Cómo configurar notas de voz y audio en OpenClaw

Recibir notas de voz cuando estás en una reunión o en un lugar ruidoso es un problema común. No puedes escucharlas, pero necesitas saber qué dicen para responder o ejecutar un comando.

OpenClaw soluciona esto procesando el audio automáticamente. Transforma los archivos de voz en texto para que puedas leer el contenido de inmediato y permite que los comandos de tipo slash funcionen directamente desde la transcripción.

Requisitos previos

• Una instancia activa de OpenClaw.
• Credenciales de un provider (OpenAI, Groq, Deepgram o Google) o herramientas CLI instaladas localmente.

Inicio rápido

Si no configuras nada, OpenClaw intentará auto-detectar herramientas en tu sistema. Para un control total, te recomiendo definir un provider con un fallback local. Aquí tienes la ruta más rápida de 5 minutos:

1. Abre tu archivo de configuración.
2. Añade el bloque tools.media.audio.
3. Define tus modelos de transcripción.

Este ejemplo usa OpenAI como opción principal y Whisper CLI como respaldo:

{
  tools: {
    media: {
      audio: {
        enabled: true,
        maxBytes: 20971520, // 20MB
        models: [
          { provider: "openai", model: "gpt-4o-mini-transcribe" },
          {
            type: "cli",
            command: "whisper",
            args: ["--model", "base", "{{MediaPath}}"],
            timeoutSeconds: 45,
          },
        ],
      },
    },
  },
}

Cómo funciona la detección automática

Si prefieres no configurar modelos manualmente, OpenClaw busca opciones en este orden:

1. Local CLIs: Busca sherpa-onnx-offline, whisper-cli o el whisper original de Python en tu PATH.
2. Gemini CLI: Utiliza gemini con la función read_many_files.
3. Provider keys: Intenta usar las llaves configuradas en el orden OpenAI, Groq, Deepgram y finalmente Google.
4. Configuración manual: Si nada de lo anterior funciona, deberás especificar los modelos en tools.media.audio.models.

Notas y límites

• Tamaño de archivos: El límite por defecto es de 20MB. Si un audio supera este tamaño, OpenClaw saltará al siguiente modelo en la lista.
• Variables: El texto transcrito se guarda en {{Transcript}}, que puedes usar en tus plantillas.
• Comandos: Si la transcripción tiene éxito, puedes usar comandos como /resumir directamente en la nota de voz.
• Timeouts: El tiempo de espera por defecto es de 60 segundos para evitar bloquear la cola de respuestas.

Solución de problemas

• El audio se ignora en grupos: Revisa las reglas de scope. Por defecto, puedes tener reglas que deniegan el procesamiento en chatType: "group".
• Error de CLI: Asegúrate de que tu herramienta (como Whisper) esté en el PATH del sistema y que devuelva texto plano en lugar de JSON.
• Audio demasiado pesado: Si recibes errores de tamaño, aumenta maxBytes o usa un modelo que soporte archivos más grandes.
• Transcripción incompleta: Si el texto se corta, verifica si tienes configurado un maxChars restrictivo en la configuración del modelo.

¿Necesitas ayuda específica con tu configuración? Prueba el AI Setup Assistant.

Próximos pasos

• Configuración de Deepgram para audio
• Uso de variables en plantillas