自动化YouTube视频编辑流程：下载 -> 转录（Whisper）-> 分析（GPT-4）-> 高质量封面图（韩文与角色一致性）

接收长视频，进行语音转文字，识别出最适合抖音和Reels的精彩片段，使用ffmpeg剪辑，并添加抖音风格的动态字幕

OpenClaw 的智能 Telegram 回复流程：若用户发送文本，则回复文本；若用户发送语音或音频，则利用本地安装的 mlx_audio（Apple Silicon 默认使用 Qwen3-ASR）进行本地转录，随后以相同语言生成有意义的回复。通过 Telegram 发送包含字幕的语音消息，确保用户收到一条同时包含语音和文字的消息（字幕文本须与语音内容完全一致）。除非用户明确要求其他语言，否则始终遵循输入语言（中文→中文，英文→英文）

安装并使用 speechall 命令行工具进行语音转文本转录。适用于用户需要：（1）将音频或视频文件转录为文本，（2）在 macOS 或 Linux 上安装 speechall，（3）列出可用的语音识别模型及其功能，（4）通过终端使用说话人分离、字幕或其他转录功能。当提及 speechall、音频转录命令行工具或命令行语音转文本时触发。

使用异步工作流管道、流式语音识别、大语言模型代理和语音合成技术构建实时对话式AI语音引擎，支持中断处理和多提供商接入

免费使用 Groq 的 Whisper API 进行语音识别，无需费用即可将语音消息转录为超过 50 种语言的文本，适用于语音转文本自动化、会议转录和无障碍功能，需使用免费的 Groq API 密钥

使用 Vosk 离线语音识别技术将语音消息和音频文件转换为文本。当用户发送语音消息、音频文件或要求将语音转为文本时使用。

使用 Telnyx 语音转文本 API 将音频文件转录为文本。适用于需要将音频录音、语音消息或口语内容转换为文本的场景。

通过 fal.ai API 生成图像、视频和音频（支持 FLUX、SDXL、Whisper 等）