用途:让智能体具备“听力”,把音频或视频文件转写为文本,支持时间戳、字幕文件与说话人分离等输出形式。
主要能力:通过统一命令 rawgenai <provider> stt <audio-file> 调用不同提供商。可选提供商包括 OpenAI(适合字幕 srt/vtt)、Google Gemini(适合说话人分离)、ElevenLabs(适合大文件 3GB 与视频输入)、DashScope(适合中文、情绪识别、异步长音频 12h)。所有输出均为 JSON,需将转写结果展示给用户。
安装:brew install WHQ25/tap/rawgenai。使用某提供商前需先阅读其 references/setup/ 下的配置指南以设置凭据,并阅读对应参考文件后再执行命令。
使用方式:首次使用时请用户选择提供商,并在会话中记住该选择。若命令失败,可改用其他提供商或告知用户。
限制:官方未提供更多平台、价格与效果细节;具体支持格式、准确率、配额与并发等暂未提供,需以各提供商配置参考为准。