Przejdź do głównej treści

​
Tryb rozmowy

Tryb rozmowy to ciągła pętla rozmowy głosowej:
  1. Nasłuchuj mowy
  2. Wyślij transkrypt do modelu (sesja główna, chat.send)
  3. Poczekaj na odpowiedź
  4. Odtwórz ją przez skonfigurowanego dostawcę trybu rozmowy (talk.speak)

​
Zachowanie (macOS)

  • Zawsze aktywna nakładka podczas włączonego trybu rozmowy.
  • Przejścia faz Listening → Thinking → Speaking.
  • Przy krótkiej pauzie (okno ciszy) bieżący transkrypt jest wysyłany.
  • Odpowiedzi są zapisywane do WebChat (tak samo jak przy wpisywaniu).
  • Przerwanie przez mowę (domyślnie włączone): jeśli użytkownik zacznie mówić, gdy asystent mówi, zatrzymujemy odtwarzanie i zapisujemy znacznik czasu przerwania do następnego promptu.

​
Dyrektywy głosowe w odpowiedziach

Asystent może poprzedzić odpowiedź pojedynczą linią JSON, aby sterować głosem: 
{ "voice": "<voice-id>", "once": true }
Zasady:
  • Tylko pierwsza niepusta linia.
  • Nieznane klucze są ignorowane.
  • once: true dotyczy tylko bieżącej odpowiedzi.
  • Bez once głos staje się nowym domyślnym głosem trybu rozmowy.
  • Linia JSON jest usuwana przed odtworzeniem TTS.
Obsługiwane klucze:
  • voice / voice_id / voiceId
  • model / model_id / modelId
  • speed, rate (WPM), stability, similarity, style, speakerBoost
  • seed, normalize, lang, output_format, latency_tier
  • once

​
Konfiguracja (~/.openclaw/openclaw.json)

{
  talk: {
    voiceId: "elevenlabs_voice_id",
    modelId: "eleven_v3",
    outputFormat: "mp3_44100_128",
    apiKey: "elevenlabs_api_key",
    silenceTimeoutMs: 1500,
    interruptOnSpeech: true,
  },
}
Ustawienia domyślne:
  • interruptOnSpeech: true
  • silenceTimeoutMs: gdy nie jest ustawione, tryb rozmowy zachowuje domyślne dla platformy okno pauzy przed wysłaniem transkryptu (700 ms na macOS i Android, 900 ms na iOS)
  • voiceId: wraca do ELEVENLABS_VOICE_ID / SAG_VOICE_ID (albo do pierwszego głosu ElevenLabs, gdy dostępny jest klucz API)
  • modelId: domyślnie eleven_v3, gdy nie jest ustawione
  • apiKey: wraca do ELEVENLABS_API_KEY (albo do profilu powłoki gateway, jeśli jest dostępny)
  • outputFormat: domyślnie pcm_44100 na macOS/iOS oraz pcm_24000 na Androidzie (ustaw mp3_*, aby wymusić strumieniowanie MP3)

​
UI macOS

  • Przełącznik w pasku menu: Talk
  • Karta konfiguracji: grupa Talk Mode (voice id + przełącznik przerwania)
  • Nakładka:
    • Listening: pulsująca chmura z poziomem mikrofonu
    • Thinking: opadająca animacja
    • Speaking: promieniujące kręgi
    • Kliknięcie chmury: zatrzymuje mówienie
    • Kliknięcie X: wychodzi z trybu rozmowy

​
Uwagi

  • Wymaga uprawnień do mowy i mikrofonu.
  • Używa chat.send względem klucza sesji main.
  • Gateway rozwiązuje odtwarzanie trybu rozmowy przez talk.speak z użyciem aktywnego dostawcy trybu rozmowy. Android przechodzi awaryjnie na lokalny systemowy TTS tylko wtedy, gdy ten RPC jest niedostępny.
  • stability dla eleven_v3 jest walidowane do 0.0, 0.5 lub 1.0; inne modele akceptują 0..1.
  • latency_tier jest walidowane do 0..4, gdy jest ustawione.
  • Android obsługuje formaty wyjściowe pcm_16000, pcm_22050, pcm_24000 i pcm_44100 dla niskolatencyjnego strumieniowania AudioTrack.