本地部署 ClawdBot 与 MoltBot 实现会议录音转写及双语纪要生成
1. 为什么选择本地化 AI 会议秘书
开完一场两小时的跨部门会议，散会后往往不是休息，而是面对满屏的波形图发呆。市面上的语音转文字工具要么依赖云端上传、隐私无保障，要么环境配置复杂、报错频发。更别提翻译了，中英双语纪要通常需要转写、粘贴、对齐时间戳，耗时耗力。
ClawdBot 并非需要注册账号或绑定 API 密钥的 SaaS 工具，而是一个完全运行在本地设备上的个人 AI 助手。无论是 MacBook、Windows 台式机还是树莓派，都能成为它的主场。它不调用远程大模型 API，所有推理均在本地硬件完成，背后依托轻量高效的 vLLM 推理引擎。这意味着你的声音不会离开电脑，敏感信息全程不触网，响应毫秒级，且关机即清空数据。
本次实战将展示 ClawdBot 与另一款开源工具 MoltBot 协同完成的工作流：一段英文技术会议录音，自动完成本地语音转写，实时生成中英双语纪要，按议题分段并加粗关键结论，最终导出为 Markdown 文档。整个过程从导入音频到拿到摘要不到 90 秒，且无一次外网请求。
2. 工具架构：MoltBot 与 ClawdBot 的互补
2.1 MoltBot：全能本地翻译中枢
MoltBot 的核心优势在于'感知层'能力的全部本地化：
- 听语音：使用 Whisper tiny（仅 39MB），CPU 上单条音频转写延迟小于 1.2 秒。
- 看图片：调用 PaddleOCR 轻量版，支持多语言识别。
- 翻译：默认双引擎并行，LibreTranslate 离线 + Google Translate 备选，返回置信度最高版本。
其设计哲学是零配置。官方提供的 docker-compose.yml 已预置好最小可行镜像，总大小约 300MB。在一台 4GB 内存的旧笔记本上，一条命令即可启动服务。
curl -fsSL https://raw.githubusercontent.com/moltbot/moltbot/main/docker-compose.yml -o docker-compose.yml && docker compose up -d
2.2 分工明确：感官输入与认知处理
两者并非竞品，而是搭档关系：
- MoltBot 是感官输入层：专注将非结构化信息（语音、图片）转化为结构化文本。
- ClawdBot 是认知处理层：对文本进行摘要、分段、推理、格式化及多语言润色。
它们通过本地文件系统或 Unix Socket 直连，不经过网络协议栈。这种组合能在资源受限的设备上稳定服务，因为没有云服务的弹性伸缩压力，只有设备本身的算力边界。
3. 真实工作流拆解
以下操作基于 macOS Ventura 13.6 + Apple M2 Pro 环境，Windows/Linux 用户路径略有差异但逻辑一致。
3.1 环境就绪
首先确认 MoltBot 状态，终端执行健康检查：
curl http://localhost:8001/health
# 预期返回：{"status":"ok","whisper":"ready",...}
接着启动 ClawdBot 并加载自定义模型。我们选用更适合会议场景理解的 Phi-3-mini-128k-instruct（2.2GB，M2 上推理速度比 Qwen3 快 40%）。修改 /app/clawdbot.json 中的模型配置段：
"models": {
"mode": "merge",
"providers": {
"vllm": {
"baseUrl": "http://localhost:8000/v1",
"apiKey": "sk-local",
"api": "openai-responses",
"models": [
{ "id": "Phi-3-mini-128k-instruct", "name": "Phi-3-mini-128k-instruct" }
]
}
}
}
保存后重启服务，执行 clawdbot models list 确认模型已加载。最后将录制好的 meeting_20250412.mp3 拖入 Web 界面或使用 CLI 上传：
clawdbot upload --file meeting_20250412.mp3 --type audio
3.2 核心处理：全链路流水线
在界面点击 Run Workflow，选择预设模板 audio-to-bilingual-notes，或直接执行终端命令：
clawdbot run workflow \
--input "/workspace/audio/meeting_20250412_7a2f.mp3" \
--template "audio-to-bilingual-notes" \
--param "target_lang=zh,en" \
--param "summary_level=detailed" \
--param "include_timestamps=true"
这条命令背后的执行逻辑如下：
| 步骤 | 执行者 | 动作 | 耗时 |
|---|---|---|---|
| 1. 音频切片 | ClawdBot | 按静音段切分为片段，防止 OOM | 0.8s |
| 2. 并行转写 | MoltBot | 提交至 Whisper tiny，返回带时间戳文本 | 22.3s |
| 3. 文本清洗 | ClawdBot | 去除填充词，修复断句 | 1.2s |
| 4. 多轮摘要 | ClawdBot + Phi-3 | 分议题三次摘要，保留关键结论 | 14.7s |
| 5. 双语对齐 | ClawdBot + MoltBot | 段落严格对齐，中文优先显示 | 8.5s |
| 6. 格式化输出 | ClawdBot | 插入标题、加粗结论、生成 TOC | 0.9s |
总计耗时约 48.4 秒，远快于传统 SaaS 平台，且能导出带时间戳的原始文本。
3.3 输出效果
生成的 Markdown 文档可直接用于邮件、飞书/钉钉群或 Confluence。每一句中文都能在原始录音中精准定位时间点，无需反复拖拽进度条。
# 2025-04-12 技术方案评审会议纪要
*录音时长：37 分 12 秒｜转写准确率：92.4%*
## 🔹 议题一：服务网格基础设施升级
### English
> *Alex (14:22)*: We'll migrate from Istio 1.18 to Linkerd 2.14 by Q3...
### 中文
> *Alex（14:22）*：我们将在第三季度将服务网格从 Istio 1.18 迁移至 Linkerd 2.14...
**结论**：迁移风险低，收益明确，建议按计划推进。
4. 方案价值与扩展性
这套组合赢在三个'真'：真离线（数据主权在自己手中）、真轻量（显存占用低，风扇几乎不转）、真省心（拖入文件即可生成）。
它不是封闭黑盒，而是开放系统。你可以替换更强的语音模型（如 Whisper base），调整 Prompt 模板，甚至对接企业微信或 Notion。它的学习曲线平缓，今天用它转写会议，明天就能分析周报。
5. 结语
当 AI 真正回归'工具'本质，效率革命才刚刚开始。最高效的助手往往是最安静的那个，不抢话，只在你需要时递上精准信息。如果你厌倦了在隐私、速度、效果之间做妥协，现在就是把这套组合装进工作流的时机。打开终端，敲下那条 docker compose up -d，然后把下一场会议的录音拖进去。真正的生产力，就在你指尖可及之处。