OpenClaw Skill 每日推荐 - 语音与转录

OpenClaw Skill 每日推荐 - 语音与转录

🎤 今日分类：Speech & Transcription（语音与转录）

共收录 45 个 Skills，涵盖语音合成（TTS）、语音识别（STT）、语音克隆、会议转录等方向。

📋 分类概述

语音与转录是 OpenClaw 生态中最活跃的分类之一。无论你是想让 AI 助手「开口说话」，还是把会议录音自动转成文字笔记，这个分类都有成熟的解决方案。

主要技术方向包括：

方向 代表技术 典型场景
语音合成 (TTS) ElevenLabs、Kokoro、CosyVoice 语音回复、有声内容
语音识别 (STT) Whisper、AssemblyAI、Deepgram 会议转录、字幕生成
语音克隆 XTTS v2 个性化语音、内容创作
会议集成 Feishu Minutes 飞书会议转录与摘要

🏆 精选 Skill 详解

1. ElevenLabs TTS ⭐⭐⭐⭐⭐

GitHub: shaharsha/elevenlabs-tts

核心功能： 接入 ElevenLabs API 实现高质量文本转语音，被描述为「OpenClaw 最佳 ElevenLabs 集成」。

技术实现：

  • 基于 ElevenLabs API，支持多语音模型选择
  • 可调节语速、稳定性、相似度等参数
  • 支持长文本分段合成，避免 API 长度限制
  • 音频文件自动保存到本地

实用场景：

1
2
3
4
5
# 让助手用语音回复消息
"帮我用 Morgan 的声音读一下今天的日程"

# 将长文转为播客音频
"把这篇 3000 字的文章转成音频，用 Rachel 的声音"

推荐指数： ⭐⭐⭐⭐⭐

ElevenLabs 目前是商业 TTS 的天花板级方案，音质自然、情感丰富。这个 Skill 封装完善，是语音交互的首选。

2. Faster Whisper ⭐⭐⭐⭐⭐

GitHub: theplasmak/faster-whisper

核心功能： 使用 faster-whisper 实现本地语音转文字，无需 API 密钥，完全离线运行。

技术实现：

  • 基于 CTranslate2 加速的 Whisper 模型
  • 支持多种模型大小（tiny 到 large-v3）
  • 自动语言检测与翻译
  • 支持时间戳输出，便于字幕生成

实用场景：

1
2
3
4
5
6
7
8
# 转录本地音频文件
"帮我把 meeting-recording.m4a 转成文字"

# 生成字幕文件
"提取 this-video.mp4 的字幕，输出 SRT 格式"

# 多语言转录
"这段日语录音帮我转成中文文字"

推荐指数： ⭐⭐⭐⭐⭐

隐私友好、零成本、离线可用。对于需要频繁处理音频转录的用户，这是必装 Skill。faster-whisper 的推理速度比官方 Whisper 快 4-5 倍，内存占用更低。

3. Auto Whisper Safe ⭐⭐⭐⭐

GitHub: neal-collab/auto-whisper-safe

核心功能： 内存安全的语音转录方案，自动分块处理长音频，在 16GB 内存的机器上也能稳定运行。

技术实现：

  • 自动音频分块（chunking），避免 OOM
  • 智能检测可用内存，动态调整批次大小
  • 分块结果自动拼接，保持时间戳连续
  • 支持断点续传，中断后可恢复

实用场景：

1
2
3
4
5
# 处理 2 小时的会议录音
"这个两小时的全体会议录音帮我转成文字"

# 批量处理播客
"把 podcasts/ 文件夹下所有 mp4 都转成文字"

推荐指数： ⭐⭐⭐⭐

解决了 faster-whisper 在长音频上容易内存溢出的痛点。如果你的机器内存有限（16GB 或更少），这个 Skill 是更安全的选择。

4. Clonev - 语音克隆 ⭐⭐⭐⭐

GitHub: instant-picture/clonev

核心功能： 使用 Coqui XTTS v2 克隆任意语音，只需少量样本即可生成目标说话人的语音。

技术实现：

  • 基于 Coqui XTTS v2 开源模型
  • 支持 17+ 种语言的跨语言克隆
  • 仅需 3-10 秒参考音频即可克隆
  • 本地推理，无需上传语音样本

