夜雨聆风
一、引言
1.1 从「打字聊天」到「开口说话」
养虾第一阶段，大家多半是用文字和龙虾打交道：你打字，它回字。用久了自然会想：要是它能像人一样听得懂我说的话，再用声音回我一句，该多好。眼睛不用盯着屏幕，手上忙别的也能问一句「今天日程有啥」，这才是和 AI Agent 更自然、更接近真人的交互方式。
1.2 不止「能说」：多角色、有性格、有陪伴
一旦上了语音，玩法就多了。
多 Agent 场景：你可以给不同角色配不同音色，比如运营用女声、客服用男声、代码助手用另一种腔调。用户不用看屏幕，光听声音就能分辨「现在是谁在说话」，多任务并行时效率会高很多。
人格感：给某只龙虾固定一个你喜欢的音色，它在心理上会更像「一个具体的人」，而不是一串文字。互动会更有趣，也更容易投入。
情感陪伴与娱乐：睡前听它念一段、开车时和它聊几句，语音把 Agent 从「工具」往「伙伴」那边推了一步。
今天我们就从 OpenClaw 的语音入口（STT）和出口（TTS）怎么接、怎么配，一路说到配置技巧和进阶方向。
二、语音在 OpenClaw 里的位置：整体流程
OpenClaw 里，听和说是两条线，在架构里各占一块。
- 语音输入（STT/ASR）
：用户发来的语音消息或附件里的音频，先被转成文字（转录），再把这串文字当「用户说的一句话」喂给 Agent。配置在 tools.media.audio，包括用哪个模型/服务转写、大小限制、是否把转录结果回显到聊天里等。 - 语音输出（TTS）
：Agent 的回复（或其中一段）被转成音频，再通过渠道发出去，比如 Telegram 的语音气泡。配置在 messages.tts，包括用哪个 TTS 服务、默认音色、是否自动把每条回复都读出来等。
流程可以简化为：
三、TTS：让小龙虾「会讲话」
3.1 方案大致分两类
本地方案（不依赖云、不花 API 钱）：
- Edge TTS
：用微软 Edge 的在线神经 TTS，通过 node-edge-tts调用，不需要 API Key，音质不错。适合入门、不想折腾密钥的人。 - mlx-audio
：Apple Silicon 上跑的本地 TTS，延迟低，隐私好，适合 Mac 用户想完全本地的场景。 - mac-tts
：基于系统 say命令，零配置，音色和效果比较基础，适合「能出声就行」的快速验证。
云端方案（按量付费、音色多、效果稳定）：
腾讯云、阿里云、AWS 等都有 TTS 能力；不少用户反馈腾讯云 TTS 价格便宜，国内接入也方便。阿里、AWS 类似，按需选。
第一次玩语音回复，建议先用 Edge TTS 把链路跑通，再按需要换成本地（mlx-audio）或云（如腾讯云）。
3.2 配置写在哪：messages.tts
TTS 的配置节点是 messages.tts，写在 openclaw.json（或你用的配置里）。下面是一个「自动语音 + Edge 为主」的示例：
{"messages": {"tts": {"auto": "always","provider": "edge","edge": {"enabled": true,"voice": "zh-CN-XiaoxiaoNeural","lang": "zh-CN","outputFormat": "audio-24khz-48kbitrate-mono-mp3","rate": "+0%","pitch": "+0%"}}}}
auto: "always"：每条回复都转成语音。还可选 "inbound"（只有你发语音时才回语音）、"tagged"（仅带[[tts]]的回复才读）、"off"（关掉自动）。provider: "edge"：优先用 Edge TTS；不配 API Key 时 OpenClaw 默认也是 Edge。 edge.voice：音色，如普通话女声「晓晓」 zh-CN-XiaoxiaoNeural、粤语女声「晓曼」zh-HK-HiuMaanNeural。更多音色查微软文档或社区技能。
3.3 交给龙虾来配
不想手改 JSON 的话，可以直接对龙虾说人话，让它帮你改配置或给出可粘贴的片段。
例如：
默认语音：zh-CN-XiaoxiaoNeural（晓晓，普通话女声）；粤语语音：zh-HK-HiuMaanNeural（晓曼，粤语女声）；所有回复自动语音。3.4 找现成方案：clawhub / skillhub 搜 tts
社区里已经有人把各种 TTS（Edge、腾讯云、mlx-audio 等）做成技能或配置片段。在 clawhub 或 skillhub 里搜 tts，可以找到一键配置、音色列表、故障排查等，比自己从零查文档快。
