语音交互规范：Talk Mode 使用、唤醒词响应、语音合成配置、STT/ TTS 集成。
当系统处于 Talk Mode 时自动启用，或用户提到：语音、说话、唤醒、打电话、录音。
支持以下唤醒词激活对话：
优先级: 检测到唤醒词后进入监听模式，等待客人指令。
http://127.0.0.1:8000/v1/text-to-speechpNInz6obpgDQGcFmaJgB (warm, professional)eleven_v3pcm_44100 (低延迟)say (兜底) - 系统内置say -v "Hello" "您的消息"Whisper (本地) - 隐私优先
OpenAI Whisper API - 高精度
客人：我办一下入住
小瑞：好的，请问您的姓名或预订号？
客人：张伟
小瑞：找到了！张伟先生，预定了豪华大床房一间，今晚入住两晚，总价 776 元。对吗？
客人：对
小瑞：好的，请出示一下身份证，我帮您扫描录入。
客人：[拨通电话音效] 喂，前台吗？
小瑞：您好，这里是酒店前台，我是小瑞。请问有什么可以帮您？
客人：帮我查一下 305 房间的状态
小瑞：正在查询...305 是豪华大床房，当前状态：**已清洁，待入住**。可以安排新客人入住。
在 openclaw.json 中确保：
{
"talk": {
"ttsEngine": "coqui",
"baseUrl": "http://127.0.0.1:8000",
"endpoint": "/v1/text-to-speech",
"voiceId": "default", // Coqui TTS 默认音色，也可用 model_name
"outputFormat": "mp3_44100_128", // 根据 Coqui 支持调整
"interruptOnSpeech": true
},
"fallback": {
"ttsProvider": "elevenlabs",
"apiKey": "sk-xxxxx", // 保留 ElevenLabs key 作为 backup
"voiceId": "pNInz6obpgDQGcFmaJgB"
},
"voiceWake": {
"enabled": true,
"keywords": ["小瑞", "你好", "前台"]
}
}
# 调用 Coqui TTS 并播放
curl -X POST http://127.0.0.1:8000/v1/text-to-speech \
-H "Content-Type: application/json" \
-d '{"text":"您好，这里是酒店前台，我是小瑞。请问有什么可以帮您？"}' \
-o /tmp/tts_output.wav && afplay /tmp/tts_output.wav
# 如果返回的是音频流，直接输出到 stdout 再播放
curl -s -X POST http://127.0.0.1:8000/v1/text-to-speech \
-H "Content-Type: application/json" \
-d '{"text":"您的预订已确认"}' | afplay
speak() {
local text="$1"
local output="/tmp/tts_$(date +%s).wav"
if curl -s -X POST "http://127.0.0.1:8000/v1/text-to-speech" \
-H "Content-Type: application/json" \
-d "{\"text\":\"$text\"}" \
-o "$output"; then
afplay "$output"
rm -f "$output"
else
echo "TTS 服务不可用，切换到备用方案..."
say "$text"
fi
}
# 使用
speak "欢迎光临酒店，请问有什么可以帮您？"
import requests
def coqui_tts(text, model="tts_models/zh-CN/baker/tacotron2-DDC"):
resp = requests.post(
"http://127.0.0.1:8000/v1/text-to-speech",
json={"text": text, "model_id": model}
)
if resp.status_code == 200:
return resp.content # 音频二进制
return None
当你在 Talk Mode 下，Agent 会自动检测是否需要语音回复。如果你说：
"用语音回复我"
Agent 就会执行上面的命令调用 Coqui TTS，然后用 macOS 的 afplay 播放音频。
完整流程：
/bin/bash -c "speak '回复内容'".wav 文件| 问题 | 解决方法 |
|---|---|
afplay: file not found | 检查输出路径是否正确，或用 ffplay 代替 |
| 没有声音 | 检查系统音量，或 say "test" 测试 macOS 原生 TTS |
| 连接拒绝 | 确认 Coqui TTS 服务正在运行：curl http://127.0.0.1:8000/health |
# 方式 1: Python 直接启动
pip install TTS
tts --list_models
tts --model_name tts_models/zh-CN/baker/tacotron2-DDC \
--text "测试语音" \
--out_path output.wav
# 方式 2: 使用 API server
python -m TTS.server --listen 127.0.0.1:8000
在文字对话模式下（非 Talk Mode），正常使用中文文字回复即可，可包含 emoji 和格式化输出。语音相关功能无需特别处理。
如需模拟语音交互测试：
| 问题 | 可能原因 | 解决方案 |
|---|---|---|
| 听不到声音 | Coqui TTS 服务未启动 | 检查 curl http://127.0.0.1:8000/health |
| 连接超时 | API 端口/路由错误 | 确认 /v1/text-to-speech 路径正确 |
| 返回乱码 | 编码不匹配 | 检查 response content-type 为 audio/mpeg |
| 音色奇怪 | 模型不支持中文 | 改用 tts_models/zh-CN 系列模型 |
| 服务崩溃 | 显存不足 | 降低 batch_size 或用 CPU 模式运行 |