Gemini 语音转文本技能

使用 Google 的 Gemini API 或 Vertex AI 转录音频文件。默认模型为gemini-2.0-flash-lite以实现最快的转录速度。

身份验证（选择其一）

选项 1：使用应用默认凭据的 Vertex AI（推荐）

gcloud auth application-default login
gcloud config set project YOUR_PROJECT_ID

脚本将在可用时自动检测并使用 ADC。

选项 2：直接使用 Gemini API 密钥

在环境中设置GEMINI_API_KEY（例如，在~/.env或~/.clawdbot/.env文件中）

要求

• Python 3.10+（无外部依赖项）
• 需具备 GEMINI_API_KEY 或配置了 ADC 的 gcloud CLI

支持的格式

• .ogg/.opus（Telegram 语音消息）
• .mp3
• .wav
• .m4a

用法

# 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

选项

支持的模型

任何支持音频输入的 Gemini 模型均可使用。推荐模型：

参见Gemini API 模型以获取最新列表。

工作原理

1. 读取音频文件并进行 Base64 编码
2. 自动检测身份验证方式：
   • 若 ADC 可用（通过 gcloud），则使用 Vertex AI 端点
   • 否则，使用 GEMINI_API_KEY 直接调用 Gemini API
3. 将带有转录提示的请求发送至选定的 Gemini 模型
4. 返回转录后的文本

集成示例

适用于 Clawdbot 语音消息处理：

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

错误处理

脚本在以下情况会以代码 1 退出，并向标准错误输出打印信息：

• 无可用身份验证（既无 ADC 也无 GEMINI_API_KEY）
• 文件未找到
• API 错误
• 缺少 GCP 项目（使用 Vertex 时）

注意事项

• 默认使用 Gemini 2.0 Flash Lite 模型以实现最快转录速度
• 无外部 Python 依赖（仅使用标准库）
• 根据文件扩展名自动检测MIME类型
• 优先使用支持ADC的Vertex AI（无需管理API密钥）