Asr Skill

基于Qwen3-ASR-0.6B的语音转文字Skill，支持22种中文方言和多语言识别，让你可以用方言和OpenClaw交流。

Qwen 方言语音识别 Skill

基于通义千问Qwen3-ASR-0.6B模型的语音转文字服务，支持22种中文方言和30种语言识别，让用户可以用方言直接和OpenClaw交流。

✨ 功能特性

• 🎤 多方言支持：支持22种中文方言识别
• 🌐 多语言：支持30种国际语言
• 💻 CPU友好：无需GPU，普通服务器即可运行
• 🔍 自动检测：自动识别语言和方言类型
• ⚡ 低延迟：优化的CPU推理，接近实时响应
• 🎯 高准确率：方言识别平均准确率超过90%
• 🔌 即插即用：完美适配OpenClaw生态

🗣️ 支持的中文方言

安徽话、东北话、福建话、甘肃话、贵州话、河北话、河南话、湖北话、湖南话、江西话、宁夏话、山东话、陕西话、山西话、四川话、天津话、云南话、浙江话、粤语（香港口音）、粤语（广东口音）、吴语、闽南语。

🚀 快速开始

安装

在OpenClaw中搜索「Qwen方言语音识别」，点击一键安装即可。

手动安装

bash

# 克隆项目
git clone <repository-url>
cd qwen-asr-skill

# 安装依赖
npm install
pip install -r requirements.txt

# 启动服务
npm start

环境变量配置

变量名	默认值	说明
PORT	3000	服务端口
HOST	0.0.0.0	监听地址
MODEL_NAME	Qwen/Qwen3-ASR-0.6B	ASR模型名称
DEVICE	cpu	运行设备（cpu/cuda）
DTYPE	float32	数据类型
BATCH_SIZE	4	批量处理大小

🔧 使用方式

安装并启用后，直接在OpenClaw中发送语音消息即可，系统会自动：

1. 接收语音输入
2. 调用本Skill进行语音转文字
3. 将识别后的文字传给大模型
4. 返回语音回答给用户

你可以直接说方言，系统会自动识别，无需手动切换语言。

📡 API 接口

POST /transcribe

音频转文字接口

请求参数：

• audio：音频文件或base64编码的音频数据（必需）
• language：指定语言/方言（可选，如："四川话"、"粤语"等）
• timestamps：是否返回时间戳（可选，默认false）

响应示例：

json

{
  "success": true,
  "data": {
    "text": "你好，我是四川人，今天吃火锅。",
    "language": "Sichuan",
    "confidence": 0.98,
    "duration": 1.23
  }
}

📊 性能指标

• 推理速度：实时音频的1.5-2倍速（8核CPU）
• 内存占用：6-8GB运行时
• 支持音频时长：最长5分钟
• 方言识别WER：<16%（平均）

🔒 隐私保护

• 所有语音处理在本地完成，不会上传到第三方服务器
• 处理完的音频文件会自动删除，不会存储
• 不收集任何用户语音数据和识别内容

🤝 贡献

欢迎提交Issue和Pull Request来改进这个Skill！

📄 许可证

Apache-2.0 License