トークモード

• ネイティブ macOS/iOS/Android Talk：ネイティブ音声認識、Gateway チャット、talk.speak TTS を使用します。macOS/iOS の Apple Speech 認識ではネットワークサービスが使用される場合があります。Android の動作は、インストールされている音声サービスによって異なります。Node は talk ケイパビリティを公開し、サポートする talk.* コマンドを宣言します。
• iOS Talk（リアルタイム）：webrtc トランスポートを選択するか、トランスポートを省略した OpenAI リアルタイム設定では、クライアント所有の WebRTC を使用します。明示的な gateway-relay、provider-websocket、および OpenAI 以外のリアルタイム設定では、引き続き Gateway 所有のリレーを使用します。非リアルタイム設定では、ネイティブ音声ループを使用します。
• ブラウザー Talk：クライアント所有の webrtc/provider-websocket セッションには talk.client.create を、Gateway 所有の gateway-relay セッションには talk.session.create を使用します。managed-room は Gateway ハンドオフおよびトランシーバールーム用に予約されています。
• Android Talk（リアルタイム）：talk.realtime.mode: "realtime" と talk.realtime.transport: "gateway-relay" でオプトインします。それ以外の場合、Android はネイティブ音声認識、Gateway チャット、talk.speak を引き続き使用します。
• 文字起こし専用クライアント：アシスタントの音声応答を伴わない字幕表示やディクテーションには、talk.session.create({ mode: "transcription", transport: "gateway-relay", brain: "none" })、続いて talk.session.appendAudio、talk.session.cancelTurn、talk.session.close を使用します。単発でアップロードされたボイスメモでは、引き続き メディア理解 の音声パスを使用します。

​

動作（macOS）

• Talk モードが有効な間は、オーバーレイが常時表示されます。
• リスニング → 思考中 → 発話中 のフェーズで遷移します。
• 短い休止（無音時間）があると、現在の文字起こしが送信されます。
• 応答は WebChat に書き込まれます（入力した場合と同様です）。
• 発話による割り込み（デフォルトで有効）：アシスタントの発話中にユーザーが話すと、再生が停止し、次のプロンプト用に割り込みのタイムスタンプが記録されます。

​

応答内の音声ディレクティブ

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

• 空でない最初の行でのみ使用できます。JSON 行は TTS 再生前に削除されます。
• 不明なキーは無視されます。
• once: true は現在の応答にのみ適用されます。これがない場合、その音声が新しい Talk モードのデフォルトになります。

​

設定（~/.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-2.1",
          speakerVoice: "cedar",
        },
      },
      instructions: "Speak warmly and keep answers brief.",
      mode: "realtime",
      transport: "webrtc",
      brain: "agent-consult",
    },
  },
}

​

macOS UI

• メニューバーの切り替え: Talk
• 設定タブ: Talk Mode グループ（音声 ID と割り込みの切り替え）
• オーバーレイ: オーブには共通の Talk 波形が表示されます（iOS、watchOS、Android と共有）。リスニング中はライブのマイクレベルに追従し、発話中は実際の TTS 再生エンベロープに追従し、思考中は静かに明滅します。オーブをクリックすると一時停止または再開し、ダブルクリックすると発話を停止し、X をクリックすると Talk モードを終了します。

​

Android UI

• Android のメインナビゲーションは Home、Chat、Settings です。音声入力は 独立した Voice タブではなく、Chat のコンポーザーにあります。
• デバイス上での音声入力にはコンポーザーのマイクをタップします。長押しすると ボイスメモの添付ファイルを録音します。継続的な Talk は Talk 波形から開始します。
• 音声入力、ボイスメモ録音、Talk は相互排他的なマイク パスです。いずれかを開始すると、ほかは停止またはブロックされます。
• リアルタイム Talk では、接続済みの Bluetooth Classic または BLE ヘッドセットの マイクが優先されます。切断された場合、アプリは別のヘッドセット入力を要求するか、 デフォルトのマイクにフォールバックし、キャプチャが停止すると デフォルトの設定を復元します。
• アプリがフォアグラウンドから離れるか、ユーザーが Chat から離れると、 音声入力とボイスメモ録音は停止します。
• Talk Mode は、オフに切り替えられるか Node が切断されるまで実行を継続し、アクティブな間は Android のマイク用フォアグラウンドサービスタイプを使用します。
• Android は、低遅延の AudioTrack ストリーミング向けに pcm_16000、pcm_22050、pcm_24000、pcm_44100 の出力形式をサポートします。

​

注記

• 音声認識とマイクの権限が必要です。
• ネイティブ Talk はアクティブな Gateway セッションを使用し、応答イベントが利用できない場合にのみ履歴ポーリングへフォールバックします。
• Gateway は、アクティブな Talk プロバイダーを使用し、talk.speak を通じて Talk の再生を解決します。Android は、その RPC が利用できない場合にのみローカルシステム TTS へフォールバックします。
• macOS のローカル MLX 再生では、同梱の openclaw-mlx-tts ヘルパーが存在する場合はそれを使用し、存在しない場合は PATH 上の実行可能ファイルを使用します。開発中にカスタムヘルパーバイナリを指定するには OPENCLAW_MLX_TTS_BIN を設定します。
• 音声ディレクティブの値範囲（ElevenLabs）: stability、similarity、style は 0..1 を受け入れ、speed は 0.5..2 を受け入れ、latency_tier は 0..4 を受け入れます。

​

関連項目

• 音声ウェイク
• 音声とボイスメモ
• メディア理解