အသံ / အသံမက်ဆေ့ချ်များ — 2026-01-17¶

အလုပ်လုပ်ပြီးသား အချက်များ¶

• မီဒီယာ နားလည်မှု (အသံ): အသံနားလည်မှုကို ဖွင့်ထားပါက (သို့မဟုတ် အလိုအလျောက် သိရှိပါက) OpenClaw သည် — 1. ပထမဆုံး အသံ attachment ကို (local path သို့မဟုတ် URL) ရှာဖွေပြီး လိုအပ်ပါက ဒေါင်းလုဒ်လုပ်သည်။ 2. မော်ဒယ် entry တစ်ခုချင်းစီသို့ ပို့မည့်အခါ maxBytes ကို အတည်ပြုစစ်ဆေးသည်။ 3. အစီအစဉ်အလိုက် သင့်လျော်သော ပထမဆုံး မော်ဒယ် entry ကို (provider သို့မဟုတ် CLI) လည်ပတ်စေသည်။ 4. မအောင်မြင်ပါက သို့မဟုတ် ကျော်သွားပါက (အရွယ်အစား/အချိန်ကုန်ဆုံး) နောက် entry ကို စမ်းသပ်သည်။ 5. အောင်မြင်ပါက Body ကို [Audio] block ဖြင့် အစားထိုးပြီး {{Transcript}} ကို သတ်မှတ်သည်။
• အမိန့် ခွဲခြမ်းစိတ်ဖြာခြင်း: စာသားပြောင်းခြင်း အောင်မြင်သည့်အခါ CommandBody/RawBody ကို transcript ဖြင့် သတ်မှတ်ထားသဖြင့် slash commands များ ဆက်လက် အလုပ်လုပ်နိုင်သည်။
• အသေးစိတ် မှတ်တမ်းရေးသားခြင်း: --verbose တွင် စာသားပြောင်းခြင်း လုပ်ဆောင်ချိန်နှင့် body ကို အစားထိုးချိန်တို့ကို မှတ်တမ်းတင်ထားသည်။

အလိုအလျောက် သိရှိခြင်း (မူလအတိုင်း)¶

သင်သည် မော်ဒယ်များကို မဖွဲ့စည်းထားပါက နှင့် tools.media.audio.enabled ကို false အဖြစ် မသတ်မှတ်ထားပါက, OpenClaw သည် အောက်ပါ အစီအစဉ်အတိုင်း အလိုအလျောက် သိရှိစမ်းသပ်ပြီး ပထမဆုံး အလုပ်လုပ်သည့် ရွေးချယ်မှုတွင် ရပ်တန့်သည် —

1. Local CLIs (ထည့်သွင်းထားပါက) - sherpa-onnx-offline (SHERPA_ONNX_MODEL_DIR နှင့် encoder/decoder/joiner/tokens လိုအပ်) - whisper-cli (whisper-cpp မှ; WHISPER_CPP_MODEL သို့မဟုတ် bundled tiny model ကို အသုံးပြုသည်) - whisper (Python CLI; မော်ဒယ်များကို အလိုအလျောက် ဒေါင်းလုဒ်လုပ်သည်)
2. Gemini CLI (gemini) ကို read_many_files ဖြင့် အသုံးပြုခြင်း
3. Provider ကီးများ (OpenAI → Groq → Deepgram → Google)

auto-detection ကို ပိတ်ရန် tools.media.audio.enabled: false ကို သတ်မှတ်ပါ။ စိတ်ကြိုက်ပြင်ဆင်ရန် tools.media.audio.models ကို သတ်မှတ်ပါ။ မှတ်ချက်: binary detection သည် macOS/Linux/Windows အနှံ့ best‑effort ဖြစ်ပါသည်; CLI ကို PATH တွင် ရှိနေစေရန် (ကျွန်ုပ်တို့သည် ~ ကို ချဲ့ထွင်ပါသည်) သို့မဟုတ် CLI မော်ဒယ်ကို အပြည့်အစုံ command path ဖြင့် အတိအကျ သတ်မှတ်ပါ။

