AI 助手在会议里不再抢话:OpenClaw v2026.5.4 实时语音优化

Google Meet · 实时语音 · Twilio · 回声消除 · v2026.5.4 ——
OpenClaw 在本版中，把会议电话场景下 AI 助手的听与说体验
拉到了一条更顺滑的线上。

从终端走到语音的通用 AI 助手

OpenClaw 是一个个人 AI 助手，跨平台、全渠道。
你可以在自己的设备上运行它，通过 Telegram、Slack、Discord、
WhatsApp、微信、QQ 等近 30 个聊天界面与它交互，
也可以直接唤出内置浏览器画布（Canvas）控制操作。
它的技术形态是 TypeScript 网关 + 插件体系，
支持 OpenAI、Anthropic、DeepSeek、Gemini 等多种模型后端，
并能通过扩展接入代码编辑器（Codex 插件）、记忆系统、自动化脚本和外部工具。
项目在 GitHub 上已获 36.8 万星标，
自 2025 年 11 月立项以来迭代极其密集。
v2026.5.4 是 5 月 5 日发布的常规更新，
覆盖范围从实时语音功能到性能基线优化均有触达。

AI 进会议：听得清还得说得出

当你让 OpenClaw 加入一场 Google Meet 会议时，
它需要同时处理两件事：听懂别人的发言，
以及在被呼唤时自然回应。
此前，通过 Chrome 浏览器接入 Meet（Chrome 传输层）
已经可以做到实时语音收发，走的是 Gemini 实时语音模型。
但 Twilio 拨号入会方案存在一个短板——
Twilio 的音频管道在实时语音模式下，
仍保留了不必要的 TwiML 指令回退逻辑，
导致在对话高峰期出现音频碎片或延迟。
另一个更细微的问题是长时间对话中，参与者的语音会叠加，
OpenClaw 可能在人类说完之前就开始回应
（或者更糟，在自身回放语音时又把输入误认为是人类说话），
造成对话节奏混乱。
对于需要 7×24 小时值守的会议接入场景，
这些不稳定因素意味着运营者不得不反复检查连接状态，
甚至手动重置会话进程。

本版怎么改的：三项关键优化

v2026.5.4 在 Google Meet + Twilio 路径上集中解决了三个问题，
每个都对应一条可感知的变化。

节拍可控的音频流。 Twilio 传入的音频不再一股脑塞进 Gemini，
而是通过一个主动 pacing 层，以稳定的速率送入实时语音桥接。
这避免了因为文本生成追赶不上音频累积速率而出现的间歇性卡顿。
用户能感知的是：长时间对话中，AI 不再抢话或忽快忽慢。

背压感知缓冲。 当 Gemini 实时模型处理速度暂时
低于音频输入速率时，缓冲层会主动推回压力信号，
让 Twilio 端的音频采集降速，而不是无限堆积内存。
这让长时间会议不至于半小时后因内存积压而导致资源紧张。
对于运行在树莓派或低配 VPS 上的用户，这个改进尤为关键。

抢话队列清除。 当 OpenClaw 正在说话时用户突然插话，
旧的回复生成队列会被即时清空，
Twilio 输出立即切换为收听模式。
配合移除的 TwiML 回退路径，抢话场景下的响应时间
从数百毫秒降到了几乎瞬发，对话节奏更接近真人交谈。

除此之外，本版还有几个值得一提的配合改动。
realtime.introMessage: "" 配置项可以让 Google Meet
加入会议时保持静音，适合需要被动旁听的场景。
语音通话后端链路新增了 provider voice/model 覆盖日志，
确保对话日志中显示的 TTS 引擎与实际发声引擎一致，
这对多引擎配置的用户是一个实用的调试辅助。

分层缓冲下的实时音频设计

语音实时交互的核心矛盾是：
音频的实时性与语言模型的推理延迟天生不同步。
OpenClaw 的解决方案以分层缓冲和解耦为核心。

在传输层，Chrome 传输走本地 SoX 管道
（PCM 16 格式 24 kHz），Twilio 传输走电话级的 mu-law 8 kHz。
两种来源的音频在到达实时桥接前，
统一经解码函数转换为 PCM 16，
再通过 Gemini 实时接口收发。
这种对称转换让助手既能听清双向通话，
也能向不带电话编码的 Chrome 端输出清晰语音。

背压控制的实现细节在 voice-call-gateway.ts 中：
Twilio 流媒体接入后，经过一个有限容量的音频队列
（默认边界由 maxAudioQueueBytes 参数控制），
超过阈值时网关主动关闭超载流，
而非任由音频在 WebSocket 背压后继续堆积。
配合 bargeInEnabled 标识，当检测到用户语音输入打开，
当前生成进度会被标记为应当打断，
系统在下一个合成边界即刻切换方向。

释放还覆盖了插件生态层面的改进。
插件加载器优先走原生快速路径（Native Fast Path），
避免冷启动时反复扫描插件元数据；
Gateway 启动不再导入非必需的模块
（如测试辅助代码、TypeBox 工具方法），
降低内存占用与启动时间。
插件更新新增了 ClawHub 与 npm 之间的平滑切换逻辑，
外部安装的插件在包源切换时不再残留旧的绑定路径。
如果你运行在 VPS 上，cron show 现在会直接显示
策略阻断的具体原因，而非沉默地报告绿色成功结果。
诊断面板加入了浏览器 Long Animation Frame 监控，
Dashboard 渲染慢的根因从「直觉觉得慢」
变成了「日志里有证据」。
版本涉及 146 个文件变更、100 余个修复项。

这些改动在设计上并非追求零延迟——
在真实的电话会议场景中，300–500 ms 端到端延迟在可接受范围，
稳定性与自然交互节奏远比极限低延迟重要。
v2026.5.4 的选择偏向后者：
宁可牺牲毫秒级原始吞吐，也要保证 30 分钟以上的会议
中每一轮对话都能稳定收束。