VoiceLens

voicelens 音频转写 / 语音输入 (deutsche Übersetzung)

voicelens Audio-Transkription / Spracheingabe

Auslösebedingungen

• Der Benutzer gibt einen Pfad oder eine URL zu einer Audiodatei an und fordert "Transkription / Diktat / Sprache-zu-Text / Audio-Inhalt extrahieren" an.
• Der Benutzer fragt, wie die ASR-Engine von voicelens konfiguriert wird (OpenAI-kompatibler Endpunkt / Groq / whisper.cpp).
• (Nur DSH) Der Benutzer spricht über die Mikrofontaste im Eingabefeld – dieser Pfad wird automatisch vom Client-Plugin ausgeführt, kein Eingreifen dieses Skills erforderlich.

Kernregel

Wenn ein Audio vorliegt, das aktuelle Modell es jedoch nicht "hören" kann, nicht selbst ffmpeg/OCR/Transkriptions-Skripte schreiben; zuerst transkribieren und das zurückgegebene text-Feld als Beleg referenzieren.

Ausführung (nach Host-Erkennung)

1. DeepSeek Harness (mit transcribe_audio-Tool) → Tool direkt aufrufen, path oder url übergeben.
2. Andere Hosts (Claude Code / Codex / Pi / OpenClaw / OpenCode …) → CLI ausführen:

   voicelens transcribe <datei-oder-url> [--lang zh] [--provider groq]
   

   Ausgabe JSON: { "text", "language", "provider" }, text als Beleg referenzieren.
3. Diagnose (beliebiger Host):

   voicelens doctor
   

Konfiguration (vom Agenten für den Benutzer auszuführen)

Konfigurationshierarchie: Umgebungsvariable VOICELENS_* > ~/.voicelens/config.json > integrierte Standardwerte.

Variante A: Groq (kostenloses Kontingent, empfohlen)

VOICELENS_PROVIDER=groq
VOICELENS_GROQ_API_KEY=<gsk_...>

Variante B: OpenAI-kompatibler Endpunkt (beliebiges Whisper-Gateway)

VOICELENS_PROVIDER=openai
VOICELENS_OPENAI_API_KEY=<key>
VOICELENS_OPENAI_BASE_URL=https://api.openai.com/v1
VOICELENS_OPENAI_MODEL=whisper-1

Variante C: Lokales whisper.cpp (kein Key nötig)

VOICELENS_PROVIDER=whisper-local
VOICELENS_WHISPER_CPP=/pfad/zu/whisper.cpp/build/bin/main
VOICELENS_WHISPER_MODEL=/pfad/zu/ggml-base.bin

Oder in ~/.voicelens/config.json schreiben:

{ "provider": "groq", "groqApiKey": "gsk_..." }

Ausgabe-Vertrag

{ text, language?, provider } – Die Transkription auf Modellebene folgt immer dieser Form (Tool und CLI konsistent).

Bekannte Grenzen

• DSH hat derzeit keine Audio-Message-Pipeline (attachments nur Bilder, ModelModality nur text|image); daher erfolgt die Spracheingabe im DSH-Client über die Mikrofontaste; die Transkription auf Modellebene läuft über diesen Skill/das Tool.
• Die DSH-Mikrofontaste verwendet Chrome/Edge's SpeechRecognition (keine Konfiguration); für andere Browser wird ein Wechsel empfohlen.