openclaw支持“能听会说”的完整语音交互，提供本地whisper、groq云端及混合stt方案，tts首选免密edge tts，支持多触发模式与闭环验证。
☞☞☞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 支持完整的语音交互能力，即“能听会说”——语音输入（STT）转文字、语音输出（TTS）播文字。它不依赖单一服务商，可按需组合本地模型、云端API或免密服务，兼顾隐私、成本与效果。
语音输入（STT）怎么配
语音输入有三种主流方式，选一种即可：
-
本地 Whisper（推荐给注重隐私的用户）：下载 large-v3 模型后，在
~/.openclaw/openclaw.json中配置路径和麦克风设备 ID；需确认系统音频输入权限正常，可用arecord -d 3 test.wav测试录音是否成功。 -
Groq 云端 Whisper（推荐给硬件受限用户）：注册 groq.com 获取免费 API Key（每月 1000 万 token），填入配置中并设
"provider": "groq"；支持 MP3/WAV/WEBM 等常见格式，识别快、准确率高。 - 混合策略（进阶用法）：在配置中同时声明多个 STT 提供方，OpenClaw 会按顺序自动降级——例如先试 Groq，失败则回落到本地 Whisper，再失败则报错。
语音输出（TTS）怎么配
TTS 配置更轻量，微软 Edge TTS 是零门槛首选：
- 无需申请密钥，直接启用：
"tts": {"provider": "edge", "voice": "zh-CN-XiaoxiaoNeural"}；中文推荐使用XiaoxiaoNeural（晓晓）、YunxiNeural（云希）或XiaoyiNeural（晓伊）。 - 支持语速调节（
"rate": "1.2"）、音调微调（"pitch": "+10Hz"），适合不同场景节奏。 - 若需更高表现力，可切换 ElevenLabs 或 OpenAI TTS，但需自行配置 API Key 和 voice ID，属于付费增强方案。
语音功能如何触发
OpenClaw 提供灵活的响应模式，不用每次手动开关：
- always：所有 AI 回复都自动转语音，适合驾驶、做饭等双手不便看屏的场景。
- inbound：仅当用户发的是语音消息时，AI 才用语音回复；发文字则回文字，避免打扰。
-
tagged：只对含
[[tts]]标记的回复启用语音，精准控制，适合混合内容输出。 - 还可临时用斜杠命令控制，比如在聊天中输入
/tts always或/tts off，实时生效不重启。
验证语音是否真正跑通
别只改配置，要闭环测试：
- 运行
openclaw listen：它会启动监听→录音→识别→TTS播报全流程，终端实时显示中间结果，是排查链路问题最直接的方式。 - 执行
openclaw speak "你好，龙虾已就绪"：单独测试 TTS 输出是否响、音色是否正确、系统音频设备是否被静音。 - 检查
pactl list sinks short和arecord -l：确认声卡和麦克风设备在系统层已被识别且未被其他进程独占。
