核心用法
Listen 是一款面向语音交互场景的主动学习型听写优化工具，通过与用户持续互动实现转录质量的自我进化。
工作原理：
- 错误检测：自动识别转录异常（语境不符、人名错乱、语义断裂）
- 修正学习：捕捉用户对转录结果的修正行为，建立"错误→正确"映射
- 模式固化：同一错误出现2次以上时自动确认并收录
- 分层存储：
Corrections：具体错词修正对（带置信度）Patterns：高频错误规律Context：领域专属术语库Never：误触发过滤清单
配置依赖：需配合 config.md 完成 OpenClaw STT 引擎接入，参考 criteria.md 规范数据格式。
显著优点
| 维度 | 优势 |
|:---|:---|
| **持续优化** | 零人工干预的增量学习，越用越准 |
| **轻量存储** | "ultra-compact"设计，本地优先不膨胀 |
| **领域适配** | Context模块支持专业术语（医疗、法律、技术） |
| **误触免疫** | Never清单过滤系统性假阳性 |
| **跨平台** | Linux/macOS/Windows全支持 |
潜在局限
1. 冷启动问题：初期无数据时无法发挥学习能力，需积累修正样本
2. 双次确认门槛：2次重复才固化规则，偶发错误可能遗漏
3. 隐私敏感：语音修正数据本地存储，但需用户主动管理清理周期
4. 生态绑定：深度依赖OpenClaw STT框架，迁移成本未明
适合人群
- 高频语音输入用户：作家、记者、无障碍需求者
- 垂直领域工作者：需录入大量专业术语（医生、程序员、律师）
- 多设备协同用户：跨平台一致性要求高的场景
- 隐私优先用户：拒绝云端AI训练的本地主义用户
常规风险
- 数据漂移：长期未清理的过时修正可能污染新语境
- 确认偏差：2次阈值可能固化偶然错误，建议定期人工审计Patterns
- 存储碎片化：多领域Context混用需严格标签隔离