核心用法
该技能为 OpenClaw 平台提供语音转文字（STT）能力，核心流程包括：接收音频文件 → FFmpeg 格式转换 → Yandex SpeechKit API 识别 → 返回文本结果。支持 OGG/WAV/MP3/M4A/FLAC/AAC 等格式，默认俄语（ru-RU）和英语（en-US）识别。
显著优点
1. 架构可扩展：采用 Provider 模式设计，可便捷接入其他 STT 服务（如 Google Speech-to-Text、Azure 等）
2. 配置灵活：支持 OpenClaw 全局配置、.env 文件、config.json 三级配置体系
3. 错误处理完善：内置 9 类常见错误场景的用户友好提示与修复指引
4. 诊断工具完备：提供 check.sh 一键检测环境依赖、API 密钥状态
潜在局限
- 硬性限制：Yandex SpeechKit v1 同步 API 仅支持 1MB 音频（约 30 秒语音），长语音需切割处理
- 语言覆盖窄：仅官方支持俄/英双语，小语种需切换 Provider
- 网络依赖强：识别延迟 2-5 秒，API 限流时可能触发 429 错误
- 隐私考量：音频数据上传至 Yandex Cloud，敏感场景需评估合规性
适合人群
- OpenClaw 个人用户：需将 IM 语音消息快速转为文字
- 小型团队：部署内部机器人处理语音指令
- 开发者：需要可扩展的 STT 基础设施进行二次开发
常规风险
API 密钥泄露风险（需妥善保管 YANDEX_API_KEY）；依赖外部服务可用性；FFmpeg 本地执行存在文件系统操作风险，但已限制为只读音频处理。