用途
openrouter-transcribe 用于将音频文件转写为文本。它通过 OpenRouter 的聊天补全 API(chat completions API)并配合 input_audio 内容类型来实现,因此可以使用任何支持音频输入的模型。
主要能力
- 使用 OpenRouter 上支持音频的模型进行音频转写,默认模型为 google/gemini-2.5-flash。
- 支持通过参数指定其他模型,例如 openai/gpt-4o-audio-preview。
- 支持自定义提示词(prompt),例如要求带说话人标签转写。
- 支持将转写结果输出到标准输出或保存到指定文件。
- 支持设置自定义调用方标识(title),用于在 OpenRouter 仪表盘中追踪。
使用方式
快速开始:
{baseDir}/scripts/transcribe.sh /path/to/audio.m4a
输出会发送到标准输出(stdout)。
常用参数:
指定自定义模型(默认:google/gemini-2.5-flash):
{baseDir}/scripts/transcribe.sh audio.ogg --model openai/gpt-4o-audio-preview
自定义指令:
{baseDir}/scripts/transcribe.sh audio.m4a --prompt "Transcribe with speaker labels"
保存到文件:
{baseDir}/scripts/transcribe.sh audio.m4a --out /tmp/transcript.txt
自定义调用方标识(用于 OpenRouter 仪表盘):
{baseDir}/scripts/transcribe.sh audio.m4a --title "MyApp"
工作原理
- 使用 ffmpeg 将音频转换为 WAV(单声道,16kHz)。
- 对音频进行 Base64 编码。
- 以 input_audio 内容发送到 OpenRouter 聊天补全接口。
- 从响应中提取转写文本。
API 密钥
设置 OPENROUTER_API_KEY 环境变量,或在 ~/.clawdbot/clawdbot.json 中配置:
{
skills: {
"openrouter-transcribe": {
apiKey: "YOUR_OPENROUTER_KEY"
}
}
}
请求头
脚本会向 OpenRouter 发送标识请求头:
- X-Title:调用方名称(默认:"Peanut/Clawdbot")
- HTTP-Referer:引用 URL(默认:"https://clawdbot.com")
这些信息会显示在 OpenRouter 仪表盘中,便于追踪。
故障排查
- ffmpeg 格式错误:脚本使用临时目录(而不是 mktemp -t file.wav),因为 macOS 的 mktemp 会在扩展名后添加随机后缀,破坏格式检测。
- 参数列表过长:大音频文件会产生巨大的 Base64 字符串,超出 shell 参数限制。脚本改为写入临时文件(jq 使用 --rawfile,curl 使用 @file),而不是将数据作为参数传递。
- 空响应:如果出现 "Empty response from API",脚本会转储原始响应以便调试。常见原因包括:API 密钥无效、模型不支持音频输入、音频文件过大或损坏。
适用场景与限制
适用于需要通过 OpenRouter 调用支持音频的模型来转写音频文件的场景。使用前需要具备 OpenRouter API 密钥,并确保所选模型支持音频输入。音频会先经 ffmpeg 转换为单声道 16kHz WAV,因此需要环境中安装 ffmpeg。关于收费、价格、平台支持范围等具体信息,资料中暂未提供。