语音对话技能

实现完整的双向语音对话功能，支持语音输入和语音输出。

功能特性

✅ 已实现功能

1. 文本转语音（TTS）
2. 使用OpenClaw内置tts工具
3. 支持中英文混合

4. 实时音频生成

5. 语音转文本（STT）

6. 使用Python speech_recognition库
7. 支持麦克风输入

8. 多引擎支持（Google、Whisper等）

9. 对话管理

10. 自动语音检测
11. 对话上下文保持
12. 中断处理

🔧 技术架构

语音输入 → STT转换 → 文本处理 → AI响应 → TTS转换 → 语音输出

安装要求

必需组件

1. Python 3.8+
2. speech_recognition库
3. pyaudio库（Windows需要额外安装）

可选组件

1. Whisper - 更准确的本地STT
2. ElevenLabs API - 高质量TTS
3. OpenAI API - 云端STT

快速开始

1. 安装依赖

# 安装Python库
pip install SpeechRecognition pyaudio

# Windows pyaudio安装（如果失败）
pip install pipwin
pipwin install pyaudio

2. 基础语音对话脚本

# voice_chat.py
import speech_recognition as sr
import subprocess
import tempfile
import os

class VoiceChat:
    def __init__(self):
        self.recognizer = sr.Recognizer()
        self.microphone = sr.Microphone()

    def listen(self):
        """监听语音输入并转换为文本"""
        with self.microphone as source:
            print("🎤 请说话...")
            audio = self.recognizer.listen(source)

        try:
            text = self.recognizer.recognize_google(audio, language='zh-CN')
            print(f"📝 识别结果: {text}")
            return text
        except sr.UnknownValueError:
            return "无法识别语音"
        except sr.RequestError:
            return "语音识别服务不可用"

    def speak(self, text):
        """使用OpenClaw TTS朗读文本"""
        # 调用OpenClaw tts工具
        print(f"🗣️ 正在朗读: {text}")
        # 这里可以集成OpenClaw tts工具

    def conversation_loop(self):
        """对话循环"""
        print("🎧 语音对话已启动，按Ctrl+C退出")
        while True:
            # 监听语音
            user_input = self.listen()

            if user_input and "退出" not in user_input:
                # 生成响应（这里可以集成AI模型）
                response = f"我听到你说: {user_input}"

                # 语音输出
                self.speak(response)

if __name__ == "__main__":
    chat = VoiceChat()
    chat.conversation_loop()

3. 集成OpenClaw TTS

def openclaw_tts(text, output_file="output.mp3"):
    """调用OpenClaw TTS工具"""
    import subprocess
    import json

    # 创建临时文件
    with tempfile.NamedTemporaryFile(mode='w', suffix='.json', delete=False) as f:
        tts_request = {
            "text": text,
            "channel": "webchat"
        }
        json.dump(tts_request, f)
        request_file = f.name

    try:
        # 调用tts工具（需要OpenClaw环境）
        result = subprocess.run([
            "node", "path/to/openclaw/tts-tool.js",
            "--input", request_file,
            "--output", output_file
        ], capture_output=True, text=True)

        if result.returncode == 0:
            print(f"✅ 语音文件已生成: {output_file}")
            # 播放音频
            subprocess.run(["start", output_file], shell=True)
        else:
            print(f"❌ TTS失败: {result.stderr}")
    finally:
        os.unlink(request_file)

高级配置

使用Whisper进行本地STT

def whisper_stt(audio_file):
    """使用Whisper进行语音识别"""
    import whisper

    model = whisper.load_model("base")
    result = model.transcribe(audio_file, language="zh")
    return result["text"]

使用ElevenLabs高质量TTS

def elevenlabs_tts(text, voice_id="21m00Tcm4TlvDq8ikWAM", api_key=None):
    """使用ElevenLabs TTS"""
    import requests

    url = f"https://api.elevenlabs.io/v1/text-to-speech/{voice_id}"
    headers = {
        "xi-api-key": api_key or os.environ.get("ELEVENLABS_API_KEY"),
        "Content-Type": "application/json"
    }

    data = {
        "text": text,
        "model_id": "eleven_multilingual_v2",
        "voice_settings": {
            "stability": 0.5,
            "similarity_boost": 0.5
        }
    }

    response = requests.post(url, json=data, headers=headers)
    if response.status_code == 200:
        with open("output.mp3", "wb") as f:
            f.write(response.content)
        return "output.mp3"
    else:
        raise Exception(f"ElevenLabs TTS失败: {response.text}")

故障排除

常见问题

1. 麦克风无法识别
2. 检查麦克风权限

3. 尝试指定麦克风设备索引

4. pyaudio安装失败

5. Windows: 使用pipwin install pyaudio

6. macOS: brew install portaudio

7. 语音识别准确率低

8. 调整环境噪音
9. 使用更准确的模型（Whisper large）
10. 添加语音训练

性能优化

1. 缓存模型：预加载Whisper模型
2. 流式处理：实时语音处理
3. 降噪处理：改善语音质量

安全注意事项

1. API密钥保护：不要硬编码API密钥
2. 隐私保护：语音数据本地处理
3. 权限管理：麦克风访问权限控制

扩展功能

计划中的功能

1. 多语言支持：自动检测语言
2. 语音命令：特定语音指令识别
3. 情绪识别：从语音中识别情绪
4. 实时翻译：跨语言语音对话

技能版本: 1.0.0 最后更新: 2026-02-28