OpenClaw 语音功能实战：让 AI 开口说话

很多人有这样一个习惯：早上刚醒来时，眼睛还不太想睁开，脑子也转得慢，这时候让AI念答案给自己听，比看文字要舒服得多。语音交互的价值，往往在这种碎片化、场景化的时刻体现得最为明显。OpenClaw正是捕捉到了这个需求，提供了完整的TTS（文字转语音）功能支持。

三大语音服务对比

OpenClaw的语音功能本质上是将AI的文字回复转换为音频输出。在Telegram平台上，语音会以圆形气泡形式呈现，点击即可播放，与日常收发语音消息的体验完全一致；在其他平台则会以MP3音频文件的形式发送。

五分钟快速配置

OpenClaw目前支持三种语音服务，各有侧重。ElevenLabs提供最高品质的音质，声音自然且富有情绪感，是目前最接近真人发音的TTS服务，虽然有付费套餐但免费额度足以满足个人日常使用。OpenAI TTS的音质同样出色，声音清晰稳定，如果你已有OpenAI API Key可以直接启用，模型推荐使用gpt-4o-mini-tts，性价比较高。Edge TTS作为微软的神经语音服务，完全免费且无需API Key，虽然音质略逊于前两者，但作为兜底方案完全够用——如果未配置任何Key，OpenClaw会自动切换到Edge TTS，确保功能不会报错。

进阶配置与主备切换

配置语音功能非常简单，只需在openclaw.json的messages字段中添加一行配置即可。基础配置为：设置auto为always，AI的每次回复都会自动附带语音。auto参数支持四种模式：off表示关闭（默认），always表示每次都发语音，inbound表示只有用户发送语音时才会用语音回复，tagged则表示仅当AI主动标记时才发送语音。日常使用always模式最为省心。

实际应用场景

如果追求零成本，直接使用Edge TTS即可，它内置了丰富的中文语音选项，如zh-CN-XiaoxiaoNeural（女声，温和自然）、zh-CN-YunxiNeural（男声）、zh-CN-XiaohanNeural（女声，风格更活泼）等，还可以通过rate参数调整语速。若对音质有更高要求，可以使用OpenAI TTS或ElevenLabs，OpenAI提供alloy、echo、fable、onyx、nova、shimmer六种声音可选，其中nova声音温暖自然，不显机械。更进阶的用法是配置主备切换，同时设置多个语音服务，当主服务出现问题时自动切换到备用服务，形成三层保护机制，基本不会遇到语音功能完全失效的情况。对于长文本回复，OpenClaw还支持自动摘要功能，超过1500字符的回复会先压缩成简短摘要再转语音，避免语音过长带来的收听负担。

如有侵权，请联系删除。