音频与语音消息

音频 / 语音消息 — 2026-01-17

已支持的功能

• 媒体理解（音频）：如果音频理解已启用（或自动检测），CoderClaw 会：
  1. 找到第一个音频附件（本地路径或 URL），如有需要则下载。
  2. 在发送给每个模型条目之前执行 maxBytes 限制。
  3. 按顺序运行第一个符合条件的模型条目（提供商或 CLI）。
  4. 如果失败或跳过（大小/超时），则尝试下一个条目。
  5. 成功后，将 Body 替换为 [Audio] 块并设置 {{Transcript}}。
• 命令解析：转录成功时，CommandBody/RawBody 会设置为转录文本，因此斜杠命令仍然有效。
• 详细日志：在 --verbose 模式下，我们会在转录运行和替换正文时记录日志。

自动检测（默认）

如果你未配置模型且 tools.media.audio.enabled 未设置为 false，CoderClaw 会按以下顺序自动检测，并在找到第一个可用选项时停止：

1. 本地 CLI（如已安装）
   • sherpa-onnx-offline（需要 SHERPA_ONNX_MODEL_DIR 包含 encoder/decoder/joiner/tokens）
   • whisper-cli（来自 whisper-cpp；使用 WHISPER_CPP_MODEL 或内置的 tiny 模型）
   • whisper（Python CLI；自动下载模型）
2. Gemini CLI（gemini）使用 read_many_files
3. 提供商密钥（OpenAI → Groq → Deepgram → Google）

要禁用自动检测，请设置 tools.media.audio.enabled: false。 要自定义，请设置 tools.media.audio.models。 注意：二进制检测在 macOS/Linux/Windows 上采用尽力而为的方式；请确保 CLI 在 PATH 中（我们会展开 ~），或通过完整命令路径设置显式 CLI 模型。

配置示例

提供商 + CLI 回退（OpenAI + Whisper CLI）

{
  tools: {
    media: {
      audio: {
        enabled: true,
        maxBytes: 20971520,
        models: [
          { provider: "openai", model: "gpt-4o-mini-transcribe" },
          {
            type: "cli",
            command: "whisper",
            args: ["--model", "base", "{{MediaPath}}"],
            timeoutSeconds: 45,
          },
        ],
      },
    },
  },
}

仅提供商 + 作用域控制

{
  tools: {
    media: {
      audio: {
        enabled: true,
        scope: {
          default: "allow",
          rules: [{ action: "deny", match: { chatType: "group" } }],
        },
        models: [{ provider: "openai", model: "gpt-4o-mini-transcribe" }],
      },
    },
  },
}

仅提供商（Deepgram）

{
  tools: {
    media: {
      audio: {
        enabled: true,
        models: [{ provider: "deepgram", model: "nova-3" }],
      },
    },
  },
}

注意事项与限制

• 提供商认证遵循标准的模型认证顺序（认证配置文件、环境变量、models.providers.*.apiKey）。
• 当使用 provider: "deepgram" 时，Deepgram 会读取 DEEPGRAM_API_KEY。
• Deepgram 设置详情：Deepgram（音频转录）。
• 音频提供商可以通过 tools.media.audio 覆盖 baseUrl、headers 和 providerOptions。
• 默认大小限制为 20MB（tools.media.audio.maxBytes）。超大音频会跳过该模型并尝试下一个条目。
• 音频的默认 maxChars 未设置（完整转录文本）。设置 tools.media.audio.maxChars 或每个条目的 maxChars 来裁剪输出。
• OpenAI 自动检测默认使用 gpt-4o-mini-transcribe；设置 model: "gpt-4o-transcribe" 可获得更高准确度。
• 使用 tools.media.audio.attachments 处理多条语音消息（mode: "all" + maxAttachments）。
• 转录文本可在模板中通过 {{Transcript}} 使用。
• CLI 标准输出有上限（5MB）；请保持 CLI 输出简洁。

常见陷阱

• 作用域规则采用首次匹配优先。chatType 会被规范化为 direct、group 或 room。
• 确保你的 CLI 以退出码 0 退出并输出纯文本；JSON 格式需要通过 jq -r .text 进行转换。
• 保持合理的超时时间（timeoutSeconds，默认 60 秒），以避免阻塞回复队列。