SuperAPI AI 工具集

gemini-stt

通用与其它

查看项目

更新于 10-16 07:11

技能介绍

Gemini Speech-to-Text Skill 是一个音频转写工具,使用 Google 的 Gemini API 或 Vertex AI 将音频文件转录为文本。默认模型为 gemini-2.0-flash-lite,以获得最快的转写速度。

用途 该技能用于将音频文件转写为文本,适用于处理语音消息、录音等音频内容的转录需求。

主要能力

  • 支持多种音频格式:.ogg / .opus(Telegram 语音消息)、.mp3、.wav、.m4a
  • 支持多种 Gemini 模型,包括 gemini-2.0-flash-lite(默认,最快)、gemini-2.0-flash、gemini-2.5-flash-lite、gemini-2.5-flash、gemini-2.5-pro、gemini-3-flash-preview、gemini-3-pro-preview 等
  • 自动检测认证方式:优先使用 Vertex AI 的应用默认凭据(ADC),否则使用 GEMINI_API_KEY
  • 自动从文件扩展名检测 MIME 类型
  • 无外部 Python 依赖(仅使用标准库)

使用方式 认证(二选一): 选项 1:Vertex AI 配合应用默认凭据(推荐) gcloud auth application-default login gcloud config set project YOUR_PROJECT_ID 脚本会在可用时自动检测并使用 ADC。 选项 2:直接使用 Gemini API Key 在环境变量中设置 GEMINI_API_KEY(例如 ~/.env 或 ~/.clawdbot/.env)。

要求:

  • Python 3.10+
  • 配置 GEMINI_API_KEY 或已配置 ADC 的 gcloud CLI

命令行用法示例:

自动检测认证(先尝试 ADC,再尝试 GEMINI_API_KEY)

python ~/.claude/skills/gemini-stt/transcribe.py /path/to/audio.ogg

强制使用 Vertex AI

python ~/.claude/skills/gemini-stt/transcribe.py /path/to/audio.ogg --vertex

指定模型

python ~/.claude/skills/gemini-stt/transcribe.py /path/to/audio.ogg --model gemini-2.5-pro

Vertex AI 指定项目和区域

python ~/.claude/skills/gemini-stt/transcribe.py /path/to/audio.ogg --vertex --project my-project --region us-central1

处理 Clawdbot 媒体文件

python ~/.claude/skills/gemini-stt/transcribe.py ~/.clawdbot/media/inbound/voice-message.ogg

选项:

  • <audio_file>:音频文件路径(必填)
  • --model, -m:使用的 Gemini 模型(默认:gemini-2.0-flash-lite)
  • --vertex, -v:强制使用 Vertex AI 配合 ADC
  • --project, -p:GCP 项目 ID(用于 Vertex,默认取 gcloud 配置)
  • --region, -r:GCP 区域(用于 Vertex,默认:us-central1)

工作原理:

  1. 读取音频文件并进行 base64 编码
  2. 自动检测认证:若 ADC 可用(gcloud),使用 Vertex AI 端点;否则使用 GEMINI_API_KEY 直连 Gemini API
  3. 将音频发送给所选 Gemini 模型并附带转写提示
  4. 返回转写文本

集成示例(Clawdbot 语音消息处理): TRANSCRIPT=$(python ~/.claude/skills/gemini-stt/transcribe.py "$AUDIO_PATH") echo "User said: $TRANSCRIPT"

错误处理: 脚本在以下情况会以退出码 1 退出并向 stderr 输出信息:

  • 无可用认证(ADC 和 GEMINI_API_KEY 均无)
  • 文件未找到
  • API 错误
  • 使用 Vertex 时缺少 GCP 项目

适用场景

  • 将 Telegram 语音消息转写为文本
  • 批量转写录音文件
  • 集成到自动化流程中处理音频输入

限制

  • 需要 Python 3.10+ 环境
  • 需要配置认证(ADC 或 GEMINI_API_KEY)
  • 使用 Vertex AI 时需要 GCP 项目
  • 具体收费、价格、平台支持等信息暂未提供