跳转到内容
OpenClaw Docs

Talk mode

Talk mode 有两种运行时形态：

  • 原生 macOS/iOS/Android Talk 使用本地语音识别、Gateway(网关) 聊天和 macOSiOSAndroidGateway(网关)talk.speak TTS。节点会宣告 talk 能力并声明它们支持的 talk.* 命令。
  • 浏览器 Talk 使用 talk.client.create 来处理客户端拥有的 webrtc 和 provider-websocket 会话，或者使用 talk.session.createGateway(网关) 来处理 Gateway(网关) 拥有的 gateway-relay 会话。managed-roomGateway(网关) 保留用于 Gateway(网关) 交接和对讲机房间。
  • Android Talk 可以选择加入 Gateway(网关) 拥有的实时中继会话，方法是使用 AndroidGateway(网关)talk.realtime.mode: "realtime" 和 talk.realtime.transport: "gateway-relay"Gateway(网关)。否则它将保持使用本地语音识别、Gateway(网关) 聊天和 talk.speak。
  • 仅转录的客户端使用 talk.session.create({ mode: "transcription", transport: "gateway-relay", brain: "none" })，然后是 talk.session.appendAudio、talk.session.cancelTurn 和 talk.session.close，当它们需要字幕或听写而不需要助手语音响应时。

原生 Talk 是一个连续的语音对话循环：

  1. 监听语音
  2. 通过活动会话将转录内容发送到模型
  3. 等待响应
  4. 通过配置的 Talk 提供商 (talk.speak) 进行语音播放

浏览器实时 Talk 通过 talk.client.toolCall 转发提供商工具调用；浏览器客户端不会直接调用 chat.send 进行实时咨询。

仅转录 Talk 发出与实时和 STT/TTS 会话相同的通用 Talk 事件包，但使用 mode: "transcription" 和 brain: "none"。它用于字幕、听写和仅观察的语音捕获；一次性上传的语音笔记仍然使用 media/audio 路径。

行为 (macOS)

Section titled “行为 (macOS)”
  • 启用 Talk 模式时始终显示覆盖层。
  • 倾听 → 思考 → 说话 阶段转换。
  • 在短暂停（静音窗口）时，发送当前的转录内容。
  • 回复被写入 WebChat（与输入相同）。
  • 语音中断（默认开启）：如果用户在助手说话时开始说话，我们会停止播放并记录中断时间戳以供下一次提示使用。

回复中的语音指令

Section titled “回复中的语音指令”

助手可以在其回复前加上单行 JSON 来控制语音：

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

规则：

  • 仅限第一行非空行。
  • 未知的键将被忽略。
  • once: true 仅适用于当前回复。
  • 如果没有 once，该语音将成为 Talk 模式的新默认值。
  • JSON 行会在 TTS 播放之前被剥离。

支持的键：

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

配置 (~/.openclaw/openclaw.json)

Section titled “配置 (~/.openclaw/openclaw.json)”
{
  talk: {
    provider: "elevenlabs",
    providers: {
      elevenlabs: {
        voiceId: "elevenlabs_voice_id",
        modelId: "eleven_v3",
        outputFormat: "mp3_44100_128",
        apiKey: "elevenlabs_api_key",
      },
      mlx: {
        modelId: "mlx-community/Soprano-80M-bf16",
      },
      system: {},
    },
    speechLocale: "ru-RU",
    silenceTimeoutMs: 1500,
    interruptOnSpeech: true,
    realtime: {
      provider: "openai",
      providers: {
        openai: {
          apiKey: "openai_api_key",
          model: "gpt-realtime-2",
          voice: "cedar",
        },
      },
      instructions: "Speak warmly and keep answers brief.",
      mode: "realtime",
      transport: "webrtc",
      brain: "agent-consult",
    },
  },
}

