OpenClaw 语音工作流：听写、合成、通话一条龙
打字太慢？OpenClaw 的语音技能让你说话就能输入，AI 语音回复，甚至实现语音通话。本文带你搭建完整的语音交互工作流。
01 语音工作流的价值
什么场景需要语音？
OpenClaw 语音三件套：
-
🎤 Whisper — 语音转文字（STT）
-
🔊 SAG — 文字转语音（TTS）
-
📞 Voice Call — 语音通话
02 环境准备
安装依赖
SAG (ElevenLabs TTS)
# macOS (使用 Homebrew)
brew install steipete/tap/sag
# Linux / 其他平台
# 从 GitHub Releases 下载二进制
curl -L https://github.com/steipete/sag/releases/latest/download/sag-linux-amd64 -o sag
chmod +x sag
sudo mv sag /usr/local/bin/
# 验证安装
sag --version💡 注意：
steipete/tap/sag是 macOS 的 Homebrew tap。Linux 用户请直接从 GitHub Releases 下载二进制文件。
配置 API Key
# Whisper (OpenAI)
export OPENAI_API_KEY="sk-xxxxxxxx"
# SAG (ElevenLabs)
export ELEVENLABS_API_KEY="ele_xxxxxxxx"
# 或写入 OpenClaw 配置
cat ~/.openclaw/openclaw.json{
"skills": {
"entries": {
"openai-whisper-api": {"apiKey": "sk-xxxxxxxx"},
"sag": {"apiKey": "ele_xxxxxxxx"}
}
}
}03 语音转文字（Whisper）
快速开始
# 转录音频文件
~/.nvm/versions/node/v22.17.0/lib/node_modules/openclaw/skills/openai-whisper-api/scripts/transcribe.sh /path/to/meeting.m4a
# 输出：meeting.m4a.txt进阶用法
# 指定语言（提高准确率）~/.nvm/versions/node/v22.17.0/lib/node_modules/openclaw/skills/openai-whisper-api/scripts/transcribe.sh meeting.m4a --language zh
# JSON 输出（带时间戳）~/.nvm/versions/node/v22.17.0/lib/node_modules/openclaw/skills/openai-whisper-api/scripts/transcribe.sh meeting.m4a --json --out transcript.json
# 提示词（帮助识别专有名词）~/.nvm/versions/node/v22.17.0/lib/node_modules/openclaw/skills/openai-whisper-api/scripts/transcribe.sh meeting.m4a \
--prompt "Speaker names: 张三, 李四, OpenClaw"04 文字转语音（SAG）
快速开始
# 基础用法
sag " 你好，这是 OpenClaw 语音助手 "
# 指定声音
sag -v Roger "Hello there"
# 保存到文件
sag -o output.mp3 " 这段文字会被保存为音频文件 "查看可用声音
sag voices 常用声音： – Roger — 成熟男声 – Rachel — 清晰女声 – Clawd — OpenClaw 默认（lj2rcrvANS3gaWWnczSX）
情感标签（v3 模型）
# 耳语
sag "[whispers] 这是一个秘密 "
# 兴奋
sag "[excited] 太棒了！我们成功了！"
# 叹气
sag "[sighs] 今天真是漫长的一天 "
# 笑声
sag "[laughs] 这个笑话太好笑了 "
# 停顿
sag " 听我说 [short pause] 这很重要 [long pause] 请记住 "05 实战演示
案例 1：会议录音自动转录
场景： 1 小时会议，需要文字记录
#!/bin/bash
# transcribe-meeting.sh
AUDIO_FILE="$1"
OUTPUT_DIR="./transcripts"
mkdir -p $OUTPUT_DIR
# 1. 转录
~/.nvm/versions/node/v22.17.0/lib/node_modules/openclaw/skills/openai-whisper-api/scripts/transcribe.sh \
"$AUDIO_FILE" \
--language zh \
--out "$OUTPUT_DIR/meeting.txt"
# 2. 生成摘要（结合 summarize skill）echo " 会议摘要："
cat "$OUTPUT_DIR/meeting.txt" | head -50
echo " 转录完成：$OUTPUT_DIR/meeting.txt"输出示例：
[00:00] 张三：大家好，今天讨论 Q3 产品规划
[00:15] 李四：我建议优先做移动端适配
[00:32] 王五：资源方面，我们有两个开发人力
...案例 2：语音回复消息
场景： 开车时收到消息，语音回复
# 生成语音回复
sag -v Roger -o /tmp/reply.mp3 " 我正在开车，稍后回复你 "
# 发送（通过 OpenClaw message 工具）message action="send" target="your-chat-id" media="/tmp/reply.mp3"💡 说明：
message是 OpenClaw 工具调用，不是 CLI 命令。需要在 OpenClaw 环境中使用。
案例 3：播客批量转录
场景： 有 10 期播客需要转文字稿
#!/bin/bash
# batch-transcribe.sh
for audio in ~/Podcasts/*.mp3; do
filename=$(basename "$audio" .mp3)
echo " 转录: $filename"
~/.nvm/versions/node/v22.17.0/lib/node_modules/openclaw/skills/openai-whisper-api/scripts/transcribe.sh \
"$audio" \
--language zh \
--out "~/Transcripts/${filename}.txt"
