AgentSkillsCN

baidu-speech-to-text

本技能提供 Go 嵌入式 SPA 架构的实施指南——通过 go:embed 指令，将 React/Vue/TSX 前端静态资源嵌入 Go 二进制文件中。适用于构建自包含的单二进制应用程序、使用 Go 后端实现 SPA、搭建跨平台可部署的全栈项目，或利用 Go 标准库 net/http 配置静态文件服务时使用。

SKILL.md
--- frontmatter
name: baidu-speech-to-text
description: 百度语音识别 - 将语音消息转换为文本。支持中文普通话、英语、粤语、四川话。专为国内服务器环境优化，自动绕过代理访问百度 API。
description_en: Baidu Speech Recognition - Convert voice messages to text. Supports Mandarin, English, Cantonese, and Sichuan dialect. Optimized for China mainland servers with automatic proxy bypass for Baidu API.
license: MIT
metadata:
  author: x
  version: "1.0"
  tags:
    - speech
    - voice
    - transcription
    - baidu
    - china

百度语音识别 - 音频转文本

概述

本 skill 用于将用户发送的语音消息（ogg/opus 格式）转换为文本。使用百度语音识别 API，专为国内服务器 + 代理环境优化。

环境背景

问题场景

  • •国内服务器通过 proxychains4 代理访问海外服务（Discord、WhatsApp 等）
  • •但百度 API 是国内服务，通过代理访问反而会失败（SSL 错误）
  • •需要在代理环境下选择性绕过百度 API

解决方案

  • •使用 wrapper 脚本，通过 unset LD_PRELOAD 绕过 proxychains 注入
  • •脚本内部清除代理环境变量，确保直连百度 API

脚本文件

脚本路径用途
ogg_to_text.sh/root/.openclaw/workspace/scripts/ogg_to_text.sh推荐 - 简单易用
speech_to_text.sh/root/.openclaw/workspace/scripts/speech_to_text.sh完整功能版
baidu_speech_to_text.py/root/.openclaw/workspace/scripts/baidu_speech_to_text.pyPython 主脚本

使用方法

基本用法（中文普通话）

bash
/root/.openclaw/workspace/scripts/ogg_to_text.sh <音频文件路径>

示例

bash
# 转换用户语音消息
/root/.openclaw/workspace/scripts/ogg_to_text.sh /root/.openclaw/media/inbound/xxxxx.ogg

支持的语言

参数语言
--lang zh中文普通话（默认）
--lang en英语
--lang cantonese粤语
--lang sichuan四川话

使用极速版（更快，仅中文）

bash
/root/.openclaw/workspace/scripts/speech_to_text.sh <音频文件> --pro

音频文件位置

用户通过 WhatsApp/Discord 发送的语音消息保存在：

code
/root/.openclaw/media/inbound/

文件格式通常为 .ogg（Opus 编码），脚本会自动转换为 PCM 格式。

工作流程

当用户发送语音消息并请求转文本时：

  1. •确定语音文件路径（/root/.openclaw/media/inbound/*.ogg）
  2. •执行转换：
    bash
    /root/.openclaw/workspace/scripts/ogg_to_text.sh /root/.openclaw/media/inbound/<文件名>.ogg
  3. •返回识别结果给用户

性能参考

阶段耗时说明
获取 token~100ms可缓存优化
ogg 转 pcm~150-220msffmpeg 转换
API 调用~400-600ms主要耗时
总计~700-1000ms

API 配置

使用环境变量提供百度 API 账号信息（请勿写入仓库）：

code
export BAIDU_APP_ID="your_app_id"
export BAIDU_API_KEY="your_api_key"
export BAIDU_SECRET_KEY="your_secret_key"

端点：

错误处理

错误原因解决方案
SSL 错误代理影响确保使用 wrapper 脚本（.sh），不要直接调用 Python
识别结果为空静音或无语音告知用户音频可能没有语音内容
3301 错误音频质量差请用户重新录制
3303 错误语音过长需要分段处理

注意事项

  1. •必须使用 shell wrapper 脚本，不要直接调用 Python 脚本
  2. •脚本已内置代理绕过逻辑，在 proxychains 环境下可正常工作
  3. •短语音识别限制约 60 秒，超长音频需分段