实用场景：

1
2
3
4
5
6
7
8
# 克隆自己的声音
"用我录的这 10 秒音频作为样本，之后用我的声音读文本"

# 多语言内容创作
"用我的声音把这段中文翻译成英文并读出来"

# 有声书制作
"用 X 的声音朗读这本小说的第一章"

推荐指数： ⭐⭐⭐⭐

语音克隆技术在内容创作领域潜力巨大。Clonev 的本地化方案保护了隐私，但需注意伦理使用——请仅克隆自己或获得授权的声音。

5. Feishu Minutes - 飞书会议转录 ⭐⭐⭐⭐

GitHub: autogame-17/feishu-minutes

核心功能： 获取飞书会议的详细信息、统计数据、转录文本和媒体文件。

技术实现：

  • 调用飞书开放平台 API
  • 获取会议参与者、时长、转录文本
  • 支持下载会议录制媒体文件
  • 可与飞书文档/多维表格联动

实用场景：

1
2
3
4
5
6
7
8
# 获取今天会议的转录
"把今天下午的飞书会议转录拉下来，整理成会议纪要"

# 会议数据分析
"统计这周所有飞书会议的参与时长和发言比例"

# 自动归档
"把这个月的飞书会议转录都存到知识库里"

推荐指数： ⭐⭐⭐⭐

对于使用飞书办公的团队，这个 Skill 极其实用。会议转录 → AI 摘要 → 知识库归档的工作流可以大幅提升团队效率。

📊 推荐指数排名

排名 Skill 名称 评分 核心优势
1 ElevenLabs TTS ⭐⭐⭐⭐⭐ 最佳商业 TTS 集成，音质天花板
2 Faster Whisper ⭐⭐⭐⭐⭐ 本地 STT 最佳方案，隐私+免费
3 Auto Whisper Safe ⭐⭐⭐⭐ 长音频转录不崩溃，低内存友好
4 Clonev ⭐⭐⭐⭐ 开源语音克隆，本地隐私保护
5 Feishu Minutes ⭐⭐⭐⭐ 飞书生态集成，团队协作场景必备

🎯 应用场景总结

场景一：语音助手交互

搭配 ElevenLabs TTS + Faster Whisper，可以让 OpenClaw 实现完整的语音对话闭环：

1
用户语音输入 → Faster Whisper 转文字 → AI 处理 → ElevenLabs TTS 语音回复

场景二：会议自动化

飞书会议 → Feishu Minutes 获取转录 → AI 生成会议纪要 → 自动归档到知识库

场景三：内容创作

文本稿件 → Clonev 克隆目标声音 → 生成有声内容（播客、有声书等）

场景四：批量字幕处理

视频文件 → Auto Whisper Safe 转录 → 生成 SRT 字幕 → 批量处理多个文件

💡 实用建议

  1. TTS 选型： 追求音质选 ElevenLabs，追求免费/离线选 Kokoro TTS
  2. STT 选型： 短音频用 faster-whisper，长音频用 auto-whisper-safe
  3. 隐私考量： 语音数据敏感时，优先使用本地方案（faster-whisper、clonev、kokoro）
  4. 成本控制： ElevenLabs 有免费额度但有限，高频使用建议订阅；Whisper 系列完全免费
  5. 安装方式： 使用 clawhub install <skill-slug> 一键安装

📅 这是 OpenClaw Skill 每日推荐系列的第 28 期。明天将介绍 Transportation（交通出行） 分类，敬请期待！

相关文章推荐

tag:

    缺失模块。
    1、请确保node版本大于6.2
    2、在博客根目录（注意不是yilia根目录）执行以下命令：
    npm i hexo-generator-json-content --save

    3、在根目录_config.yml里添加配置： 

      jsonContent:
    meta: false
    pages: false
    posts:
      title: true
      date: true
      path: true
      text: false
      raw: false
      content: false
      slug: false
      updated: false
      comments: false
      link: false
      permalink: false
      excerpt: false
      categories: false
      tags: true

程序员，关于技术我所知甚少，唯有探索，方得真知。