Qwen 方言语音识别 Skill
基于通义千问Qwen3-ASR-0.6B模型的语音转文字服务，支持22种中文方言和30种语言识别，让用户可以用方言直接和OpenClaw交流。
✨ 功能特性
- 🎤 多方言支持：支持22种中文方言识别
- 🌐 多语言：支持30种国际语言
- 💻 CPU友好：无需GPU，普通服务器即可运行
- 🔍 自动检测：自动识别语言和方言类型
- ⚡ 低延迟：优化的CPU推理，接近实时响应
- 🎯 高准确率：方言识别平均准确率超过90%
- 🔌 即插即用：完美适配OpenClaw生态
🗣️ 支持的中文方言
安徽话、东北话、福建话、甘肃话、贵州话、河北话、河南话、湖北话、湖南话、江西话、宁夏话、山东话、陕西话、山西话、四川话、天津话、云南话、浙江话、粤语（香港口音）、粤语（广东口音）、吴语、闽南语。
🚀 快速开始
安装
在OpenClaw中搜索「Qwen方言语音识别」，点击一键安装即可。
手动安装
# 克隆项目
git clone <repository-url>
cd qwen-asr-skill
# 安装依赖
npm install
pip install -r requirements.txt
# 启动服务
npm start
环境变量配置
| 变量名 | 默认值 | 说明 |
|---|---|---|
| PORT | 3000 | 服务端口 |
| HOST | 0.0.0.0 | 监听地址 |
| MODEL_NAME | Qwen/Qwen3-ASR-0.6B | ASR模型名称 |
| DEVICE | cpu | 运行设备（cpu/cuda） |
| DTYPE | float32 | 数据类型 |
| BATCH_SIZE | 4 | 批量处理大小 |
🔧 使用方式
安装并启用后，直接在OpenClaw中发送语音消息即可，系统会自动：
- 接收语音输入
- 调用本Skill进行语音转文字
- 将识别后的文字传给大模型
- 返回语音回答给用户
你可以直接说方言，系统会自动识别，无需手动切换语言。
📡 API 接口
POST /transcribe
音频转文字接口
请求参数：
audio：音频文件或base64编码的音频数据（必需）language：指定语言/方言（可选，如："四川话"、"粤语"等）timestamps：是否返回时间戳（可选，默认false）
响应示例：
{
"success": true,
"data": {
"text": "你好，我是四川人，今天吃火锅。",
"language": "Sichuan",
"confidence": 0.98,
"duration": 1.23
}
}
📊 性能指标
- 推理速度：实时音频的1.5-2倍速（8核CPU）
- 内存占用：6-8GB运行时
- 支持音频时长：最长5分钟
- 方言识别WER：<16%（平均）
🔒 隐私保护
- 所有语音处理在本地完成，不会上传到第三方服务器
- 处理完的音频文件会自动删除，不会存储
- 不收集任何用户语音数据和识别内容
🤝 贡献
欢迎提交Issue和Pull Request来改进这个Skill！
📄 许可证
Apache-2.0 License