用speech-recognition技能让OpenClaw听懂你说的话

为什么需要语音识别

我们实验室用Telegram和OpenClaw打交道最多。问题是，很多时候我想快速记录一个想法，或者在外面走路的时候想交代任务，打字太慢，这时候发语音消息是最自然的方式。

但默认情况下，OpenClaw收到语音消息不会自动转文字——它就是一个音频文件，Agent没法直接处理。speech-recognition技能就是解决这个问题的。

speech-recognition技能是什么

这是一个OpenClaw的ClawHub技能，核心是调用硅基流动的SenseVoice API进行语音识别。SenseVoice是阿里达摩院开源的语音识别模型，速度快，中文效果好，支持情感识别和音频事件检测（笑声、掌声等）。

技能支持的格式：ogg、mp3、wav、m4a，Telegram语音消息的格式（ogg opus）直接兼容，不需要额外转换。

安装步骤

第一步：获取硅基流动API Key

去 siliconflow.cn 注册账号，新用户有免费额度。进入控制台 → API Keys → 创建一个新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：安装技能

如果你有clawhub CLI：

或者在OpenClaw里直接告诉Agent：「帮我安装speech-recognition技能」，它会自动处理。

第三步：配置API Key

技能安装完成后，需要在配置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里加一个环境变量：

配置完记得重启Gateway生效：

实际使用效果

配置完成后，效果是这样的：

我在Telegram发一条语音消息：「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收到后自动转文字，然后正常处理这个指令，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。

中文识别率非常高，我们测了大量日常对话场景，基本上没有明显的识别错误。粤语、闽南语混杂的情况会差一点，但纯普通话几乎完美。

一个真实的使用场景

我们团队有个习惯：开会的时候用Telegram发语音备忘。以前这些语音消息要么靠记忆，要么得手动整理，很麻烦。

现在的流程是：

开会时发语音消息记录关键决策
OpenClaw自动转文字
Agent整理成会议纪要，存到对应的项目文档里

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，主要是语音转文字这步省了大量时间。

踩过的坑

坑1：文件大小限制

硅基流动API对音频文件有大小限制，超长语音（比如30分钟以上的录音）可能会超限。解决方案是在发送前分段，或者用ffmpeg先压缩一下。

坑2：网络延迟

API调用是实时的，网络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语音，可能会排队。建议生产环境配置超时处理，避免长时间等待。

坑3：方言和专有名词

SenseVoice对行业专有名词的识别有时候会出错，比如「DeepSeek」可能被识别成「Deep Seek」，「OpenClaw」可能识别成「Open Claw」。这类情况需要在后处理阶段做关键词替换。

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

进阶用法：语音指令系统

配合speech-recognition，我们做了一套语音快捷指令系统：

「早安汇报」→ 触发当天任务清单+天气+重要事项
「记下来」+ 内容 → 写入当天的memory文件
「派给谁做」+ 任务描述 → 自动创建task并分配给对应Agent

这些是在MEMORY.md里配置的约定语义，Agent学会之后，发语音的效率和打字没什么区别了。

总结

speech-recognition是那种用了就回不去的技能——配置10分钟，用它节省的时间是以小时计的。如果你的工作流里有大量语音输入场景（外出记录、会议纪要、快速备忘），这个技能值得第一批安装。

硅基流动的API Key申请是免费的，新用户有额度，不用花钱就能体验，没理由不试。