用 speech-recognition 技能讓 OpenClaw 聽懂你說的話

为什么需要語音識別

我们實驗室用Telegram和OpenClaw打交道最多。問題是，很多时候我想快速記錄一个想法，或者在外面走路的时候想交代任務，打字太慢，这时候发語音訊息是最自然的方式。

但默认情况下，OpenClaw收到語音訊息不会自動转文字——它就是一个音频檔案，Agent没法直接處理。speech-recognition技能就是解決这个問題的。

speech-recognition技能是什么

这是一个OpenClaw的ClawHub技能，核心是呼叫硅基流动的SenseVoice API进行語音識別。SenseVoice是阿里达摩院开源的語音識別模型，速度快，中文效果好，支援情感識別和音频事件检测（笑声、掌声等）。

技能支援的格式：ogg、mp3、wav、m4a，Telegram語音訊息的格式（ogg opus）直接兼容，不需要额外轉換。

安裝步驟

第一步：取得硅基流动API Key

去 siliconflow.cn 註冊账号，新使用者有免费额度。进入控制台 → API Keys → 建立一个新Key。

SenseVoice的价格很便宜，按时长计费，日常用基本花不了多少。

第二步：安裝技能

如果你有clawhub CLI：

或者在OpenClaw里直接告诉Agent：「帮我安裝speech-recognition技能」，它会自動處理。

第三步：設定API Key

技能安裝完成后，需要在設定里填入你的硅基流动API Key。具体路径看技能的SKILL.md，一般是在OpenClaw的config里加一个環境变量：

設定完记得重启Gateway生效：

實際使用效果

設定完成后，效果是这样的：

我在Telegram发一条語音訊息：「帮我把今天下午三点的会议改到四点半，通知一下相关人员」

OpenClaw收到后自動转文字，然后正常處理这个指令，去查日历、修改事件、发通知。整个过程不需要我做任何额外操作。

中文識別率非常高，我们测了大量日常对话場景，基本上没有明显的識別錯誤。粤语、闽南语混杂的情况会差一点，但纯普通话几乎完美。

一个真实的使用場景

我们團隊有个习惯：开会的时候用Telegram发語音备忘。以前这些語音訊息要么靠记忆，要么得手动整理，很麻烦。

现在的流程是：

开会时发語音訊息記錄关键决策
OpenClaw自動转文字
Agent整理成会议纪要，存到对应的專案文档里

一个20分钟的会议，出会议纪要的时间从以前的30分钟压缩到5分钟以内，主要是語音转文字这步省了大量时间。

踩过的坑

坑1：檔案大小限制

硅基流动API对音频檔案有大小限制，超长語音（比如30分钟以上的录音）可能会超限。解決方案是在发送前分段，或者用ffmpeg先压缩一下。

坑2：網路延迟

API呼叫是即時的，網路不好的时候转文字会稍有延迟（1-3秒）。如果你在群聊里大量发語音，可能会排队。建议生产環境設定超时處理，避免长时间等待。

坑3：方言和专有名词

SenseVoice对行业专有名词的識別有时候会出错，比如「DeepSeek」可能被識別成「Deep Seek」，「OpenClaw」可能識別成「Open Claw」。这类情况需要在后處理阶段做關鍵字替换。

我们在SOUL.md里维护了一个常见专有名词对照表，Agent處理完转文字后会自動做一次替换，效果挺好的。

进阶用法：語音指令系統

配合speech-recognition，我们做了一套語音快捷指令系統：

「早安汇报」→ 觸發当天任務清单+天气+重要事项
「记下来」+ 內容 → 写入当天的memory檔案
「派给谁做」+ 任務描述 → 自動建立task并分配给对应Agent

这些是在MEMORY.md里設定的约定语义，Agent学会之后，发語音的效率和打字没什么区别了。

總結

speech-recognition是那种用了就回不去的技能——設定10分钟，用它節省的时间是以小时计的。如果你的工作流里有大量語音輸入場景（外出記錄、会议纪要、快速备忘），这个技能值得第一批安裝。

硅基流动的API Key申请是免费的，新使用者有额度，不用花钱就能体验，没理由不试。