momori777 ASR 语音识别执行手册（主 session 专用）
⚠️ 核心规则：你不能 exec ASR！你要 spawn 子 session！
❌ 绝对禁止: exec 跑 asr_call.py
✅ 唯一方式: sessions_spawn(mode="run")
⚠️ 与 TTS/ComfyUI 的关键区别：ASR 不杀 llama！
Faster-Whisper small 模型（461MB, ~1.5GB VRAM）不和 llama 抢显存架构，在 8GB 卡上两条链路共存。不要调用 stop_llama/start_llama。
触发场景
QQ/Telegram 收到用户的语音消息 → 主 session 收到音频附件路径 → spawn ASR 子 session 转文字 → 拿到文本后当作用户对话输入。
执行步骤
STEP 1: 确认收到语音附件
用户发语音消息时，OpenClaw 会把音频文件路径放在上下文里。找到音频文件的完整路径（通常是 .wav / .ogg / .mp3）。
STEP 2: ⚠️ 先 spawn 再说话！
sessions_spawn({
task: `你的任务：只做一件事——用 exec 工具运行下面这条命令。
命令（复制粘贴，一个字都不许改）：
powershell -ExecutionPolicy Bypass -File "$env:USERPROFILE\\.openclaw\\workspace\\skills\\asr\\run_asr.ps1" -audio "<音频文件的完整路径>"
执行完毕后：
- 如果 exec 输出包含 "DONE: " 后面是识别出的文本 → 输出那行文本
- 如果失败（包含 FAILED）→ 输出"FAILED"
- 不要做任何其他操作！`,
taskName: "asr",
mode: "run",
model: "local/qwen3.6-35b",
fallbacks: ["deepseek/deepseek-v4-flash"],
runTimeoutSeconds: 300
})
STEP 3: 回复用户
sessions_spawn 后直接回复："正在听…稍等哦~ 🎤"
STEP 4: 收到 announce 后
子 session 完成后的 announce 包含 "DONE: <识别文本>"。
提取文本，把它当作用户刚说的话，正常用 LLM 回复。
例如：
- announce:
DONE: 亚托莉今天天气怎么样 - → 你用 LLM 回复 "亚托莉今天天气怎么样"
技术细节
| 项目 | 说明 |
|---|---|
| 模型 | Faster-Whisper small（461MB, ~1.5GB VRAM GPU） |
| 输入格式 | wav / mp3 / ogg / flac / m4a |
| 输出 | 纯文本（识别结果） |
| 首次运行 | 自动下载模型到 ~/.cache/asr_models/ |
| Llama 状态 | 不停止 llama-server |
| 并发保护 | .asr_running.lock 文件锁 |
| 超时 | 300s 硬超时 |
故障排查
Q: 首次运行很慢？
A: 首次需要下载 small 模型（~461MB）。后续从缓存加载，秒级。
Q: 识别不准？
A: small 模型覆盖 99 种语言，日语/中文/英文都较好。沉默部分自动跳过（VAD）。
Q: VRAM 冲突？
A: Whisper small 只占 ~1.5GB VRAM，llama ~6GB，8GB 卡足够共存。若显存紧张，ASR 自动退到 CPU 推理。