音频与语音笔记（Audio & Voice Notes）

OpenClaw 支持对入站音频/语音消息进行自动转录，并将转录结果注入回复流水线。

工作流程

1. 定位第一个音频附件（本地路径或 URL），必要时下载
2. 按 maxBytes 限制过滤，超限则跳过该模型条目
3. 按顺序尝试第一个可用模型（provider 或 CLI）
4. 失败或跳过时，尝试下一个条目
5. 成功后：Body 替换为 [Audio] 块，设置 {{Transcript}}

自动检测顺序（未配置 models 时）

1. 当前回复模型（若 provider 支持音频）
2. 本地 CLI：sherpa-onnx-offline → whisper-cli → whisper
3. Gemini CLI（read_many_files）
4. Provider 认证（OpenAI → Groq → xAI → Deepgram → Google → SenseAudio → ElevenLabs → Mistral）

禁用自动检测：tools.media.audio.enabled: false

配置示例

{
  tools: {
    media: {
      audio: {
        enabled: true,
        maxBytes: 20971520,
        models: [
          { provider: "openai", model: "gpt-4o-mini-transcribe" },
          { type: "cli", command: "whisper", args: ["--model", "base", "{{MediaPath}}"] }
        ],
        echoTranscript: true,
        echoFormat: '📝 "{transcript}"'
      }
    }
  }
}

关键限制

• 默认大小上限：20MB（tools.media.audio.maxBytes）
• 小于 1024 字节的音频文件直接跳过
• 默认 maxChars 未设置（完整转录）
• CLI stdout 上限 5MB

群组 mention 检测

当群组设置 requireMention: true 时，OpenClaw 会在检查 mention 前先转录音频：

1. 对无文本的语音消息执行”预检”转录
2. 检查转录结果中是否包含 mention 模式
3. 找到 mention 则进入完整回复流水线

禁用特定群组的预检：channels.telegram.groups.<chatId>.disableAudioPreflight: true

相关页面

• nodes-media-understanding — 媒体理解总览
• nodes-talk — Talk 模式（语音对话）
• nodes-voicewake — 语音唤醒词