什么是 Gemini 语音转文本？

Gemini 语音转文本技能是一个以开发者为中心的实用工具，旨在利用直接的 Gemini API 或 Google Cloud Vertex AI 处理音频转录任务。通过优先使用 gemini-2.0-flash-lite 模型，该技能为实时应用提供了速度与成本效益的最佳平衡。它旨在无缝集成到 Openclaw Skills 生态系统中，提供一种可靠的方式来处理语音数据，而无需承担沉重的外部库开销。

该技能专为便携性和易用性而设计，利用 Python 标准库管理身份验证、文件编码和 API 通信。这使其成为希望在保持极小占用的同时，为其 AI 代理或自动化脚本添加强大语音转文本能力的开发者的理想选择。

下载入口:https://github.com/openclaw/skills/tree/main/skills/araa47/gemini-stt

安装与下载

1. ClawHub CLI

从源直接安装技能的最快方式。

2. 手动安装

将技能文件夹复制到以下位置之一

优先级：工作区 > 本地 > 内置

3. 提示词安装

将此提示词复制到 OpenClaw 即可自动安装。

Gemini 语音转文本 应用场景

• 自动转录来自 Telegram 等即时通讯平台的语音便签。
• 将 .mp3 或 .wav 格式的会议或采访录音转换为可搜索的文本。
• 在自动化的 Clawdbot 工作流中处理传入的音频媒体。
• 使用最先进的大语言模型为播客或视频旁白生成转录本。
• 为自定义 CLI 工具和 Openclaw Skills 启用语音命令处理。

1. 该技能读取目标音频文件并将其转换为符合 Google API 要求的 base64 编码字符串。
2. 它执行自动身份验证检查，首先查找 gcloud 应用默认凭据 (ADC)，然后查找本地 GEMINI_API_KEY 环境变量。
3. 根据检测到的凭据，该技能启动对 Vertex AI 或直接 Gemini API 端点的请求。
4. 编码后的数据由所选模型（默认为超快速的 gemini-2.0-flash-lite）使用专门的转录提示词进行处理。
5. 结果文本从 API 响应中提取，并通过标准输出 (stdout) 返回，用于后续的自动化步骤。

Gemini 语音转文本 配置指南

要在您的 Openclaw Skills 环境中部署此技能，请确保您拥有 Python 3.10+ 并选择一种身份验证方法：

Vertex AI 设置 (推荐)

gcloud auth application-default login
gcloud config set project YOUR_PROJECT_ID

直接 API 设置 将您的 API 密钥添加到环境变量中：

export GEMINI_API_KEY='your_secret_key_here'

该脚本不需要外部 pip 依赖项，可以直接从终端执行。

Gemini 语音转文本 数据架构与分类体系

该技能通过精简流程处理音频数据和元数据，无需持久化存储。数据组织结构如下：

name: gemini-stt
description: Transcribe audio files using Google's Gemini API or Vertex AI
metadata: {"clawdbot":{"emoji":"??","os":["linux","darwin"]}}

Gemini Speech-to-Text Skill

Transcribe audio files using Google's Gemini API or Vertex AI. Default model is gemini-2.0-flash-lite for fastest transcription.

Authentication (choose one)

Option 1: Vertex AI with Application Default Credentials (Recommended)

gcloud auth application-default login
gcloud config set project YOUR_PROJECT_ID

The script will automatically detect and use ADC when available.

Option 2: Direct Gemini API Key

Set GEMINI_API_KEY in environment (e.g., ~/.env or ~/.clawdbot/.env)

Requirements

• Python 3.10+ (no external dependencies)
• Either GEMINI_API_KEY or gcloud CLI with ADC configured

Supported Formats

• .ogg / .opus (Telegram voice messages)
• .mp3
• .wav
• .m4a

Usage

# Auto-detect auth (tries ADC first, then GEMINI_API_KEY)
python ~/.claude/skills/gemini-stt/transcribe.py /path/to/audio.ogg

# Force Vertex AI
python ~/.claude/skills/gemini-stt/transcribe.py /path/to/audio.ogg --vertex

# With a specific model
python ~/.claude/skills/gemini-stt/transcribe.py /path/to/audio.ogg --model gemini-2.5-pro

# Vertex AI with specific project and region
python ~/.claude/skills/gemini-stt/transcribe.py /path/to/audio.ogg --vertex --project my-project --region us-central1

# With Clawdbot media
python ~/.claude/skills/gemini-stt/transcribe.py ~/.clawdbot/media/inbound/voice-message.ogg

Options

Supported Models

Any Gemini model that supports audio input can be used. Recommended models:

See Gemini API Models for the latest list.

How It Works

1. Reads the audio file and base64 encodes it
2. Auto-detects authentication:
   • If ADC is available (gcloud), uses Vertex AI endpoint
   • Otherwise, uses GEMINI_API_KEY with direct Gemini API
3. Sends to the selected Gemini model with transcription prompt
4. Returns the transcribed text

Example Integration

For Clawdbot voice message handling:

# Transcribe incoming voice message
TRANSCRIPT=$(python ~/.claude/skills/gemini-stt/transcribe.py "$AUDIO_PATH")
echo "User said: $TRANSCRIPT"

Error Handling

The script exits with code 1 and prints to stderr on:

• No authentication available (neither ADC nor GEMINI_API_KEY)
• File not found
• API errors
• Missing GCP project (when using Vertex)

Notes

• Uses Gemini 2.0 Flash Lite by default for fastest transcription
• No external Python dependencies (uses stdlib only)
• Automatically detects MIME type from file extension
• Prefers Vertex AI with ADC when available (no API key management needed)