openclaw-whisper-asr

本地 Whisper 语音识别配置。自动将飞书/Telegram 等渠道的语音消息转成文字。 适用于需要离线、低延迟语音转文字的场景。

本地 Whisper 语音识别配置 (whisper-asr)

概述

通过 whisper.cpp 在服务器上配置本地语音识别，用于：

• 识别用户发来的语音消息
• 离线运行，无需 API
• 支持中文等多种语言

前置要求

• Linux 服务器（已测试 Ubuntu/Debian）
• ffmpeg 已安装
• ~150MB 磁盘空间（base 模型）

---

安装步骤

1. 安装 ffmpeg

bash

sudo apt-get update
sudo apt-get install -y ffmpeg

2. 克隆 whisper.cpp

bash

cd /home/brew/.openclaw/workspace
git clone https://github.com/ggml-org/whisper.cpp.git

3. 下载中文模型

bash

cd whisper.cpp
sh ./models/download-ggml-model.sh base

模型选择建议：

模型	大小	内存	推荐场景
tiny	75 MB	~273 MB	快速测试
base	142 MB	~388 MB	平衡推荐
small	466 MB	~852 MB	更高精度

4. 编译

bash

cd whisper.cpp
cmake -B build
cmake --build build -j --config Release

---

使用方式

1. 转换音频格式

飞书语音通常是 ogg 格式，需要转换为 whisper 需要的格式：

bash

ffmpeg -i input.ogg -ar 16000 -ac 1 -c:a pcm_s16le output.wav

2. 语音转文字

bash

./build/bin/whisper-cli \
  -m models/ggml-base.bin \
  -f output.wav \
  --language zh \
  --no-timestamps

常用参数：

• -m: 模型路径
• -f: 输入音频文件
• --language zh: 指定中文
• --no-timestamps: 不输出时间戳
• -t 4: 线程数（默认自动）

3. 完整示例（单命令）

bash

ffmpeg -i input.ogg -ar 16000 -ac 1 -c:a pcm_s16le /tmp/audio.wav && \
./build/bin/whisper-cli -m models/ggml-base.bin -f /tmp/audio.wav --language zh --no-timestamps

---

路径速查

项目	路径
whisper.cpp 目录	/home/brew/.openclaw/workspace/whisper.cpp
可执行文件	/home/brew/.openclaw/workspace/whisper.cpp/build/bin/whisper-cli
模型目录	/home/brew/.openclaw/workspace/whisper.cpp/models/
base 模型	/home/brew/.openclaw/workspace/whisper.cpp/models/ggml-base.bin

---

常见问题

Q: 识别结果不准确？

A: 尝试使用更大的模型（small/medium），或在安静环境下录音。

Q: 识别速度慢？

A: 增加线程数：./whisper-cli -t 8 ...

Q: 支持其他语言？

A: 不指定 --language 会自动检测。也可指定 --language en 等。

---

进阶：量化模型（节省资源）

bash

# 量化（减少模型大小）
./build/bin/quantize models/ggml-base.bin models/ggml-base-q5.bin q5_0

# 使用量化模型
./build/bin/whisper-cli -m models/ggml-base-q5.bin -f audio.wav --language zh

---

本技能参考 whisper.cpp 官方文档