_SPEECH_ASR_STANDARD_QUERY_URL 标准版查询端点（有默认值） 否 MODEL_SPEECH_ASR_STANDARD_RESOURCE_ID 标准版资源 ID（默认 volc.bigasr.auc ） 否 FEISHU_TENANT_TOKEN 飞书 tenant_access_token（仅 --file-key 模式） 否 脚本清单 脚本 用途 对应模式 scripts/inspect_audio.py 音频元信息探测（时长、采样率、声道等） 预检 scripts/ensure_ffmpeg.py 自动检测并安装 ffmpeg/ffprobe 预检 scripts/asr_flash.py 极速版识别（≤2h/100MB，同步） Express/Flash scripts/asr_standard.py 标准版识别（≤5h，异步 submit+poll） Standard 最小脚本示例 # 预检：探测音频元信息 python3 <SKILL_DIR>/scripts/inspect_audio.py "<AUDIO_INPUT>" # 缺 ffmpeg 时自动安装 python3 <SKILL_DIR>/scripts/ensure_ffmpeg.py --execute # 极速版（短音频，≤2h/100MB） python3 <SKILL_DIR>/scripts/asr_flash.py --file "<AUDIO_FILE>" # 标准版（长音频或 URL） python3 <SKILL_DIR>/scripts/asr_standard.py --url "<AUDIO_URL>" python3 <SKILL_DIR>/scripts/asr_standard.py --file "<LONG_AUDIO_FILE>" # 标准版：仅提交不轮询 python3 <SKILL_DIR>/scripts/asr_standard.py --url "<URL>" --no-poll # 标准版：查询已有任务 python3 <SKILL_DIR>/scripts/asr_standard.py --query-task-id <ID> --query-logid <LOGID> asr_flash.py (极速版) 参数 参数 必填 说明 --file 三选一 本地音频文件路径 --url 三选一 音频文件的 URL 地址 --file-key 三选一 飞书语音消息的 file_key --feishu-token 否 飞书 tenant_access_token --appid 否 App ID --token 否 API Key --language 否 语言代码 asr_standard.py (标准版) 参数 参数 必填 说明 --url 二选一 音频文件的 URL 地址 --file 二选一 本地音频文件路径 --appid 否 App ID --token 否 API Key --language 否 语言代码 --no-poll 否 仅提交任务，不轮询结果 --poll-interval 否 轮询间隔秒数（默认 3） --poll-max-time 否 最大轮询时间秒数（默认 10800） --query-task-id 否 查询已有任务 ID --query-logid 否 查询时传入的 X-Tt-Logid 飞书语音消息处理流程 收到 audio 消息 → 音频文件已下载到 /root/.openclaw/media/inbound/ → 执行 asr_flash.py --file → 返回文字 → 当作用户消息处理 常用命令： # 飞书语音文件（最常用，文件已被飞书插件自动下载） python scripts/asr_flash.py --file "/root/.openclaw/media/inbound/xxxxx.ogg" 错误处理 PermissionError: MODEL_SPEECH_API_KEY ... → 提示用户配置 API Key ASR 请求失败 → 检查 API 凭据及账号 音频时长超过 5 小时 → 提示用户切分文件 音频文件不存在/为空 → 检查文件路径 遇到报错时直接告知用户具体错误，不要尝试用 whisper 替代。 何时继续读 references URL / 大文件 / 切片 / 路由细节 ：读 routing_strategy.md 参考文档 火山引擎 BigModel ASR 快速入门（新版控制台） — 鉴权与开通 API Key 使用