用途:通过 OpenRouter 的 chat completions API,配合支持音频输入的模型(如 Gemini、GPT-4o-audio 等)转写音频文件。
主要能力:命令行脚本读取本地音频文件,Base64 编码后以 input_audio 内容类型发送至 OpenRouter,并从响应中提取转写文本,默认输出到标准输出。支持自定义模型与提示词,可将结果保存到文件。
使用方式:基本命令为 {baseDir}/scripts/transcribe /path/to/audio.m4a,输出到 stdout。可用 --model 指定模型(默认 google/gemini-3-flash-preview,例如 --model openai/gpt-4o-audio-preview);用 --prompt 传入自定义指令(例如 "Transcribe with speaker labels");用 --out 保存到文件(例如 --out /tmp/transcript.txt)。
配置:需设置 OPENROUTER_API_KEY 环境变量,或在 ~/.clawdbot/clawdbot.json 中配置 apiKey。脚本会发送 X-Title 与 HTTP-Referer 标识头,用于 OpenRouter 仪表盘追踪。
支持格式:wav、mp3、aiff、aac、ogg、flac、m4a、pcm16、pcm24。
限制与排错:若返回空响应,脚本会输出原始响应以供调试,常见原因包括 API key 无效、模型不支持音频输入、音频文件过大或损坏。大文件会产生超大 Base64 字符串,因此脚本改用临时文件传递数据以规避 shell 参数长度限制;脚本使用临时目录而非 mktemp -t,以规避 macOS mktemp 在扩展名后添加随机后缀导致的格式检测问题。具体收费、价格与性能等事实暂未提供。