VoxClaw:给 AI 助手装上嘴巴,让它开口说话

你那个跑在服务器上的 AI 助手，其实也可以”开口说话”？不是那种冷冰冰的文本回复，而是真真切切地——读出来给你听。

今天要介绍的这款开源工具叫 VoxClaw，作者是 malpern。它是一个 macOS 菜单栏应用 + CLI 工具，专门解决一个问题：让 AI 的文字输出变成语音。

它解决了一个真实的需求

很多极客玩家喜欢把 OpenClaw 这类 AI 助手跑在服务器、树莓派、或者 Mac Mini 上——安静、省电、不占用主力电脑。但问题来了：AI 回复了一长段文字，你得盯着屏幕看。

VoxClaw 就是来解决这个体验痛点的。它可以在你的 Mac 上运行，接收来自网络中任何设备的文字，然后把文字朗读出来。无论你的 AI 跑在哪个角落，只要在同一局域网内，就能把语音推送到你面前的 Mac 上。

三种语音引擎，总有一款适合你

这是我觉得 VoxClaw 设计得最聪明的地方——分层体验，按需付费。

Apple TTS（免费）：内置的 macOS 语音，完全免费，零配置。VoxClaw 会自动调用 AVSpeechSynthesizer，中文支持也相当不错。适合日常随手用，不花钱就是香。

OpenAI TTS（BYOK）：只要填入你的 API Key，就能用上 gpt-4o-mini-tts 的神经语音。那个质感，比 Apple TTS 强了一个时代。适合对语音质量有追求的用户。

ElevenLabs TTS（BYOK）：如果你想克隆特定音色，或者做多语言合成，ElevenLabs 是目前消费级最强的选择。VoxClaw 同样支持，API Key 自己填，完全去中心化。

更贴心的是：万一云端语音认证失败，VoxClaw 会自动降级回 Apple TTS——从不让你干等着说不出话。

提词器模式：看 + 听，双重输入

VoxClaw 有一个我认为非常加分的特性：提词器悬浮面板（Teleprompter Overlay）。

当 AI 朗读文字时，界面上会同步高亮当前正在读的词。这个功能看似简单，实际上对信息吸收效率有奇效——我之前看视频就发现很多博主也在用提词器，读和听双通道输入，理解速度明显更快。

而且这个悬浮面板支持大量自定义：字体、颜色、透明度、背景模糊……完全可以调成你喜欢的样子。

不只是 GUI，还有完整的 CLI 和网络 API

对于极客来说，GUI 是给人类用的，CLI 才是真爱。VoxClaw 提供了一个完整的命令行工具 voxclaw，支持：

voxclaw "Hello, this is a test."# 直接读echo"Read this"| voxclaw             # 管道输入voxclaw --clipboard                    # 读剪贴板voxclaw --listen                       # 网络监听模式voxclaw --send "Hello from CLI"# 发送文字

网络监听模式是最有用的场景：在 Mac 上跑 voxclaw --listen，它就会在 4140 端口监听来自局域网的请求。然后在任何其他设备上：

curl -X POST http://192.168.1.50:4140/read \  -H 'Content-Type: application/json'\  -d '{"text": "Hello from my phone", "voice": "nova", "rate": 1.3}'

一条 curl，你的手机就能让 Mac 开口说话。

这意味着，AI 助手（跑在服务器上）→ 通过 API → VoxClaw（在 Mac 上）→ 语音输出给用户，这个完整链路是零门槛搭建的。

技术栈：Swift 6 + 现代并发

从开发角度，VoxClaw 也值得关注。它用 Swift 6 写的，严格并发模式（strict concurrency），代码质量相当高。架构设计很清晰：

输入（参数/stdin/文件/剪贴板/URL/网络）  → InputResolver 解析文字  → ReadingSession 协调会话  → SpeechEngine（Apple | OpenAI | ElevenLabs，含降级策略）  → AudioPlayer 调度 AVAudioEngine 缓冲区  → Timing pipeline 映射播放位置到单词索引  → FloatingPanelView 高亮当前单词

底层用的是 AVAudioEngine 做低延迟音频播放，Network.framework 做局域网服务发现（Bonjour _voxclaw._tcp），Keychain 做 API Key 安全存储。Swift Argument Parser 做 CLI 参数解析——全是苹果生态里最标准的工具链。

为什么这个项目值得关注

说实话，Text-to-Speech 的工具一搜一大把，但 VoxClaw 真正做对了几件事：

第一，网络优先。大多数 TTS 工具只能在本地用，VoxClaw 把”让远程机器发声”这件事做得很顺滑。对于多设备用户来说，这个价值是独特的。

第二，开源 + 自带 iOS App。作者把 iPhone companion app 的代码也一并开源了（VoxClawIOS/），这在同类工具里很少见。说明作者是真的在认真做产品，不是扔个半成品上来。

第三，API 设计干净。POST /read、GET /status、GET /claw，三个端点搞定一切，没有过度设计。对于想集成到其他工具里的开发者来说，上手成本极低。

如果你用 OpenClaw 或者类似需要语音反馈的 AI 系统，VoxClaw 是目前 macOS 上最顺滑的语音出口。它不是那种”能用就行”的凑合方案，而是真正把体验、架构、扩展性都考虑到了的开源作品。

↓ 点击阅读原文,查看相关链接