Baidu Speech To Text

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 

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  --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：

``bash /root/.openclaw/workspace/scripts/ogg_to_text.sh /root/.openclaw/media/inbound/.ogg ``

1. 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

Source & license

This open-source skill is cataloged on AgentStack and links to its original source — we do not rehost the code.

• Author: castle-x
• Source: castle-x/skills-x
• License: MIT

Install and usage instructions live in the source repository linked above.