メインコンテンツへスキップ

​
Talk モード

Talk モードは、継続的な音声会話ループです。
  1. 音声をリッスン
  2. 文字起こしをモデル（メイン セッション、chat.send）に送信
  3. 応答を待機
  4. ElevenLabs 経由で発話（ストリーミング再生）

​
挙動（macOS）

  • Talk モードが有効な間、常時表示オーバーレイ。
  • Listening → Thinking → Speaking のフェーズ遷移。
  • 短いポーズ（無音ウィンドウ）で、現在の文字起こしが送信されます。
  • 応答は WebChat に書き込まれます（入力と同じ扱い）。
  • 音声による割り込み（デフォルト有効）：アシスタントの発話中にユーザーが話し始めた場合、再生を停止し、次のプロンプト用に割り込みのタイムスタンプを記録します。

​
応答内の音声ディレクティブ

アシスタントは、音声を制御するために 単一の JSON 行 を応答の先頭に付与できます。 
{ "voice": "<voice-id>", "once": true }
ルール：
  • 最初の非空行のみが対象です。
  • 不明なキーは無視されます。
  • once: true は現在の応答のみに適用されます。
  • once がない場合、その音声が Talk モードの新しいデフォルトになります。
  • JSON 行は TTS 再生前に取り除かれます。
対応キー：
  • voice / voice_id / voiceId
  • model / model_id / modelId
  • speed, rate（WPM）, stability, similarity, style, speakerBoost
  • seed, normalize, lang, output_format, latency_tier
  • once

​
設定（~/.openclaw/openclaw.json）

{
  talk: {
    voiceId: "elevenlabs_voice_id",
    modelId: "eleven_v3",
    outputFormat: "mp3_44100_128",
    apiKey: "elevenlabs_api_key",
    interruptOnSpeech: true,
  },
}
デフォルト：
  • interruptOnSpeech: true
  • voiceId: ELEVENLABS_VOICE_ID / SAG_VOICE_ID にフォールバック（または API キーが利用可能な場合は最初の ElevenLabs 音声）
  • modelId: 未設定時は eleven_v3 がデフォルト
  • apiKey: ELEVENLABS_API_KEY にフォールバック（または利用可能な場合は ゲートウェイ のシェル プロファイル）
  • outputFormat: macOS / iOS では pcm_44100、Android では pcm_24000 がデフォルト（mp3_* を設定すると MP3 ストリーミングを強制）

​
macOSのUI

  • メニューバー トグル：Talk
  • 設定タブ：Talk Mode グループ（音声 ID + 割り込みトグル）
  • オーバーレイ：
    • Listening：マイク レベルに応じて雲がパルス表示
    • Thinking：沈み込むアニメーション
    • Speaking：放射状のリング
    • 雲をクリック：発話を停止
    • X をクリック：Talk モードを終了

​
注記

  • Speech および Microphone の権限が必要です。
  • セッション キー main に対して chat.send を使用します。
  • TTS は ElevenLabs のストリーミング API を使用し、ELEVENLABS_API_KEY と macOS / iOS / Android でのインクリメンタル再生により低レイテンシを実現します。
  • eleven_v3 用の stability は 0.0、0.5、または 1.0 に検証されます。その他のモデルは 0..1 を受け入れます。
  • latency_tier は、設定時に 0..4 に検証されます。
  • Android は、低レイテンシの AudioTrack ストリーミング向けに pcm_16000、pcm_22050、pcm_24000、および pcm_44100 の出力フォーマットをサポートします。