核心用法
gemini-stt 是一个轻量级命令行音频转录工具，通过调用 Google Gemini API 将语音文件转换为文本。默认采用 gemini-2.0-flash-lite 模型，在速度与成本间取得最佳平衡。
基本命令：
python ~/.claude/skills/gemini-stt/transcribe.py /path/to/audio.ogg
支持通过 --model 参数切换至更高质量的 Pro 系列模型。兼容 Telegram 语音消息（.ogg/.opus）、.mp3、.wav、.m4a 等主流格式，自动识别 MIME 类型。
显著优点
- 零依赖设计：仅使用 Python 标准库（base64、urllib、json），无需安装额外包
- 极速响应：Flash Lite 模型针对低延迟优化，适合实时场景
- 模型灵活：7 档模型可选，从极速到高精度全覆盖
- 格式友好：原生支持 Telegram 生态的 .ogg 语音消息
- Clawdbot 集成：专为机器人工作流设计，支持
~/.clawdbot/media/inbound/路径
潜在局限
- API 依赖：需稳定网络连接至 Google 服务器，离线不可用
- 成本累积：高频调用产生 Gemini API 费用，无本地兜底方案
- 隐私考量：音频数据上传至 Google 云端处理，敏感内容需谨慎
- 错误处理：仅返回 stderr 退出码 1，无结构化错误码或重试机制
- 长音频限制：受 Gemini API 上下文窗口与速率限制约束
适合人群
- Telegram 机器人开发者（Clawdbot 用户）
- 需要快速原型语音功能的 Python 开发者
- 追求极简部署、不愿维护复杂依赖的技术用户
- 已持有 Google AI Studio / Vertex AI 凭据的 Gemini 生态用户
常规风险
- 密钥泄露：
GEMINI_API_KEY以环境变量存储，需确保~/.env文件权限正确（建议 600） - 模型漂移：Google 频繁更新模型版本，默认模型未来可能被弃用
- 输出不可控：大语言模型可能产生幻觉或格式不一致的转录结果
- 计费突增：预览版模型（gemini-3-*-preview）定价可能变动，生产环境建议锁定稳定版本