Config ဥပမာများ¶

Provider + CLI အရန်အသုံးပြုမှု (OpenAI + Whisper CLI)¶

{
  tools: {
    media: {
      audio: {
        enabled: true,
        maxBytes: 20971520,
        models: [
          { provider: "openai", model: "gpt-4o-mini-transcribe" },
          {
            type: "cli",
            command: "whisper",
            args: ["--model", "base", "{{MediaPath}}"],
            timeoutSeconds: 45,
          },
        ],
      },
    },
  },
}

Provider-only (scope gating ပါရှိ)¶

{
  tools: {
    media: {
      audio: {
        enabled: true,
        scope: {
          default: "allow",
          rules: [{ action: "deny", match: { chatType: "group" } }],
        },
        models: [{ provider: "openai", model: "gpt-4o-mini-transcribe" }],
      },
    },
  },
}

Provider သီးသန့် (Deepgram)¶

{
  tools: {
    media: {
      audio: {
        enabled: true,
        models: [{ provider: "deepgram", model: "nova-3" }],
      },
    },
  },
}

မှတ်ချက်များနှင့် ကန့်သတ်ချက်များ¶

• Provider authentication သည် မော်ဒယ် auth အစီအစဉ်အတိုင်း လိုက်နာသည် (auth profiles, env vars, models.providers.*.apiKey)။
• Deepgram သည် provider: "deepgram" ကို အသုံးပြုသောအခါ DEEPGRAM_API_KEY ကို ဖမ်းယူအသုံးပြုသည်။
• Deepgram setup အသေးစိတ်: Deepgram (audio transcription)။
• Audio providers များသည် tools.media.audio မှတဆင့် baseUrl, headers, နှင့် providerOptions ကို override လုပ်နိုင်သည်။
• default size cap သည် 20MB ဖြစ်ပါသည် (tools.media.audio.maxBytes)။ အရွယ်အစားကြီးလွန်းသော audio များကို ထို model အတွက် ကျော်သွားပြီး နောက် entry ကို စမ်းသပ်ပါသည်။
• audio အတွက် default maxChars သည် မသတ်မှတ်ထားပါ (transcript အပြည့်အစုံ)။ output ကို လျှော့ချရန် tools.media.audio.maxChars သို့မဟုတ် per-entry maxChars ကို သတ်မှတ်ပါ။
• OpenAI ၏ အလိုအလျောက် မူလသတ်မှတ်ချက်မှာ gpt-4o-mini-transcribe ဖြစ်သည်; ပိုမိုတိကျစေရန် model: "gpt-4o-transcribe" ကို သတ်မှတ်ပါ။
• အသံမက်ဆေ့ချ်များ အများအပြားကို ကိုင်တွယ်ရန် tools.media.audio.attachments ကို အသုံးပြုပါ (mode: "all" + maxAttachments)။
• Transcript ကို template များတွင် {{Transcript}} အဖြစ် အသုံးပြုနိုင်သည်။
• CLI stdout ကို 5MB အထိသာ ခွင့်ပြုထားသည်; CLI အထွက်ကို ချုပ်ကိုင်ပြီး ရှင်းလင်းအောင် ထုတ်ပေးပါ။

သတိပြုရန် အချက်များ¶

• Scope စည်းမျဉ်းများတွင် ပထမဆုံး ကိုက်ညီသည့်အရာကို ဦးစားပေးပါသည်။ chatType ကို direct, group, သို့မဟုတ် room ဟု normalize လုပ်ပါသည်။
• သင့် CLI သည် exit code 0 ဖြင့် အဆုံးသတ်ပြီး plain text ကို ထုတ်ပေးကြောင်း သေချာပါစေ; JSON ကို jq -r .text ဖြင့် ပြုပြင်ညှိနှိုင်းရပါမည်။
• အချိန်ကန့်သတ်ချက်များကို သင့်တင့်စွာ ထားပါ (timeoutSeconds, မူလ 60s) သို့မဟုတ် ပြန်ကြားချက် queue ကို ပိတ်ဆို့နိုင်ပါသည်။