本地语音转文字

技能简介

whisper-mlx-local 是一款在 Apple Silicon Mac 上本地运行的语音转文字工具，为 Telegram 和 WhatsApp 的语音消息提供免费、私密的转录服务。音频数据全程留在本地设备，无需调用云端 API，不产生任何费用。

业务背景

为Apple Silicon Mac用户提供零成本、纯本地的语音转文字方案，解决Telegram、WhatsApp语音消息处理需求。数据不出设备，满足隐私合规要求，无API调用费用，适合高频使用场景。

落地案例：外贸业务员每日需处理大量WhatsApp客户语音，配置该工具后，右键语音消息即可本地转文字查看，支持中英混杂内容识别。出差无网络时照常使用，批量处理历史语音文件时通过HTTP接口导入，无需逐条操作。

能做什么

• 将 Telegram、WhatsApp 等平台的语音消息转为文字
• 支持多语言音频翻译为英文
• 离线环境下正常使用
• 通过本地 HTTP 接口批量处理音频文件

使用说明

1. 安装依赖
   pip3 install -r requirements.txt
2. 启动守护进程
   python3 scripts/daemon.py
   首次运行会自动下载约 1.5GB 的 Whisper 模型，请等待出现 “Ready” 提示。首次转录需 10-30 秒加载模型，后续即时响应。
3. 配置 OpenClaw
   编辑 ~/.openclaw/openclaw.json，添加 tools.media.audio 配置，指向 transcribe.sh 脚本路径
4. 重启网关
   openclaw gateway restart

如需开机自启，复制 plist 文件到 LaunchAgents 目录并用 launchctl 加载。

输入与输出

见下方输入与输出表格。

风险提示

• 首次下载模型约 1.5GB，需确保网络稳定与磁盘空间充足
• 仅支持 Apple Silicon Mac（M1/M2/M3/M4），Intel Mac 无法运行
• 首次转录有 10-30 秒预热时间，非故障
• 长时间运行建议配置自动启动，避免手动重启

来源信息

原始链接：https://github.com/openclaw/skills/tree/main/skills/impkind/whisper-mlx-local/SKILL.md
来源类型：GitHub 社区技能