Modo de charla

Modo de charla

El modo de charla es un bucle continuo de conversación por voz:

1. Escuchar el habla
2. Enviar la transcripción al modelo (sesión principal, chat.send)
3. Esperar la respuesta
4. Reproducirla mediante ElevenLabs (reproducción en streaming)

Comportamiento (macOS)

• Superposición siempre activa mientras el modo de charla está habilitado.
• Transiciones de fase Escuchar → Pensar → Hablar.
• En una pausa corta (ventana de silencio), se envía la transcripción actual.
• Las respuestas se escriben en WebChat (igual que al escribir).
• Interrumpir al hablar (activado por defecto): si el usuario empieza a hablar mientras el asistente está hablando, detenemos la reproducción y anotamos la marca de tiempo de la interrupción para el siguiente mensaje.

Directivas de voz en las respuestas

El asistente puede prefijar su respuesta con una única línea JSON para controlar la voz:

{ "voice": "<voice-id>", "once": true }

Reglas:

• Solo la primera línea no vacía.
• Las claves desconocidas se ignoran.
• once: true se aplica solo a la respuesta actual.
• Sin once, la voz se convierte en la nueva predeterminada para el modo de charla.
• La línea JSON se elimina antes de la reproducción TTS.

Claves compatibles:

• voice / voice_id / voiceId
• model / model_id / modelId
• speed, rate (PPM), stability, similarity, style, speakerBoost
• seed, normalize, lang, output_format, latency_tier
• once

Configuración (~/.openclaw/openclaw.json)

{
  talk: {
    voiceId: "elevenlabs_voice_id",
    modelId: "eleven_v3",
    outputFormat: "mp3_44100_128",
    apiKey: "elevenlabs_api_key",
    silenceTimeoutMs: 1500,
    interruptOnSpeech: true,
  },
}

Valores predeterminados:

• interruptOnSpeech: true
• silenceTimeoutMs: cuando no está configurado, Talk mantiene la ventana de pausa predeterminada de la plataforma antes de enviar la transcripción (700 ms on macOS and Android, 900 ms on iOS)
• voiceId: recurre a ELEVENLABS_VOICE_ID / SAG_VOICE_ID (o a la primera voz de ElevenLabs cuando la clave API está disponible)
• modelId: por defecto es eleven_v3 si no está establecido
• apiKey: recurre a ELEVENLABS_API_KEY (o al perfil de shell de la puerta de enlace si está disponible)
• outputFormat: por defecto es pcm_44100 en macOS/iOS y pcm_24000 en Android (establezca mp3_* para forzar el streaming MP3)

Interfaz de usuario de macOS

• Interruptor de la barra de menús: Hablar
• Pestaña Config: grupo Modo Hablar (id. de voz + interruptor de interrupción)
• Superposición:
  • Escuchando: la nube pulsa con el nivel del micrófono
  • Pensando: animación de hundimiento
  • Hablando: anillos radiantes
  • Clic en la nube: detener habla
  • Clic en X: salir del modo Hablar

Notas

• Requiere permisos de Voz + Micrófono.
• Usa chat.send contra la clave de sesión main.
• El TTS usa la API de streaming de ElevenLabs con ELEVENLABS_API_KEY y reproducción incremental en macOS/iOS/Android para menor latencia.
• stability para eleven_v3 se valida como 0.0, 0.5 o 1.0; otros modelos aceptan 0..1.
• latency_tier se valida como 0..4 cuando se establece.
• Android admite formatos de salida pcm_16000, pcm_22050, pcm_24000 y pcm_44100 para streaming AudioTrack de baja latencia.