openclaw ai原生支持多模态语音交互：一、本地whisper实现隐私安全的stt；二、黄鹂智声app提供免触控端到端语音操控；三、deepgram云服务支持高精度多语言转写；四、dia/kokoro tts实现高质量语音播报；五、mistral voxtral支持语音-文本联合推理。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
OpenClaw AI 原生支持语音输入与输出能力，其架构设计从底层即兼容多模态交互。语音输入依赖外部语音识别服务或本地语音转文字（STT）技能实现文本化；语音输出则通过集成的 TTS 模块将模型响应实时合成为自然语音。以下是具体实现方式：
一、启用本地 Whisper 语音转文字技能
该技能基于 OpenAI Whisper 开源模型，在设备端完成语音到文本的全流程处理，无需上传音频至云端，保障隐私安全，且支持普通话、英语等百余种语言及带时间戳字幕生成。
1、在终端中执行安装命令：clawhub install speech-to-text。
2、安装完成后，系统自动注册 whisper-large-v3 模型为默认 STT 引擎。
3、向 OpenClaw 发送语音文件（如 .wav 或 .mp3）时，框架将自动调用本地 Whisper 进行转录，并将文本结果传递至后续处理链路。
二、配置黄鹂智声语音插件实现端到端语音操控
该插件专为 OpenClaw 定制开发，通过黄鹂智声官方 APP 即可完成指令下发与语音反馈闭环，不依赖额外硬件或复杂适配，适用于家庭场景下的免触控操作。
1、在手机端下载并安装黄鹂智声官方 APP。
2、打开 APP 后选择“连接 OpenClaw”，扫描 OpenClaw 管理界面中显示的二维码完成绑定。
3、绑定成功后，直接对手机麦克风说出预设指令（如“打开灯光”“播放新闻”），APP 将语音上传至黄鹂服务端识别，并将结构化指令转发至 OpenClaw 执行。
三、接入 Deepgram 实现高精度云语音转写
Deepgram 提供业界领先的语音识别能力，特别适合会议记录、多语言混合语音及需智能标点与格式化的长音频场景，其 API 可与 OpenClaw 无缝对接。
1、前往 Deepgram 官网注册账号并获取API KEY。
监控 OpenClaw GitHub 版本更新，获取最新版本发布说明，翻译成中文， 并推送到 Telegram 和 Feishu。用于：(1) 定时检查版本更新 (2) 推送版本更新通知 (3) 生成中文版发布说明
2、将 API KEY 写入 OpenClaw 配置文件 ~/.openclaw/.env，格式为：DEEPGRAM_API_KEY=your_api_key_here。
3、在 openclaw.json 中启用 detect_language、punctuate 和 smart_formatting 参数，以激活自动语种识别与人类书写风格优化。
四、使用 DIA TTS 或 Kokoro 模型实现高质量语音播报
OpenClaw 的 text-to-speech 技能支持多种先进 TTS 模型，其中 DIA TTS 侧重情感表达与语调自然度，Kokoro 则在中文合成清晰度与低延迟方面表现突出，二者均可通过 inference.sh CLI 调用。
1、执行命令安装语音合成模块：clawhub install text-to-speech。
2、编辑 openclaw.json，设置 tts_provider 字段为dia或kokoro，并指定 voice_name（如“zh-CN-XiaoxiaoNeural”）。
3、当 AI 生成回复文本后，框架将自动调用所选 TTS 模型生成对应语音流，并通过系统扬声器或指定音频设备播放。
五、集成 Mistral Voxtral 实现语音-文本联合推理
Voxtral 是 Mistral AI 推出的专用语音处理模型，支持语音指令理解、跨语言语音检索与语音上下文增强推理，可替代传统 STT+LLM 两阶段流程，显著降低端到端延迟。
1、在 Mistral 控制台申请 API 密钥，并确保账户已开通 Voxtral 访问权限。
2、运行命令 clawhub configure mistral，按提示输入密钥并选择模型版本（推荐 voxtral-1b-beta）。
3、在 openclaw.json 中将语音输入通道的 provider 显式设为mistral，此时语音数据将直送 Voxtral 进行语义级解析，输出结构化意图而非原始文本。
