Talk Mode

Talk Mode 啟用連續語音對話，系統聆聽語音、將逐字稿傳送至模型，並透過文字轉語音播放回應。

核心功能

Talk Mode 以三階段迴圈運作：聆聽語音 → 將逐字稿傳送至模型（main session，chat.send） → 等待回應 → 透過 ElevenLabs 播放回應（串流播放）。

macOS 行為

• 啟用時顯示常駐疊加層
• 視覺階段指示器（Listening/Thinking/Speaking）
• 在短暫停頓（靜音窗口）後自動傳送
• 回應會出現在 WebChat 中
• 預設的 interrupt-on-speech 會在使用者說話時中斷播放

語音指令

回應可以一行 JSON 開頭來控制語音設定。系統支援的 key 包括：

• voice / voice_id / voiceId：語音 ID
• model / model_id / modelId：模型 ID
• speed：語速
• stability：穩定度
• latency_tier：延遲等級
• once: true：僅對當前回應套用設定；否則設定會成為新的預設值

未知的 key 會被忽略，JSON 行在播放前會被移除。

設定

設定位於 ~/.openclaw/openclaw.json：

{
  talk: {
    voiceId: "<elevenlabs-voice-id>",       // 預設：環境變數或第一個可用的 ElevenLabs 語音
    modelId: "eleven_v3",                    // 預設：eleven_v3
    outputFormat: "pcm_22050",               // 因平台而異（大多數使用 PCM，MP3 為選用）
    apiKey: "<elevenlabs-api-key>",
    interruptOnSpeech: true,                 // 預設：true
  },
}

macOS UI 元素

• 選單列切換和 Config 分頁用於 Talk Mode
• 疊加層含視覺狀態和互動控制（點擊可停止/退出）

技術需求

• 需要 Speech 和 Microphone 權限
• 使用 ElevenLabs streaming API，透過增量播放降低延遲
• 跨平台支援多種輸出格式（macOS、iOS、Android）