Speech is Cheap Transcribe

核心用法

Speech is Cheap (SIC) 是一款面向自动化工作流设计的语音转文本服务，通过 openclaw run asr 命令提供快速转录能力。支持两种主要输入方式：URL直链转录（无需下载）和本地文件上传。核心功能包括说话人分离（diarization）、词级时间戳、音频标签分类、多格式输出（JSON/SRT/VTT）及Webhook回调。隐私模式（--private）可确保音频不留存。

显著优点

• 成本颠覆性：$0.06-$0.12/小时，较Deepgram/OpenAI便宜2-15倍
• 极速处理：100分钟音频约1分钟完成，适合高吞吐量场景
• 多语言原生：100种语言自动检测，无需预处理语言设置
• Agent友好：纯JSON输出、环境变量认证、清晰错误指引，便于自动化集成

潜在局限

• 供应商锁定风险：小众服务商，长期稳定性存疑
• 功能深度待验证：对比成熟厂商（如AWS/Google），方言/噪声鲁棒性未披露
• 合规透明度：隐私模式依赖服务商承诺，无第三方审计背书
• 生态成熟度：缺少预训练模型微调、领域自适应等高级功能

适合人群

• 成本敏感的批量转录需求（播客、会议记录、客服质检）
• 构建语音Agent/工作流的开发者
• 多语言内容处理的小型团队

常规风险

• API密钥泄露：需妥善保管SIC_API_KEY环境变量
• 数据出境：服务商未披露数据中心位置，跨境合规需确认
• 服务中断：新兴服务商SLA保障未知，关键业务建议fallback方案

核心用法

SIC Skill 是一款基于 Speech is Cheap 云服务的语音识别工具，提供极简的命令行接口。用户可通过 openclaw run asr transcribe 命令转录网络音频 URL 或本地文件，支持说话人分离、词级时间戳、音频标签、多格式输出（JSON/SRT/VTT）等高级功能。核心依赖 SIC_API_KEY 环境变量完成身份验证，无需复杂配置即可接入生产环境。

显著优点

1. 极致性价比：每小时 $0.06-$0.12 的定价，相比 Deepgram、OpenAI 等竞品便宜 2-15 倍，对高频转录场景极具吸引力
2. 速度优势：100 分钟音频约 1 分钟完成转录，满足实时性要求较高的业务场景
3. 功能完备：支持 100 种语言自动检测、说话人分离、词级时间戳、流媒体输出、Webhook 回调等企业级功能
4. 隐私选项：提供 --private 模式，承诺不存储音频和转录结果
5. 零依赖部署：仅使用系统标准工具 curl，无第三方依赖包，部署轻量

潜在缺点与局限性

1. 来源可信度有限：T3 级来源（社区项目/新组织），Speech is Cheap 成立于 2025 年，运营历史和稳定性待观察
2. 外部依赖风险：核心功能完全依赖第三方云服务，一旦服务中断或停止运营，skill 将失效
3. 数据隐私隐患：音频需上传至第三方服务器处理，虽有隐私模式但缺乏 GDPR/CCPA 等合规认证说明
4. SSRF 风险：--webhook 参数未做 URL 白名单校验，存在被利用进行服务器端请求伪造的风险
5. 路径遍历隐患：--file 参数未严格校验文件路径，理论上存在读取非预期文件的风险

适合人群

• 追求极致成本效益的初创企业或独立开发者
• 需要批量处理播客、会议记录、视频字幕的内容创作者
• 构建语音 Agent 流水线、对延迟敏感的技术团队
• 能够接受云服务托管模式、非极度敏感音频场景的用户

常规风险

| 风险类型 | 等级 | 说明 |

|---------|------|------|

| 第三方服务依赖 | 中 | 服务可用性、价格策略、数据政策均由外部厂商控制 |

| 数据隐私泄露 | 中 | 音频上传至 T3 来源服务器，隐私模式具体实现不透明 |

| SSRF 攻击 | 中 | Webhook URL 用户可控，可能用于内网探测或数据外带 |

| API 密钥泄露 | 低 | 依赖环境变量配置，配置不当可能导致密钥暴露 |

| 路径遍历 | 低 | 文件读取参数未严格过滤，存在理论上的越权访问风险 |