OpenClaw で音声メッセージとボイスメモを処理する方法

ボイスメモや音声メッセージを受け取ったとき、わざわざ再生して内容を確認するのは手間がかかるものです。特に移動中や静かな場所にいるときは、音声の内容をすぐにテキストで把握できれば、そのまま返信したりコマンドを実行したりできて便利です。

OpenClaw の音声処理機能を使えば、送られてきた音声ファイルを自動的に文字起こしして、通常のテキストメッセージと同じように扱うことができます。

必要なもの

• OpenClaw の基本セットアップ
• 音声ファイルを処理するための API キー（OpenAI, Groq, Deepgram, Google など）
• または、ローカルで動作する CLI ツール（whisper, sherpa-onnx-offline など）

クイックスタート

OpenClaw は、特別な設定をしなくても利用可能なツールを自動で検出して文字起こしを試みます。まずは 5 分でできる最小構成の手順を確認しましょう。

1. 自動検出の確認: tools.media.audio.enabled が false に設定されていないことを確認します。
2. ツールの準備: ローカルに whisper などの CLI をインストールして PATH を通すか、OPENAI_API_KEY などの環境変数を設定します。
3. 音声の送信: ボイスメモを送信すると、OpenClaw が自動で最初の音声アタッチメントを見つけます。
4. 結果の確認: 文字起こしに成功すると、メッセージの Body が [Audio] ブロックに置き換わり、{{Transcript}} 変数に内容が格納されます。

設定例：Provider と CLI のフォールバック

OpenAI の API を優先し、失敗した場合にローカルの Whisper CLI を使用する設定です。

{
  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,
          },
        ],
      },
    },
  },
}

設定例：特定のチャットでのみ有効化

グループチャットでは音声を処理せず、ダイレクトメッセージのみで許可するスコープ設定の例です。

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

設定例：Deepgram を使用する場合

Deepgram を使用して高速に文字起こしを行う設定です。

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

トラブルシューティング

• 音声ファイルが処理されない: デフォルトのサイズ制限は 20MB です。maxBytes を超えているファイルはスキップされます。
• CLI ツールが動かない: 実行ファイルが PATH に含まれているか確認してください。また、CLI は JSON ではなくプレーンテキストを出力する必要があります。
• タイムアウトが発生する: デフォルトのタイムアウトは 60 秒です。長い音声ファイルを処理する場合は timeoutSeconds を調整してください。
• 文字起こしが空になる: CLI の標準出力（stdout）は 5MB に制限されています。出力が長すぎないか確認してください。

設定の詳細やトラブルシューティングで困ったときは、AI Setup Assistant を活用してください。

次のステップ

• Deepgram (audio transcription)
• OpenClaw Configuration Overview