Áudio / Notas de Voz — 2026-01-17¶

O que funciona¶

• Compreensão de mídia (áudio): Se a compreensão de áudio estiver habilitada (ou detectada automaticamente), o OpenClaw: 1. Localiza o primeiro anexo de áudio (caminho local ou URL) e faz o download se necessário. 2. Aplica maxBytes antes de enviar para cada entrada de modelo. 3. Executa a primeira entrada de modelo elegível em ordem (provedor ou CLI). 4. Se falhar ou pular (tamanho/timeout), tenta a próxima entrada. 5. Em caso de sucesso, substitui Body por um bloco [Audio] e define {{Transcript}}.
• Análise de comandos: Quando a transcrição é bem-sucedida, CommandBody/RawBody são definidos como a transcrição para que os comandos de barra continuem funcionando.
• Logs detalhados: Em --verbose, registramos quando a transcrição é executada e quando ela substitui o corpo.

Detecção automática (padrão)¶

Se você não configurar modelos e tools.media.audio.enabled não estiver definido como false, o OpenClaw faz a detecção automática nesta ordem e para na primeira opção que funcionar:

1. CLIs locais (se instaladas) - sherpa-onnx-offline (requer SHERPA_ONNX_MODEL_DIR com encoder/decoder/joiner/tokens) - whisper-cli (de whisper-cpp; usa WHISPER_CPP_MODEL ou o modelo tiny incluído) - whisper (CLI em Python; baixa os modelos automaticamente)
2. Gemini CLI (gemini) usando read_many_files
3. Chaves de provedor (OpenAI → Groq → Deepgram → Google)

Para desativar a detecção automática, defina tools.media.audio.enabled: false. Para personalizar, defina tools.media.audio.models. Nota: A detecção de binários é best-effort em macOS/Linux/Windows; garanta que a CLI esteja em PATH (expandimos ~), ou defina um modelo de CLI explícito com o caminho completo do comando.

Exemplos de configuração¶

Provedor + fallback de CLI (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,
          },
        ],
      },
    },
  },
}

Somente provedor com controle por escopo¶

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

Somente provedor (Deepgram)¶

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

Notas e limites¶

• A autenticação do provedor segue a ordem padrão de autenticação do modelo (perfis de autenticação, variáveis de ambiente, models.providers.*.apiKey).
• O Deepgram usa DEEPGRAM_API_KEY quando provider: "deepgram" é utilizado.
• Detalhes de configuração do Deepgram: Deepgram (transcrição de áudio).
• Provedores de áudio podem sobrescrever baseUrl, headers e providerOptions via tools.media.audio.
• O limite de tamanho padrão é 20MB (tools.media.audio.maxBytes). Áudio acima do tamanho é ignorado para aquele modelo e a próxima entrada é tentada.
• O maxChars padrão para áudio é não definido (transcrição completa). Defina tools.media.audio.maxChars ou maxChars por entrada para reduzir a saída.
• O padrão automático da OpenAI é gpt-4o-mini-transcribe; defina model: "gpt-4o-transcribe" para maior precisão.
• Use tools.media.audio.attachments para processar várias notas de voz (mode: "all" + maxAttachments).
• A transcrição fica disponível para templates como {{Transcript}}.
• A saída stdout da CLI é limitada (5MB); mantenha a saída da CLI concisa.

Pegadas¶

• As regras de escopo usam “primeira correspondência vence”. chatType é normalizado para direct, group ou room.
• Garanta que sua CLI finalize com código 0 e imprima texto simples; JSON precisa ser ajustado via jq -r .text.
• Mantenha timeouts razoáveis (timeoutSeconds, padrão 60s) para evitar bloquear a fila de respostas.