Deepgram 音频转录怎么接

官方现在已经把 Deepgram 单独列为正式 provider，这一点很重要，因为它说明 OpenClaw 里的“语音能不能转成文本”已经不该再和聊天模型混着理解。

对很多中文用户来说，更容易记住的边界是：

• 聊天模型负责回答
• 转录 provider 负责把音频变成文本

Deepgram 在 OpenClaw 里负责什么

根据最新官方 provider 文档，Deepgram 在 OpenClaw 里的职责很明确：

• 处理入站音频或语音消息
• 上传音频文件到 Deepgram
• 把转录结果注入回复流水线

官方文档还特别说明了两点：

• 这里用的是预录音频转录接口
• 不是实时流式转录

所以更适合把它理解成“把一段现成音频转成文本”，而不是打电话那种实时语音栈。

最小配置长什么样

官方文档给出的最小思路很直接：

1. 配 DEEPGRAM_API_KEY
2. 打开 tools.media.audio.enabled
3. 给音频工具指定 provider: "deepgram"

一个更容易理解的最小配置可以写成：

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

为什么它和聊天 provider 不该混起来配

这类问题在中文环境里很常见：

• 聊天已经能用了
• 结果语音消息还是不工作

原因通常就在于聊天 provider 和转录 provider 是两层不同能力。

根据官方现在的 provider 目录，这种分层已经很明确：

• 聊天模型是一层
• image model 可能是一层
• audio transcription 又是一层

所以“主模型能回话”并不等于“语音入口已经完整可用”。

官方当前最值得记住的几个选项

Deepgram provider 文档目前特别提到的可调项包括：

• model
• language
• detect_language

这意味着你可以根据自己的场景决定：

• 直接固定语言
• 给语言提示
• 让它自己检测

如果你处理的是中文、英文或中英混合语音，这几个参数就比想象中更重要。

转录结果在 OpenClaw 里是怎么进入会话的

官方文档当前的说法很清楚：转录结果会被注入到回复流水线里，带上 transcript 信息和音频块上下文。

这件事的意义在于：

• 语音消息不是“黑盒附件”
• 转录文本会进入后续模型处理
• 你后面的 Skill、记忆或自动化都可能基于这段文本继续工作

也正因为如此，转录质量和语言设置会直接影响后续体验。

什么场景特别适合单独配 Deepgram

更适合优先配 Deepgram 的场景通常包括：

• Telegram / WhatsApp 语音消息
• 大量语音备忘
• 音频资料整理
• 想把语音内容继续接进记忆或知识流

如果你站点后面准备继续做语音、知识库或自动整理内容，这条 provider 会比单看聊天模型更关键。

排错时先看什么

如果语音转录没生效，更适合先查这几层：

1. DEEPGRAM_API_KEY 是否可用
2. tools.media.audio.enabled 是否真的开启
3. models 里是否指定了 Deepgram
4. 语言设置是否和实际音频偏差太大

很多时候问题并不在主模型，而在这条独立转录链路。

中文站建议怎么理解这页

如果你在搭语音或记忆场景，更适合把这条线拆开看：

• 想让音频能进系统：先看 Deepgram
• 想让文本被记住：再看 记忆搜索与索引
• 想让回复模型更稳：再看 模型提供商与故障转移

这样会比把所有问题都归到“模型不行”更容易排查。