核心用法
tg-voice-whisper 是一个本地离线语音转文字技能，专为处理 Telegram 语音消息设计。当 .ogg Opus 格式语音文件到达指定目录时，自动调用 OpenAI Whisper tiny 模型进行俄语文本转录（支持多语言），并将转录结果以消息形式回复，随后自动删除原始文件与临时文件，实现零残留。
典型工作流：
1. 语音文件进入 /root/.openclaw/media/inbound/
2. 执行 whisper PATH --model tiny --language ru --output_format txt
3. 读取转录文本并通过 message action=send 回复
4. rm PATH /tmp/whisper/* 清理文件
支持两种自动化模式：子代理轮询（每 5 秒检测新文件）或 cron 定时任务。
显著优点
- 完全离线隐私：无需网络连接，不调用任何外部 API，不存储 API 密钥，语音数据不出本机
- 零残留机制：转录后自动删除原始音频与临时文本文件，杜绝隐私泄露风险
- 轻量化部署：tiny 模型仅 72MB，首次下载后缓存，后续 1vCPU/4GB 环境下 <1 秒完成转录
- 零配置成本：无需注册账号或管理密钥，安装后即可使用
- 多语言支持：俄语/英语效果最佳，支持
--language detect自动检测
潜在缺点与局限性
- 准确率限制：tiny 模型俄语识别准确率 85-95%，口音、噪音环境可能下降；追求更高精度需升级 base/small 模型（资源占用增加）
- 硬件门槛：4GB RAM 为推荐配置，低配环境可能触发交换分区导致延迟
- 首次冷启动：首次运行需 15 秒下载模型，体验不如已预热服务
- 仅支持 Telegram 生态：文件路径硬编码于 OpenClaw 架构，迁移成本较高
- 无说话人分离：无法区分对话多方，连续语音需人工分段
适合人群
- 隐私敏感型用户：记者、律师、医疗从业者等需本地处理敏感语音
- 俄语/英语 Telegram 重度用户：日常接收大量语音消息需快速浏览
- 离线环境工作者：内网服务器、航空/海上等无稳定网络场景
- 技术爱好者：希望自建 AI 工作流，避免云服务依赖
常规风险
| 风险类型 | 说明 | 缓解措施 |
|---------|------|---------|
| 模型偏见 | Whisper 可能对特定口音识别较差 | 重要内容人工复核 |
| 文件权限 | 自动删除依赖正确路径配置 | 定期检查 `/tmp/whisper` 残留 |
| 资源竞争 | 并发语音可能耗尽 RAM/CPU | 限制并发数或升级 small 模型时评估负载 |
| 转录错误 | 专业术语、人名可能错译 | 关键场景保留原始音频备查 |
总体评估：这是一个隐私优先、架构简洁的实用工具，适合作为个人或小团队 Telegram 工作流的语音处理层。对于准确率要求极高的场景，建议结合人工校验或升级模型规格。