核心用法
sergei-mikhailov-stt 是 OpenClaw 框架的语音转文字技能，核心功能是将用户发送的语音消息转换为可读的文本。其工作流程清晰：接收 OpenClaw 提供的本地音频文件路径 → 通过 FFmpeg 验证和格式转换 → 调用 STT 提供商（默认 Yandex SpeechKit）进行识别 → 返回带元数据的文本结果。
安装部署采用标准 OpenClaw 模式：clawhub install 一键安装后，运行 setup.sh 创建 Python 虚拟环境并复制配置模板，最后通过 check.sh 诊断脚本验证环境完整性。配置支持两种方式：推荐的 OpenClaw 中央配置文件（~/.openclaw/openclaw.json）或本地 .env 文件，API 密钥通过环境变量注入，避免硬编码风险。
关键设计亮点：处理器脚本使用绝对路径调用，__file__ 自动解析依赖路径，不依赖工作目录，避免了 cd 命令触发安全审批的痛点。
显著优点
1. 架构可扩展：基于抽象基类 BaseSTTProvider 设计，新增提供商仅需实现 recognize()、validate_config() 等三个方法，5 分钟即可完成扩展
2. 多格式支持：原生支持 OGG、WAV、MP3、M4A、FLAC、AAC 等常见音频格式，FFmpeg 自动处理转码
3. 错误处理精细化：内置 9 类常见错误场景（文件过大、格式不支持、401/403/429 HTTP 状态码等），映射为用户友好的提示语和明确的修复指引
4. 诊断工具完善：check.sh 一键检测 Python、FFmpeg、虚拟环境、依赖、API 密钥配置，降低运维门槛
5. 元数据丰富：返回结果包含置信度、语言识别、处理时长、提供商信息，便于二次开发
潜在缺点与局限性
| 维度 | 限制说明 |
|------|---------|
| **硬性容量限制** | Yandex SpeechKit v1 同步 API 严格限制 1MB（约 30 秒语音），长语音需切割或换异步 API |
| **地理合规风险** | Yandex Cloud 服务受俄罗斯数据主权法规约束，跨境企业需评估 GDPR/本地化合规 |
| **语言覆盖窄** | 官方仅支持 ru-RU、en-US，小语种场景受限 |
| **网络依赖** | 纯云端方案，离线环境不可用；API 超时默认 5 分钟，弱网环境体验差 |
| **密钥管理负担** | 需维护 `ai.speechkit.user` 角色的 Yandex 服务账号，权限配置有一定复杂度 |
适合人群
- OpenClaw 生态用户：已部署 OpenClaw 网关，需要为 Telegram/Discord 等机器人添加语音理解能力
- 俄语区开发者：Yandex SpeechKit 对俄语识别优化较好，适合俄语客服、社群运营场景
- 中小规模部署：消息量适中、单条语音 30 秒以内的场景，避开大文件限制
常规风险
1. API 密钥泄露：配置存储于明文 JSON/ENV 文件，多用户服务器需限制文件权限（建议 600）
2. 成本失控：Yandex SpeechKit 按音频时长计费，高频场景需设置用量告警
3. 服务可用性：单一提供商依赖，建议按文档扩展备用提供商（如 Google Speech-to-Text）
4. FFmpeg 供应链：依赖系统级二进制，需确保来源可信并定期更新防漏洞
5. 音频内容敏感：语音可能包含 PII，需确认 Yandex Cloud 数据处理协议符合业务合规要求