Talk 模式

Talk 模式有两种运行时形态：

• 原生 macOS/iOS/Android Talk 使用本地语音识别、Gateway 网关聊天和 talk.speak TTS。节点会通告 talk 能力，并声明它们支持的 talk.* 命令。
• 浏览器 Talk 使用 talk.client.create 创建由客户端拥有的 webrtc 和 provider-websocket 会话，或使用 talk.session.create 创建由 Gateway 网关拥有的 gateway-relay 会话。managed-room 保留用于 Gateway 网关交接和对讲房间。
• 仅转写客户端使用 talk.session.create({ mode: "transcription", transport: "gateway-relay", brain: "none" })，然后在需要字幕或听写且不需要助手语音回复时使用 talk.session.appendAudio、talk.session.cancelTurn 和 talk.session.close。

原生 Talk 是一个连续的语音对话循环：

1. 监听语音
2. 通过活动会话将转写文本发送给模型
3. 等待回复
4. 通过配置的 Talk 提供商（talk.speak）朗读回复

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。

仅转写 Talk 会发出与实时和 STT/TTS 会话相同的通用 Talk 事件信封，但使用 mode: "transcription" 和 brain: "none"。它用于字幕、听写和仅观察式语音采集；一次性上传的语音留言仍然使用媒体/音频路径。

# 行为（macOS）

• 启用 Talk 模式时显示始终置顶叠层。
• 监听 → 思考 → 朗读阶段转换。
• 在短暂停顿（静音窗口）后，会发送当前转写文本。
• 回复会写入 WebChat（与输入相同）。
• 说话时打断（默认开启）：如果用户在助手朗读时开始说话，我们会停止播放，并记录打断时间戳供下一次提示使用。

# 回复中的语音指令

助手可以在回复前加上单个 JSON 行来控制语音：

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

规则：

• 仅限第一个非空行。
• 未知键会被忽略。
• once: true 仅应用于当前回复。
• 如果没有 once，该语音会成为 Talk 模式的新默认语音。
• JSON 行会在 TTS 播放前被移除。

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）

{
  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",
          voice: "alloy",
        },
      },
      mode: "realtime",
      transport: "webrtc",
      brain: "agent-consult",
    },
  },
}

默认值：

• interruptOnSpeech：true
• silenceTimeoutMs：未设置时，Talk 会在发送转写文本前保留平台默认停顿窗口（macOS 和 Android 上为 700 ms，iOS 上为 900 ms）
• provider：选择活动的 Talk 提供商。对 macOS 本地播放路径使用 elevenlabs、mlx 或 system。
• providers.<provider>.voiceId：ElevenLabs 会回退到 ELEVENLABS_VOICE_ID / SAG_VOICE_ID（或在 API key 可用时使用第一个 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（或可用时使用 Gateway 网关 shell profile）。
• realtime.provider：选择活动的浏览器/服务器实时语音提供商。WebRTC 使用 openai，提供商 WebSocket 使用 google，或通过 Gateway 网关 relay 使用仅桥接提供商。
• realtime.providers.<provider> 存储由提供商拥有的实时配置。浏览器只会接收临时或受约束的会话凭据，绝不会接收标准 API key。
• realtime.brain：agent-consult 通过 Gateway 网关策略路由实时工具调用；direct-tools 是仅所有者使用的兼容行为；none 用于转写或外部编排。
• talk.catalog 暴露每个提供商的有效模式、传输协议、brain 策略、实时音频格式和能力标志，以便第一方 Talk 客户端避免不受支持的组合。
• 流式转写提供商通过 talk.catalog.transcription 发现。在添加专用 Talk 转写配置界面之前，当前 Gateway 网关 relay 使用 Voice Call 流式提供商配置。
• speechLocale：可选的 BCP 47 语言区域 ID，用于 iOS/macOS 上的设备端 Talk 语音识别。留空则使用设备默认值。
• outputFormat：macOS/iOS 上默认为 pcm_44100，Android 上默认为 pcm_24000（设置 mp3_* 可强制 MP3 流式传输）

# macOS 界面

• 菜单栏开关：Talk
• 配置标签页：Talk 模式组（语音 ID + 打断开关）
• 叠层：
  • 监听：云朵随麦克风电平脉动
  • 思考：下沉动画
  • 朗读：向外扩散的圆环
  • 点击云朵：停止朗读
  • 点击 X：退出 Talk 模式

# Android 界面

• 语音标签页开关：Talk
• 手动 Mic 和 Talk 是互斥的运行时采集模式。
• 当应用离开前台或用户离开语音标签页时，手动 Mic 会停止。
• Talk 模式会持续运行，直到被关闭或 Android 节点断开连接，并在活动期间使用 Android 的麦克风前台服务类型。

# 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轮询。
• 浏览器实时 Talk 对 openclaw_agent_consult 使用 talk.client.toolCall，而不是向由提供商拥有的浏览器会话暴露 chat.send。
• 仅转写 Talk 使用 talk.session.create、talk.session.appendAudio、talk.session.cancelTurn 和 talk.session.close；客户端订阅 talk.event 来接收部分/最终转写更新。
• Gateway 网关使用活动 Talk 提供商通过 talk.speak 解析 Talk 播放。Android 仅在该 RPC 不可用时回退到本地系统 TTS。
• macOS 本地 MLX 播放会在存在时使用内置的 openclaw-mlx-tts helper，或使用 PATH 上的可执行文件。开发期间可设置 OPENCLAW_MLX_TTS_BIN 指向自定义 helper 二进制文件。
• eleven_v3 的 stability 会被校验为 0.0、0.5 或 1.0；其他模型接受 0..1。
• 设置 latency_tier 时会校验为 0..4。
• Android 支持 pcm_16000、pcm_22050、pcm_24000 和 pcm_44100 输出格式，用于低延迟 AudioTrack 流式传输。

# 相关内容

• 语音唤醒
• 音频和语音留言
• 媒体理解