默认值：

  • interruptOnSpeech: true
  • silenceTimeoutMs: 未设置时，Talk 在发送转录文本之前保留平台默认的暂停窗口 (700 ms on macOS and Android, 900 ms on iOS)
  • provider: 选择当前的 Talk 提供商。使用 elevenlabs、mlx 或 systemmacOS 进行 macOS 本地播放。
  • providers.<provider>.voiceId: 对于 ElevenLabs，回退到 ELEVENLABS_VOICE_ID / SAG_VOICE_IDAPI（或当 API 密钥可用时的第一个 ElevenLabs 语音）。
  • providers.elevenlabs.modelId: 未设置时默认为 eleven_v3。
  • providers.mlx.modelId: 未设置时默认为 mlx-community/Soprano-80M-bf16。
  • providers.elevenlabs.apiKey: 回退到 ELEVENLABS_API_KEY（或可用的 Gateway shell 配置文件）。
  • consultThinkingLevelOpenClaw: 用于实时 openclaw_agent_consult 调用背后的完整 OpenClaw 代理运行的可选思考级别覆盖。
  • consultFastMode: 用于实时 openclaw_agent_consult 调用的可选快速模式覆盖。
  • realtime.provider: 选择当前的浏览器/服务器实时语音提供商。使用 openai 进行 WebRTC，使用 googleGateway(网关) 进行提供商 WebSocket，或通过 Gateway 中继使用仅桥接提供商。
  • realtime.providers.<provider> 存储提供商拥有的实时配置。浏览器仅接收临时或受限的会话凭据，绝不会接收标准的 API 密钥。
  • realtime.providers.openai.voice：内置的 OpenAI Realtime 语音 ID。当前的 gpt-realtime-2 语音包括 alloy、ash、ballad、coral、echo、sage、shimmer、verse、marin 和 cedar；推荐使用 marin 和 cedar 以获得最佳质量。
  • realtime.transport：webrtc 和 provider-websocket 是浏览器实时传输方式。仅当此项为 gateway-relay 时，Android 才使用实时中继；否则 Android Talk 将使用其原生的 STT/TTS 循环。
  • realtime.brain：agent-consult 通过 Gateway(网关) 策略路由实时工具调用；direct-tools 是仅限所有者的兼容性行为；none 用于转录或外部编排。
  • realtime.instructions：将面向提供商的系统指令附加到 OpenClaw 的内置实时提示词。用它来调整语音风格和语调；OpenClaw 会保留默认的 openclaw_agent_consult 指导。
  • talk.catalog 公开每个提供商的有效模式、传输、大脑策略、实时音频格式和功能标志，以便第一方 Talk 客户端可以避免使用不支持的组合。
  • 流式转录提供商通过 talk.catalog.transcription 发现。当前的 Gateway(网关) 中继使用语音通话流式提供商配置，直到添加专用的 Talk 转录配置界面。
  • speechLocale：用于 iOS/macOS 上本地 Talk 语音识别的可选 BCP 47 区域设置 ID。如果不设置，则使用设备默认值。
  • outputFormat：在 macOS/iOS 上默认为 pcm_44100，在 Android 上默认为 pcm_24000（设置 mp3_* 以强制 MP3 流式传输）。

macOS UI

Section titled “macOS UI”
  • 菜单栏开关：Talk
  • 配置选项卡：Talk Mode 组（语音 ID + 中断开关）
  • 覆盖层：
    • Listening：云朵随麦克风音量脉动
    • Thinking：下沉动画
    • Speaking：辐射圆环
    • 点击云朵：停止说话
    • 点击 X：退出 Talk 模式

Android UI

Section titled “Android UI”
  • 语音选项卡开关：Talk
  • 手动 Mic 和 Talk 是互斥的运行时捕获模式。
  • 当应用离开前台或用户离开语音选项卡时，手动 Mic 会停止。
  • Talk 模式会一直运行，直到被关闭或 Android 节点断开连接，并且在激活时会使用 Android 的麦克风前台服务类型。

注意事项

Section titled “注意事项”
  • 需要语音 + 麦克风权限。
  • 原生 Talk 使用活动的 Gateway(网关) 会话，并且仅在响应事件不可用时回退到历史记录轮询。
  • 浏览器实时 Talk 使用 talk.client.toolCall 来处理 openclaw_agent_consult，而不是向提供商拥有的浏览器会话暴露 chat.send。
  • 仅转录的 Talk 使用 talk.session.create、talk.session.appendAudio、talk.session.cancelTurn 和 talk.session.close；客户端订阅 talk.event 以获取部分/最终转录更新。
  • 网关使用活动的 Talk 提供商通过 talk.speak 解析 Talk 播放。仅当该 Android 不可用时，RPC 才会回退到本地系统 TTS。
  • macOS 本地 MLX 播放在存在时使用捆绑的 macOSopenclaw-mlx-tts 助手程序，或使用 PATH 上的可执行文件。在开发期间，设置 OPENCLAW_MLX_TTS_BIN 以指向自定义助手二进制文件。
  • eleven_v3 的 stability 被验证为 0.0、0.5 或 1.0；其他模型接受 0..1。
  • 设置 latency_tier 时，其值会被验证为 0..4。
  • Android 支持 Androidpcm_16000、pcm_22050、pcm_24000 和 pcm_44100 输出格式，用于低延迟 AudioTrack 流式传输。

相关

Section titled “相关”