Modo de conversación

• Talk nativo de macOS/iOS/Android: reconocimiento de voz local, chat de Gateway y TTS talk.speak. Los nodos anuncian la capacidad talk y declaran qué comandos talk.* admiten.
• Talk de iOS (realtime): WebRTC propiedad del cliente para configuraciones realtime de OpenAI que seleccionan el transporte webrtc u omiten el transporte. Las configuraciones realtime explícitas de gateway-relay, provider-websocket y que no son de OpenAI permanecen en el relay propiedad de Gateway; las configuraciones no realtime usan el bucle de voz nativo.
• Talk de navegador: talk.client.create para sesiones webrtc/provider-websocket propiedad del cliente, o talk.session.create para sesiones gateway-relay propiedad de Gateway. managed-room está reservado para la entrega a Gateway y salas de walkie-talkie.
• Talk de Android (realtime): actívalo con talk.realtime.mode: "realtime" y talk.realtime.transport: "gateway-relay". De lo contrario, Android permanece en reconocimiento de voz nativo, chat de Gateway y talk.speak.
• Clientes solo de transcripción: talk.session.create({ mode: "transcription", transport: "gateway-relay", brain: "none" }), luego talk.session.appendAudio, talk.session.cancelTurn y talk.session.close para subtítulos/dictado sin una respuesta de voz del asistente. Las notas de voz cargadas de una sola vez siguen usando la ruta de audio de comprensión multimedia.

​

Comportamiento (macOS)

• Superposición siempre activa mientras el modo Talk está habilitado.
• Transiciones de fase Escuchando → Pensando → Hablando.
• 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 de forma predeterminada): si el usuario habla mientras el asistente está hablando, la reproducción se detiene y la marca de tiempo de la interrupción se anota para el siguiente prompt.

​

Directivas de voz en las respuestas

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

• Solo la primera línea no vacía; la línea JSON se elimina antes de la reproducción TTS.
• Las claves desconocidas se ignoran.
• once: true se aplica solo a la respuesta actual; sin ella, la voz pasa a ser el nuevo valor predeterminado del modo Talk.

​

Configuración (~/.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",
          speakerVoice: "cedar",
        },
      },
      instructions: "Speak warmly and keep answers brief.",
      mode: "realtime",
      transport: "webrtc",
      brain: "agent-consult",
    },
  },
}

​

Interfaz de usuario de macOS

• Alternancia en la barra de menús: Talk
• Pestaña Config: grupo Modo Talk (id. de voz + alternancia de interrupción)
• Superposición: Escuchando (la nube pulsa con el nivel del micrófono) → Pensando (animación de hundimiento) → Hablando (anillos radiantes). Haz clic en la nube para dejar de hablar, haz clic en X para salir del modo Talk.

​

Interfaz de Android

• Alternancia en la pestaña Voz: Talk
• Mic manual y Talk son modos de captura mutuamente excluyentes.
• Mic manual y Talk en tiempo real prefieren un micrófono de auriculares Bluetooth Classic o BLE conectados; si se desconecta, la app solicita otra entrada de auriculares o vuelve al micrófono predeterminado, y restaura la preferencia predeterminada una vez que se detiene la captura.
• Mic manual se detiene cuando la app sale del primer plano o el usuario abandona la pestaña Voz.
• El modo Talk sigue ejecutándose hasta que se desactiva o el nodo se desconecta, usando el tipo de servicio en primer plano de micrófono de Android mientras está activo.
• Android admite los formatos de salida pcm_16000, pcm_22050, pcm_24000 y pcm_44100 para streaming de baja latencia con AudioTrack.

​

Notas

• Requiere permisos de voz y micrófono.
• Talk nativo usa la sesión activa de Gateway y solo recurre al sondeo del historial cuando los eventos de respuesta no están disponibles.
• El gateway resuelve la reproducción de Talk mediante talk.speak usando el proveedor de Talk activo. Android solo recurre al TTS del sistema local cuando ese RPC no está disponible.
• La reproducción MLX local de macOS usa el auxiliar openclaw-mlx-tts incluido cuando está presente, o un ejecutable en PATH. Define OPENCLAW_MLX_TTS_BIN para apuntar a un binario auxiliar personalizado durante el desarrollo.
• Rangos de valores de directivas de voz (ElevenLabs): stability, similarity y style aceptan 0..1; speed acepta 0.5..2; latency_tier acepta 0..4.

​

Relacionado

• Activación por voz
• Notas de audio y voz
• Comprensión multimedia