OpenClaw+FunASR识别飞书发来的音频文件

在使用OpenClaw的过程中，我想通过语音给OpenClaw发消息，有好几种方式：

• 语音转文本，在发送之前就通过飞书识别好了内容，把文本发给OpenClaw
• 直接发送语音文件，让OpenClaw识别语音文件
  一次偶然使用了第二种，OpenClaw告诉我不能识别。我就想让OpenClaw增加识别语音的能力。于是我就开始动工了。

启动语音识别的后台FunASR

使用之前搭建的FunASR服务，让OpenClaw调用FunASR服务，将音频转为文字。参考：本地部署通义FunASR服务进行语音识别, 本地部署通义FunASR服务（中）
由于我用的websocket服务，并且修改了部分服务端代码。我将最新的代码上传到这里：https://github.com/tinygone/FunASR。
修改内容：

• FunASR\runtime\python\websocket\funasr_wss_server.py：主要增加日志，方便调试，部分代码有微调
• FunASR\runtime\python\websocket\funasr_wss_client.py：主要为了调试，可以不用

启动准备工作：

conda create -n faenv python=3.12.9 conda activate faenv git clone https://github.com/tinygone/FunASR.git cd FunASR conda activate faenv pip3 install -e ./ # 安装必要的组件，如果已经安装了就可以忽略 # 安装modelscope，自动下载模型 pip install modelscope # 设置环境变量：MODELSCOPE_CACHE="目标地址" # 安装pytorch，特别的加上了torchaudio pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu130 # 更新transformers pip install -U transformers pip install tiktoken pip install websockets pip install pyaudio # 安装ffmpeg，不是一行命令就能搞定，参考之前的材料

启动服务器，这样服务器就启动好了：

# host 可以换成服务器的ip，但还是建议用0.0.0.0，这样能在tailscale环境下使用 python .\funasr_wss_server.py --host 0.0.0.0 --port 10095

构建识别流程

飞书发送音频文件时gog格式，如果直接给FunASR识别，识别不出来。所以要先转换为wav格式。
给OpenClaw增加相关的Skill和处理脚本。文件地址在：https://github.com/tinygone/openclaw-feishu-voice-skill
包括2部分内容：

• voice-handle skill，要放到~/.openclaw/skills/目录
• speech-to-text 处理脚本，要放到~/.openclaw/middleware/目录下

确保Agent能够识别Skill，并且OpenClaw所在的环境已经启动。

如果没有配置好Skill，此时可以通过飞书发送语音消息给OpenClaw的Agent。会受到类似的消息，下面是收到一个16秒的音频文件。

[media attached: /home/band/.openclaw/media/inbound/xxx.ogg (audio/ogg; codecs=opus) | /home/band/.openclaw/media/inbound/7c570ea2-4b9a-4105-a8c9-26d8e7047a24.ogg] To send an image back, prefer the message tool (media/path/filePath). If you must inline, use MEDIA:[https://example.com/image.jpg](https://example.com/image.jpg) (spaces ok, quote if needed) or a safe relative path like MEDIA:./image.jpg. Avoid absolute paths (MEDIA:/...) and ~ paths — they are blocked for security. Keep caption in the text body. ou_xxx: {"file_key":"file_xxx","duration":16000}

如果Skill已经配置好，且客户端（OpenClaw所在的电脑）、FunASR服务端均正确运行，就会受到类似下面的消息。

实测下来，GLM-5模型、Ollama本地运行的qwen3.5:9b，均能正常运行。有了FunASR服务，未来只要有音频都可以交给OpenClaw，帮我识别成文字。