| name | hearing |
| description | Transcribe user-sent voice messages via local OpenAI Whisper (no API key, runs offline) |
| allowed-tools | Bash(*/stt.sh:*) Bash(ls:*) |
Hearing — 听懂语音
用户发语音时，openclaw 把 opus/m4a 等音频下到 ~/.openclaw/media/inbound/。本技能用本地 Whisper 把它转写成文字。无需 API key。
何时用
- 消息显示
[Audio] / <media:audio> 占位符
- 消息带
file_key 且上下文是语音（飞书语音消息）
- 用户问「我刚刚说了什么」「你听到没」「转文字」
不要用于：普通文字对话、视频（视频有单独流程）。
用法
~/.openclaw/skills/hearing/scripts/stt.sh <file_key>
~/.openclaw/skills/hearing/scripts/stt.sh --latest
~/.openclaw/skills/hearing/scripts/stt.sh /Users/openclaw/.openclaw/media/inbound/xxx.opus
脚本把转写文本输出到 stdout，你把文本作为用户说的话理解即可。
环境变量
| 变量 | 默认 | 说明 |
|---|
WHISPER_BIN | /opt/homebrew/bin/whisper | whisper CLI |
WHISPER_MODEL | turbo | tiny/base/small/medium/large-v3/turbo |
WHISPER_LANGUAGE | auto | zh/en/... 强制指定可加速并降低错识 |
注意
- 首次使用某个 model，whisper 会从 HuggingFace 下载权重（数百 MB~几 GB），第一次会慢
turbo 模型对中英文已够用，速度最快- 飞书语音多为 <60s，全程应在数秒~十几秒内完成
- 如果 stdout 为空或很短，可能是静音/噪声，告诉用户「没听清能再说一遍吗」
- 转写结果 agent 要当作用户消息语义理解，再决定回复方式（可以再用 voice 技能回语音）
退出码
| code | 含义 |
|---|
| 0 | 成功，stdout 为转写文本 |
| 2 | 找不到音频（日志被截断/还没下完/参数错） |
| 3 | 路径存在但文件已清理 |
| 4 | Whisper 运行失败 |
