Medios y dispositivos

Modo Habla

El Modo Habla es un bucle de conversación de voz continua:

Escuchar el habla
Enviar la transcripción al modelo (sesión principal, chat.send)
Esperar la respuesta
Reproducirla mediante ElevenLabs (reproducción en streaming)

Comportamiento (macOS)

Superposición siempre activa mientras el Modo Habla está habilitado.
Transiciones de fase: Escuchando → Pensando → Hablando.
Tras una pausa corta (ventana de silencio), se envía la transcripción actual.
Las respuestas se escriben en WebChat (igual que al escribir).
Interrumpir al hablar (activado por defecto): si el usuario comienza a hablar mientras el asistente está hablando, detenemos la reproducción y registramos la marca de tiempo de interrupción para el siguiente mensaje.

Directivas de voz en las respuestas

El asistente puede prefijar su respuesta con una única línea JSON para controlar la voz:

{ "voice": "<voice-id>", "once": true }

Reglas:

Solo la primera línea no vacía.
Se ignoran las claves desconocidas.
once: true se aplica solo a la respuesta actual.
Sin once, la voz se convierte en la nueva predeterminada para el Modo Habla.
La línea JSON se elimina antes de la reproducción TTS.

Claves admitidas:

voice / voice_id / voiceId
model / model_id / modelId
speed, rate (PPM), stability, similarity, style, speakerBoost
seed, normalize, lang, output_format, latency_tier
once

Configuración (~/.openclaw/openclaw.json)

{
  talk: {
    voiceId: "elevenlabs_voice_id",
    modelId: "eleven_v3",
    outputFormat: "mp3_44100_128",
    apiKey: "elevenlabs_api_key",
    interruptOnSpeech: true,
  },
}

Valores predeterminados:

interruptOnSpeech: true
voiceId: recurre a ELEVENLABS_VOICE_ID / SAG_VOICE_ID (o a la primera voz de ElevenLabs cuando la clave API está disponible)
modelId: por defecto eleven_v3 cuando no está configurado
apiKey: recurre a ELEVENLABS_API_KEY (o al perfil de shell del gateway si está disponible)
outputFormat: por defecto pcm_44100 en macOS/iOS y pcm_24000 en Android (configura mp3_* para forzar streaming MP3)

Interfaz de usuario en macOS

Alternar en la barra de menú: Hablar
Pestaña de configuración: grupo Modo Habla (id de voz + alternar interrupción)
Superposición:
- Escuchando: nube pulsa con el nivel del micrófono
- Pensando: animación de hundimiento
- Hablando: anillos radiantes
- Clic en la nube: dejar de hablar
- Clic en X: salir del Modo Habla

Notas

Requiere permisos de Voz + Micrófono.
Utiliza chat.send con la clave de sesión main.
TTS utiliza la API de streaming de ElevenLabs con ELEVENLABS_API_KEY y reproducción incremental en macOS/iOS/Android para menor latencia.
stability para eleven_v3 se valida a 0.0, 0.5, o 1.0; otros modelos aceptan 0..1.
latency_tier se valida a 0..4 cuando se configura.
Android admite los formatos de salida pcm_16000, pcm_22050, pcm_24000, y pcm_44100 para streaming de baja latencia con AudioTrack.

Captura de Cámara Activación por Voz