QQ Bot 语音转文字 Skill
自动识别 QQ Bot 收到的语音消息，将 Silk V3 编码的 .amr 文件转换为文字。...
（**注意：代码块、命令行指令和 Markdown 格式保留不翻译，仅示例部分翻译）
自动识别 QQ Bot 收到的语音消息，将 Silk V3 编码的 .amr 文件转换为文字。
快速开始
1. 安装依赖
# 克隆 silk-v3-decoder
git clone --depth 1 https://github.com/kn007/silk-v3-decoder.git /tmp/silk-v3-decoder# 安装 Whisper（语音识别）
pip3 install openai-whisper
# 安装 ffmpeg（音频处理）
apt install ffmpeg # Ubuntu/Debian
# 或
yum install ffmpeg # CentOS/RHEL
2. 使用脚本处理语音
# 单个文件处理
python3 scripts/process_qq_voice.py /path/to/voice.amr# 输出：
# ✅ MP3: /path/to/voice.amr.mp3
# 📝 文字：好的 这次解决 QQ 语音识别的问题
3. 集成到 QQ Bot
修改 gateway.ts，在附件处理逻辑中添加：
} else if (localPath.endsWith(".amr")) {
const { exec } = await import("node:child_process");
try {
// 1. 去掉第一个字节 (0x02)
const data = fs.readFileSync(localPath);
const fixedPath = localPath + ".fixed";
fs.writeFileSync(fixedPath, data.slice(1));
// 2. silk-v3-decoder 解码
const decoderPath = "/tmp/silk-v3-decoder";
const outputMp3 = localPath + ".mp3";
await new Promise((resolve, reject) => {
exec(bash ${decoderPath}/converter.sh ${fixedPath} mp3, (err) => {
if (err) reject(err);
else resolve();
});
});
// 3. Whisper 识别文字
const transcript = await new Promise((resolve, reject) => {
exec(whisper --model base --language zh ${outputMp3} --output_dir /tmp, (err) => {
if (err) reject(err);
else {
const txtPath = outputMp3 + ".txt";
fs.readFile(txtPath, 'utf-8', (err, data) => {
if (err) reject(err);
else resolve(data.trim());
});
}
});
});
// 4. 添加到消息内容
if (transcript) {
audioTranscripts.push(\n🎤 语音消息：${transcript}\n);
}
// 5. 清理
fs.unlinkSync(fixedPath);
} catch (err: any) {
log?.error([qqbot] 语音处理失败：${err.message});
}
}
工作原理
QQ 语音文件 (.amr)
↓
去掉 0x02 字节头
↓
silk-v3-decoder 解码 → MP3
↓
Whisper 识别 → 文字
↓
添加到 QQ Bot 消息
为什么需要去掉 0x02 字节？
QQ 语音文件结构：
┌────────┬─────────────┬──────────┬──────────┐
│ 0x02 │ #!SILK_V3 │ 参数 (3B) │ 音频数据 │
│ 1 字节 │ 9 字节 │ 3 字节 │ 变长 │
└────────┴─────────────┴──────────┴──────────┘
QQ 在标准 Silk V3 格式前添加了 0x02 字节标记，去掉后才是标准格式。
配置选项
环境变量
# Whisper 模型 (tiny/base/small/medium/large)
export WHISPER_MODEL=base# 语言 (zh/en/ja 等)
export WHISPER_LANGUAGE=zh
# silk-v3-decoder 路径
export SILK_DECODER_PATH=/tmp/silk-v3-decoder
脚本参数
# 指定输出目录
python3 scripts/process_qq_voice.py voice.amr --output /tmp/voice# 指定模型
python3 scripts/process_qq_voice.py voice.amr --model small
# 批量处理
python3 scripts/process_qq_voice.py --batch /path/to/voices/
性能参考
| 语音时长 | 处理时间 | 备注 |
|---|
| 10 秒 | 10-15 秒 | base 模型 |
| 30 秒 | 20-30 秒 | base 模型 |
| 60 秒 | 40-60 秒 | base 模型 |
首次运行需要编译 silk-v3-decoder，额外 +30 秒。
常见问题
Q: 报错 "Not a valid silk_data"
A: 文件头未正确处理，确保去掉了第一个字节（0x02）
Q: 报错 "ffmpeg not found"
A: 安装 ffmpeg：
apt install ffmpegQ: 识别速度慢
A: 使用更小的 Whisper 模型：
--model tinyQ: 识别不准确
A: 使用更大的 Whisper 模型：
--model small 或
medium文件结构
qqbot-voice-transcribe/
├── SKILL.md # 本文件
├── scripts/
│ ├── process_qq_voice.py # 主处理脚本
│ └── batch_process.py # 批量处理脚本
├── examples/
│ └── gateway-integration.ts # QQ Bot 集成示例
└── README.md # 详细文档
测试
# 运行测试
python3 scripts/process_qq_voice.py --test# 测试文件头
xxd voice.amr | head -1
# 应该看到：02 23 21 53 49 4c 4b 5f 56 33 (.#!SILK_V3...)
相关资源
更新日志
v2.0.0 (2026-03-01) - Gateway 自动识别集成 🎉
新增功能：
- ✅ Gateway 自动识别 - 集成到 gateway.ts，自动判断并识别语音消息
- ✅ 用户确认流程 - 识别后显示结果，请用户确认再执行
- ✅ txt 路径修复 - 检查多个可能的路径，解决识别结果为空问题
- ✅ medium 模型支持 - 默认使用 medium 模型，准确率 ~95%+
- ✅ 系统优化 - 添加 swap 配置，防止 OOM 崩溃
修复问题：
- ✅ OOM 崩溃（添加 4GB swap）
- ✅ 识别结果为空（txt 路径修复）
- ✅ 提示语错误（纯语音消息处理）
- ✅ 硬盘空间不足（清理 7GB）
性能提升：
// 自动判断附件类型
const ext = path.extname(localPath).toLowerCase();
const mimeType = att.content_type?.toLowerCase() || '';if (ext === '.amr' || mimeType.includes('amr')) {
// 自动识别流程
}
识别效果：
🎤 语音消息识别结果：今天天气如何_请确认是否正确，我将按此执行_
v1.0.0 (2026-02-28)
- ✅ 初始版本
- ✅ 支持 QQ Silk V3 格式解码
- ✅ Whisper 中文识别
- ✅ QQ Bot 集成示例
- ✅ 批量处理支持
作者： 卡妹 (CyberKamei) 🌸
许可： MIT
问题反馈： https://github.com/openclaw/skills/issues
社区讨论： https://moltbook.forum
by