done
echo " 全部转录完成！"案例 4：AI 语音助手（完整闭环）
场景： 语音输入 → AI 处理 → 语音输出
#!/bin/bash
# voice-assistant.sh
# 1. 录制语音（3 秒）echo " 请说话..."
rec -r 16000 -c 1 /tmp/input.wav trim 0 3
# 2. 转文字
TEXT=$(~/.nvm/versions/node/v22.17.0/lib/node_modules/openclaw/skills/openai-whisper-api/scripts/transcribe.sh \
/tmp/input.wav --out /tmp/input.txt && cat /tmp/input.txt)
echo " 你说: $TEXT"
# 3. AI 处理（这里简化，实际调用 OpenClaw agent）RESPONSE=" 收到你的消息: $TEXT"
# 4. 语音回复
sag "$RESPONSE"
echo " 完成！"案例 5：多语言实时翻译
场景： 英文会议，实时翻译成中文
#!/bin/bash
# live-translate.sh
AUDIO_FILE="$1"
# 1. 英文转录
~/.nvm/versions/node/v22.17.0/lib/node_modules/openclaw/skills/openai-whisper-api/scripts/transcribe.sh \
"$AUDIO_FILE" \
--language en \
--out /tmp/english.txt
# 2. 翻译（结合其他工具）cat /tmp/english.txt | translate-en-to-zh > /tmp/chinese.txt
# 3. 中文语音输出
sag -v Rachel "$(cat /tmp/chinese.txt | head -1)"06 进阶技巧
技巧 1：自定义语音角色
# 创建专属声音配置文件
cat > ~/.sagrc <<EOF
voice_id: your-custom-voice-id
model: eleven_v3
normalize: auto
lang: zh
EOF技巧 2：批量生成有声书
#!/bin/bash
# audiobook-generator.sh
CHAPTERS=~/Book/chapter*.txt
for chapter in $CHAPTERS; do
num=$(echo $chapter | grep -o '[0-9]*')
echo " 生成第 $num 章..."
sag -v Roger -o ~/Audiobook/chapter${num}.mp3 "$(cat $chapter)"
done
# 合并（使用 ffmpeg）ffmpeg -i "concat:$(echo ~/Audiobook/chapter*.mp3 | tr '''|')" -acodec copy book.mp3技巧 3：语音通知系统
#!/bin/bash
# voice-alert.sh
# 检查系统状态
DISK_USAGE=$(df -h / | tail -1 | awk '{print $5}' | tr -d '%')
if ["$DISK_USAGE" -gt 90]; then
sag "[excited] 警告！磁盘使用率超过 90%，请及时清理！"
fi
# 检查网站状态
if ! curl -s https://example.com > /dev/null; then
sag "[sighs] 网站无法访问，请检查服务状态 "
fi配合 cron：
# 每 30 分钟检查一次
*/30 * * * * /path/to/voice-alert.sh技巧 4：播客风格开场白
sag "[excited] 欢迎收听本期节目！[short pause] 我是主持人 Roger。[short pause] 今天我们要聊的是 OpenClaw 的语音工作流。"07 常见问题
Q1: Whisper 转录中文准确率不高
优化：
# 明确指定语言
--language zh
# 添加提示词帮助识别
--prompt " 技术术语: OpenClaw, API, Gateway"Q2: SAG 提示 API Key 无效
检查：
echo $ELEVENLABS_API_KEY
# 或
echo $SAG_API_KEYQ3: 如何降低语音合成的成本？
策略： – 使用 eleven_flash_v2_5 模型（更快更便宜）– 批量生成，减少 API 调用次数 – 缓存常用语音片段
Q4: 支持哪些音频格式？
Whisper 支持： – mp3, mp4, mpeg, mpga, m4a, wav, webm
建议： – 使用 m4a（iPhone 录音默认格式）– 或 wav（无损，适合后期处理）
08 总结
下一步： – 尝试不同的声音和情感标签 – 结合手机节点实现真正的”口袋语音助手”– 探索 voice-call 技能实现语音通话
本文是 OpenClaw 进阶技能系列第 4 篇，下一篇：《OpenClaw 浏览器自动化：解放你的重复操作》
#OpenClaw #语音识别 #TTS #Whisper #ElevenLabs #语音助手
正文完