asr

核心用法

asr skill 是 Speech is Cheap 官方提供的 CLI 封装工具，通过 asr.sh 脚本将音频文件或 URL 提交至云端 API 进行转录。基础用法极为简洁：通过 ./skills/asr/scripts/asr.sh transcribe --url "音频地址" 即可启动任务，支持本地文件自动上传（--file 参数）。高级功能涵盖说话人分离（--speakers）、词级时间戳（--words）、音频标签识别（--labels）、隐私模式（--private）及 webhook 回调等，输出格式可选 JSON、SRT、VTT 等。任务状态可通过 status 子命令实时查询，整个流程专为 Agent 自动化场景优化，返回结构化 JSON 便于管道化处理。

显著优点

颠覆性成本优势是该 skill 最突出的竞争力——每小时 $0.06-$0.12 的定价较 Deepgram、OpenAI 等主流服务商低 2-15 倍，对需要处理海量音频的企业和开发者极具吸引力。极致速度同样亮眼，100 分钟音频约 1 分钟完成转录，满足实时性要求较高的场景。多语言支持覆盖 100 种语言并具备自动检测能力，大幅降低国际化部署门槛。此外，隐私模式（--private）允许用户要求服务端不存储任何音频与转录内容，在合规敏感场景中提供额外保障。作为官方原生工具，其与 Speech is Cheap 服务深度整合，API 稳定性与功能迭代均有可靠背书。

潜在缺点与局限性

当前版本存在输入验证缺陷：用户提供的 URL、文件路径、webhook 地址等参数缺乏格式校验，JSON 拼接逻辑存在注入风险（尽管实际利用场景有限）。功能边界方面，该 skill 仅为轻量级 CLI 封装，不具备本地模型推理能力，完全依赖外部 API 可用性，网络中断或服务端故障将直接导致功能失效。生态锁定风险亦需关注——深度绑定 Speech is Cheap 专有服务，迁移至其他 ASR 供应商需重写集成逻辑。此外，bash 脚本架构虽轻量，但跨平台兼容性（尤其是 Windows 环境）弱于 Python/Node 等跨语言方案。

适合的目标群体

该 skill 核心受众为需要大规模音频处理的自动化系统开发者与成本敏感型创业团队。典型场景包括：播客/视频平台的批量字幕生成、客服通话记录的自动化归档与分析、多语言会议纪要的实时转写流水线、内容审核中的音频文本化预处理等。对于已采用 ClawHub/OpenClaw Agent 平台的用户，该 skill 提供即插即用的原生集成体验。个人开发者或小型项目亦可受益于其低门槛定价，但需注意 API 密钥的安全管理。

使用风险

依赖项风险：核心依赖系统 curl 工具，若目标环境未安装或版本过旧可能导致功能异常。网络与可用性风险：所有处理均在云端完成，大文件上传受带宽限制，API 服务中断将直接影响业务连续性。数据安全风险：尽管支持 HTTPS 传输与隐私模式，但音频文件仍需上传至第三方服务器，对高度敏感内容（如医疗记录、金融通话）需评估合规要求。密钥管理风险：SIC_API_KEY 以环境变量形式配置，若配置不当（如误提交至版本控制）可能导致未授权调用与费用损失。建议配合密钥管理服务（如 HashiCorp Vault、AWS Secrets Manager）使用。