Docker環境のOpenClawにTelegram音声文字起こしとモデル動的切替を設定した

--- title: "Docker環境のOpenClawにTelegram音声文字起こしとモデル動的切替を設定した" created: "2026-01-27" modified: "2026-03-13" status: "published" i18n: lang: "ja" translations: en: "20260127-225424-setup-telegram-voice-transcription-and-dynamic-model-switching.en.md" platforms: wordpress: published: true wp_status: "future" url: "https://wakatchi.dev/openclaw-telegram-voice-transcription" published_date: "2026-03-15T06:00:00+09:00" post_id: 2574 slug: "openclaw-telegram-voice-transcription" category: "infrastructure/docker" tags: ["Telegram", "OpenAI", "Whisper", "AI", "音声文字起こし", "Docker Compose", "Makefile"] seo: meta_description: "Docker ComposeのOpenClawにOpenAI Whisperで音声文字起こしを設定する手順を解説。authプロファイルの2箇所登録やentrypoint.shでの環境変数ブリッジなど、つまづきやすい落とし穴も紹介します。" ---  Docker Compose上で動かしているOpenClawに、Telegramから音声メッセージを送ってみました。 すると「音声を処理できません」という返答が返ってきました。 設定さえすれば動くはずなのに、なぜ？という疑問がきっかけです。 調べてみると、音声文字起こし機能の有効化には単純な設定追加だけでなく、 ツール独自のauthプロファイル管理への登録も必要でした。 あわせてAIモデルの動的切り替え機能も追加したので、その手順をまとめます。 ## こんな人におすすめ - Docker Compose上でTelegramボットを運用している方 - Telegramの音声メッセージをAIに処理させたい方 - コンテナ再起動なしでAIモデルを切り替えたい方 - 「環境変数を設定したのに反映されない」と悩んでいる方 ## 音声処理の流れ 設定後の動作を先に整理しておきます。 ```mermaid sequenceDiagram participant U as ユーザー（Telegram） participant B as OpenClaw participant W as OpenAI Whisper participant AI as AIモデル U->>B: 音声メッセージ（.ogg） B->>W: 音声文字起こしリクエスト W-->>B: テキスト化結果 B->>AI: テキストで質問 AI-->>B: 回答 B-->>U: テキスト返答 ``` ## 目次 - [要件](#要件) - [実装方針](#実装方針) - [1. 音声文字起こし設定](#1-音声文字起こし設定) - [2. OpenAI authプロファイル登録](#2-openai-authプロファイル登録) - [3. AIモデル動的切り替え](#3-aiモデル動的切り替え) - [ポイント](#ポイント) - [学び](#学び) - [まとめ](#まとめ) ## 要件 - Telegramの音声メッセージ（.ogg）をOpenAI Whisper APIで文字起こしする - コンテナ再起動なしでAIモデル（GLM 4.7 / Gemini 3 Flash）を切り替えられるようにする - `make` コマンドで簡単に操作できるようにする ## 実装方針 ### 1. 音声文字起こし設定 設定ファイルの `tools` セクションに `media.audio` を追加します。 ```json "media": { "audio": { "enabled": true, "maxBytes": 20971520, "maxChars": 10000, "timeoutSeconds": 120, "models": [ { "provider": "openai", "model": "gpt-4o-mini-transcribe", "language": "ja" } ] } } ``` ### 2. OpenAI authプロファイル登録 設定ファイルだけでなく、ツール独自のauthプロファイルにもOpenAIを登録する必要がありました。 - 設定ファイルの `auth.profiles` に `openai:default` を追加 - authプロファイル設定ファイルに実際のAPIキーを含むプロファイルを追加 環境変数 `OPENAI_API_KEY` だけでは不十分で、ツール独自のauth管理への登録が必要でした。 ### 3. AIモデル動的切り替え `docker-compose.yml` の環境変数はツールの設定ファイルを直接上書きしません。 CLIの `models set` コマンドで切り替える必要があります。 - `entrypoint.sh` に起動時の自動適用処理を追加 - Makefileに `make model-glm` / `make model-gemini` を追加（再起動不要で即時切り替え） ## ポイント - **authプロファイルは2箇所に登録が必要**: 設定ファイル（参照）とauthプロファイルファイル（実体） - **環境変数はそのままでは反映されない**: `entrypoint.sh` でモデル切替コマンドを呼ぶ必要があります - **セッションロック問題**: コンテナ再起動後に `.lock` ファイルが残ると「session file locked」エラーが発生します。手動で `rm ~/.bot/agents/main/sessions/*.lock` が必要です - **コスト**: `gpt-4o-mini-transcribe` は約$0.006/分、月10回×30秒で約$0.90/月 ## 学び - ツールは環境変数よりも自身の設定ファイルを優先する設計です。Dockerの環境変数で制御するにはentrypointでのブリッジ処理が必要です - 音声文字起こし機能は設定ファイルの追加だけでなく、authプロファイルの登録が不可欠です。エラーログに出ないため原因特定が難しいです - Makefileにモデル切り替えコマンドを用意しておくと運用が楽になります ## まとめ 今回の設定で得られた効果を整理します。 - **音声→テキスト変換が自動化**: Telegramから音声メッセージを送るだけで、AIが内容を理解して回答できるようになりました - **コスト予測が立てやすい**: `gpt-4o-mini-transcribe` は約$0.006/分と低コストで、月$1未満の運用が現実的です - **モデル切り替えが簡単に**: `make model-gemini` 一発でコンテナ再起動なしに切り替えられるようになりました 特に「環境変数を設定したのに反映されない」という問題は、ツール独自の設定管理の仕組みを理解することで解決できました。 同じような構成でBotを運用している方の参考になれば幸いです。

sequenceDiagram
    participant U as ユーザー（Telegram）
    participant B as OpenClaw
    participant W as OpenAI Whisper
    participant AI as AIモデル

    U->>B: 音声メッセージ（.ogg）
    B->>W: 音声文字起こしリクエスト
    W-->>B: テキスト化結果
    B->>AI: テキストで質問
    AI-->>B: 回答
    B-->>U: テキスト返答

"media": {
  "audio": {
    "enabled": true,
    "maxBytes": 20971520,
    "maxChars": 10000,
    "timeoutSeconds": 120,
    "models": [
      {
        "provider": "openai",
        "model": "gpt-4o-mini-transcribe",
        "language": "ja"
      }
    ]
  }
}