音频 / 语音笔记 — 2026-01-17

适用范围

在以下情况使用本页：

• 更改音频转录或媒体处理

工作原理

• 媒体理解（音频）：如果启用了音频理解（或自动检测），Clawdbot：
  1. 定位第一个音频附件（本地路径或 URL），并在需要时下载它。
  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（提供商或 CLI）。
  4. 如果失败或跳过（大小/超时），它会尝试下一个条目。
  5. 成功后，它用 [Audio] 块替换 Body 并设置 {{Transcript}}。
• 命令解析：转录成功时，CommandBody/RawBody 被设置为转录，因此斜杠命令仍然有效。
• 详细日志记录：在 --verbose 中，我们记录转录运行时以及它替换正文时的时间。

自动检测（默认）

如果您不配置模型且 tools.media.audio.enabled 未设置为 false， Clawdbot 按此顺序自动检测并在第一个工作选项处停止：

1. 本地 CLI（如果已安装）
   • sherpa-onnx-offline（需要带有编码器/解码器/连接器/令牌的 SHERPA_ONNX_MODEL_DIR）
   • 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. 提供商密钥（OpenAI → Groq → Deepgram → Google）

要禁用自动检测，设置 tools.media.audio.enabled: false。 要自定义，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 ~），或设置带有完整命令路径的显式 CLI 模型。

配置示例

提供商 + 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
          }
        ]
      }
    }
  }
}

带有范围门控的仅提供商

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

仅提供商（Deepgram）

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

注意事项和限制

• 提供商身份验证遵循标准模型身份验证顺序（身份验证配置文件、环境变量、models.providers.*.apiKey）。
• 当使用 provider: "deepgram" 时，Deepgram 获取 DEEPGRAM_API_KEY。
• Deepgram 设置详细信息：Deepgram（音频转录）。
• 音频提供商可以通过 tools.media.audio 覆盖 baseUrl、headers 和 providerOptions。
• 默认大小上限为 20MB（tools.media.audio.maxBytes）。超大音频将被跳过该模型，并尝试下一个条目。
• 音频的默认 maxChars 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）。
• 转录可作为 {{Transcript}} 提供给模板。
• CLI stdout 被限制为 5MB；保持 CLI 输出简洁。

陷阱

• 范围规则使用首次匹配获胜。chatType 被规范化为 direct、group 或 room。
• 确保您的 CLI 退出代码为 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。