openclaw语音转文字失败时，需依次检查音频权限、whisper/deepgram/qwen/vosk等模型配置及技能启用状态。具体包括：启用realtime监听、加载本地whisper/tiny-zh模型、配置deepgram api与nova-3参数、注册qwen3.5-9b为增强处理器、安装vosk适配器并指定中文模型路径。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您在使用OpenClaw进行会议记录或视频字幕生成时，语音无法准确转为文字，则可能是由于音频输入路径未启用、模型服务未就绪或转录技能未安装。以下是解决此问题的步骤：
一、启用本地音频捕获与实时监听
OpenClaw需通过系统音频驱动直接接入麦克风流，才能实现低延迟实时转录。该模式绕过文件上传环节，适用于线上会议同步记录与直播字幕生成。
1、确认系统音频权限已授予OpenClaw：在macOS中进入“系统设置→隐私与安全性→麦克风”，勾选openclaw-gateway；在Windows中进入“设置→隐私→麦克风”，启用相关权限。
2、编辑~/.openclaw/openclaw.json，在audio节点下启用实时监听：
3、设置"realtime": true，并指定采样率与静音阈值：
4、保存配置后执行openclaw gateway restart重启服务。
二、对接Whisper本地离线模型
Whisper模型无需联网、不外传音频、支持中文方言及99种语言，是隐私敏感场景下的首选ASR引擎。其运行依赖Python环境与FFmpeg，且必须完成模型权重本地加载。
1、确保已安装Python 3.10+与FFmpeg：
2、下载Whisper中文专用轻量模型（tiny-zh）至本地：
3、在~/.openclaw/openclaw.json中新增Whisper提供方配置：
4、验证模型加载状态：执行clawhub list skills | grep whisper，确认whisper-offline-transcriber处于active状态。
三、集成Deepgram云端高精度转录
当对转录速度与多说话人区分有更高要求时，可启用Deepgram作为外部ASR后端。其nova-3模型在中文会议场景下具备自动标点、智能格式化与角色分离能力，但需网络可达且音频上传至第三方服务。
1、获取Deepgram API Key（以dg_开头），写入~/.openclaw/.env：
2、在openclaw.json的tools.media.audio区块中启用Deepgram并指定参数：
3、添加语言提示与智能功能开关：
4、重启网关后，发送语音消息将自动触发Deepgram异步转录流程。
四、配置Qwen3.5-9B进行语义增强转写
纯ASR输出常含语气词、重复句与逻辑断层，需结合大语言模型进行上下文清洗与结构重排。Qwen3.5-9B本地部署版本可在保留原始信息前提下，生成带发言标注、时间锚点与重点加粗的增强文本。
1、启动Qwen3.5-9B本地服务（监听端口8080）：
2、在openclaw.json中注册该模型为summarization后处理器：
3、为音频技能链指定后处理模型ID：
4、测试指令：/transcribe realtime --enhance-with qwen3-9b，观察日志中是否出现[ENHANCE] applied to 127 tokens标记。
五、启用Vosk离线引擎应对低资源设备
Vosk专为边缘设备优化，可在无GPU、内存≤8GB的笔记本或树莓派上稳定运行。其识别准确率略低于Whisper，但启动快、响应低、资源占用恒定，适合嵌入式会议终端或老旧办公电脑。
1、安装Vosk Python包及中文模型（约1.8GB）：
2、将模型解压路径写入配置文件：
3、在skills/audio-processor/config.json中强制指定引擎：
4、执行clawhub install vosk-adapter安装适配器模块，并确认vosk-model-zh-cn-0.22被正确加载。
