speech-recognition

核心用法

通用语音识别 Skill 基于硅基流动（SiliconFlow）的 SenseVoice API，支持将多种音频格式（OGG、MP3、WAV、M4A、FLAC）转换为文字。主要面向两类使用场景：一是处理用户发送的语音消息文件，二是响应主动转录请求如"转录这个音频"。

使用方法有两种路径：直接调用 REST API 进行程序化转录，或通过 Kuro 内置流程自动处理。对于非 MP3 格式（如 Telegram 常用的 OGG），需先用 FFmpeg 转换为 16kHz 单声道 MP3 以优化识别效果。

显著优点

1. 中文识别精准：采用阿里达摩院开源的 SenseVoice 模型，针对中文语音优化，识别准确率高
2. 格式兼容广泛：覆盖主流音频格式，通过 FFmpeg 预处理可处理几乎所有音频输入
3. 集成成本低：标准 OpenAI 格式的 API 端点，易于接入现有工作流
4. 国内服务稳定：硅基流动为国内厂商，API 访问延迟低、可用性高

潜在缺点与局限

• 隐私敏感：音频需上传至第三方服务器处理，不适合涉密内容
• 文件限制：建议控制在 10MB/5 分钟以内，长音频需手动分割
• 语言局限：虽支持英文，但中文以外的多语种效果未明确说明
• 依赖外部服务：API Key 和配额管理增加维护成本

适合人群

• 需要快速转录会议录音、播客、访谈的内容创作者
• 处理即时通讯语音消息的自动化工作流开发者
• 中文为主的语音识别需求用户

常规风险

• API Key 泄露可能导致配额被盗用
• 敏感语音内容存在云端留存风险
• 网络不稳定时可能出现超时失败
• 需自行处理格式转换和错误重试逻辑

核心用法

speech-recognition 是一款纯文档型 Skill，为用户提供通过硅基流动 SenseVoice API 进行语音转文字的完整指南。支持 MP3、OGG、WAV、M4A、FLAC 等主流音频格式，通过 FFmpeg 完成格式转换与采样率标准化（16kHz 单声道）。用户可通过两种方式调用：直接编写 Python 脚本调用 REST API，或在 Kuro 框架内处理用户发送的语音消息。

显著优点

格式兼容性强：覆盖 Telegram/Signal 语音（OGG）、iOS 录音（M4A）、通用 MP3 等多种场景，内置 FFmpeg 转换方案解决格式壁垒。

中文识别精准：采用阿里达摩院开源的 SenseVoice 模型，针对中文语音优化，支持普通话及多方言识别。

零依赖轻量化：Skill 本身无可执行代码，仅提供标准化调用文档，避免依赖冲突和供应链攻击风险。

安全透明度高：明确披露音频数据将上传至硅基流动服务器，符合 GDPR/CCPA 用户知情权要求；全链路 HTTPS 加密传输。

潜在缺点与局限性

数据隐私敏感：音频文件需上传至第三方云服务处理，不适合处理机密语音内容；缺乏本地离线识别能力。

功能边界明确：仅提供转录功能，不支持说话人分离、情感识别、时间戳对齐等高级特性。

时长与大小限制：建议音频 < 5 分钟、< 10MB，长音频需人工分割处理。

来源可信度限制：维护者为个人开发者（T3 级别），社区生态尚处于早期，长期维护稳定性待观察。

适合人群

• 需要快速集成中文语音识别的开发者
• 处理日常语音消息、播客转录、会议记录的个人用户
• 对云 API 接受度较高的轻量级应用场景
• 不适合：金融/医疗/政务等敏感语音处理场景

常规风险

1. API 服务可用性：依赖硅基流动商业服务，存在接口变更、限流或停运风险
2. 数据驻留合规：音频数据存储于中国大陆服务器，跨境使用需评估合规性
3. API Key 泄露：示例代码存在硬编码风险提示，实际部署需采用环境变量或密钥管理服务
4. 误识别风险：嘈杂环境、口音浓重或专业术语可能导致转录准确率下降