baidu-speech-to-text

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.py	Python 主脚本

使用方法

基本用法（中文普通话）

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

示例

# 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）

/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：

/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：

   /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	~150-220ms	ffmpeg 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）：

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

端点：

• http://vop.baidu.com/server_api (标准版)
• https://vop.baidu.com/pro_api (极速版)

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