四、STT（ASR）：让小龙虾「能听」
4.1 方案大致分两类
本地方案：
- mlx-whisper
：Apple Silicon 上跑的 Whisper，速度快、隐私好，Mac 用户首选。 - faster-whisper、openai-whisper
云端方案：
腾讯云 tencentcloud-asr、阿里云、AWS 等，按分钟或按次计费。国内入门可以优先试 tencentcloud-asr，价格相对友好。
STT 在 OpenClaw 里归在 音频理解（audio understanding）：语音/音频附件当作媒体输入，由 tools.media.audio 里配置的模型列表依次尝试转写。
4.2 配置写在哪：tools.media.audio
STT 相关配置在 tools.media.audio，其中 models 决定「用谁来转写、按什么顺序试」。
示例（先云端再本地 CLI）：
{"tools": {"media": {"audio": {"enabled": true,"maxBytes": 20971520,"language": "zh","models": [{ "provider": "openai", "model": "gpt-4o-mini-transcribe" },{"type": "cli","command": "whisper","args": ["--model", "base", "{{MediaPath}}"],"timeoutSeconds": 45}]}}}}
enabled: true打开音频理解；不发语音可以关掉。 models是一个有序列表：先试第一个（例如 OpenAI 转写），失败或跳过再试下一个（例如本机 whisper CLI）。把 tencentcloud-asr、mlx-whisper 等配成 provider 或 CLI 条目即可，具体字段以社区技能或文档为准。
不配 models 时，OpenClaw 会按默认顺序自动检测（本地 CLI、Gemini、OpenAI 等），本机有对应命令且没关掉 tools.media.audio 就会尝试用。
4.3 交给龙虾来配（例如 mlx-whisper）
你可以用自然语言让龙虾帮你写 STT 配置，例如：
用 mlx-whisper 做语音转文字，本机优先，转写超时 60 秒。龙虾会根据你当前环境（是否 Mac、是否已装 mlx-whisper）给出 tools.media.audio.models 片段，你贴进配置即可。
4.4 找现成方案：clawhub / skillhub 搜 stt 或 asr
在 clawhub 或 skillhub 里搜 stt 或 asr，可以找到 tencentcloud-asr、mlx-whisper、faster-whisper 等现成配置或技能，直接套用或改几项即可。
五、进阶：方言、声音克隆与更多
如果你有方言、多语种、声音克隆等需求，可以往这些方向看：
- NoizAI：提供高质量克隆/定制音色的服务，可对接 OpenClaw 的 TTS 能力（通过自定义 provider 或技能）。
各大云厂商也有「定制发音人」「声音复刻」类产品，按厂商文档配置到 messages.tts的对应 provider 即可。
这类算进阶玩法，先把 Edge + 腾讯云 ASR 或 mlx-whisper 跑顺，再按需加一层。
六、小结：方案对比与怎么选
建议：
- 先打通
：Edge TTS + 任一本机或云端 STT（如 mlx-whisper 或 tencentcloud-asr），保证「能听、能说」。 - 再优化
：按需求换音色、加多角色、上云端或本地高阶方案。 - 找现成
：clawhub / skillhub 搜 tts、stt、asr，省时间。
七、结语：从「打字」到「对话」
和龙虾打交道，已经可以从「只能打字」变成「你说它听、它说你听」。
多 Agent 时用不同音色区分角色，单 Agent 时用固定音色增加真实感；往后还会有更自然的打断、情绪和多轮节奏。
先把听和说的链路在 OpenClaw 里跑起来，再往「更像人」的方向慢慢调，小龙虾就能从「能听声音 and 会讲话」一步步变成你习惯的那种语音伙伴。
延伸阅读
Text-to-Speech（TTS 配置与命令） Audio and Voice Notes（音频理解与 STT 配置） clawhub / skillhub 搜索：tts、stt、asr