用 Agent 最别扭的一刻，是你人不在电脑前。开车路上突然想到要给客户发一封跟进邮件，做饭时想让它查一下明天几点开会，跑步时想把脑子里冒出来的选题记下来——这时候掏出手机打字，体验还不如直接发语音。
给 OpenClaw 接上语音，就是解决这个场景：说的进去（语音转文字）、念的出来（语音合成）。这一篇讲清两件事怎么选型、三种接入形态怎么配、延迟和成本怎么控，以及那些真正会绊倒你的坑。
先把能力拆成两块：听得懂 + 说得出
语音转文字（STT / ASR）负责把你说的话变成 Agent 能读的文字；语音合成（TTS）负责把 Agent 的结果变成能听的话。两块能力相互独立，可以只接一块，也可以两块都接。只接 STT 是「动口不动耳」，适合派活场景；两块都接才叫语音助手。
这两块能力本身都是现成的 API 或本地模型，OpenClaw 要做的是把它们串进自己的工具链——和 OpenClaw 怎么接 MCP 工具 是同一套思路：能力以工具的形式挂上去，Agent 该调就调。
第一步：语音转文字怎么选
两个方向：本地方案——在服务器上跑开源识别模型（Whisper 系列及其各种加速版），优点是免费、断网可用、音频不出本机；缺点是吃 CPU/GPU、装起来麻烦、长音频慢。云方案——调厂商的语音识别 API，优点是准、快、支持方言和长音频；缺点是按量付费、音频要上传、依赖网络。
怎么定？按内容敏感度分：涉及客户、合同、内部会议的音频走本地；日常指令、随笔记录走云端。这个分法和站里 OpenClaw 密钥边界 讲的原则一致——敏感数据尽量别出机器，出机器的都必须有明确边界。
选型时重点看四项：中文与方言准确率、单次可处理时长、延迟（是否支持流式）、单价。别只看标称准确率，拿你自己真实的口音录三段话去试，比看任何评测都准。
第二步：语音合成怎么选
同样两条路：本地合成（免费、离线，音色机械感强一些，但播报通知类内容完全够用）和云端合成（音色自然、多语言、支持语速和停顿控制，按字符或时长付费）。
挑选时看三件事：音色是否自然（播报一天几十条，机械音听久了会烦）、是否支持文本到语音的细节控制（数字、英文缩写、多音字的读法）、响应延迟（是否支持边生成边播放）。如果是给自己听，建议先用免费方案跑一周，真受不了机械音再换云端。
第三步：三种接入形态，从简单到复杂
形态一：语音当输入。你在手机上发一条语音，Agent 收到后转写成文字，再当普通指令处理。落地方式可以走 IM 机器人——比如把语音文件发到机器人，OpenClaw 转写后执行，接入配置参考 OpenClaw 怎么接 Telegram；也可以在飞书、企业微信里挂一个语音指令入口。这是最容易落地的一种，先做这个。
形态二：语音当输出。任务结果转成语音，推给你听。最典型的用法是「每天早上一段三分钟语音简报」，把夜里跑完的巡检结果、行业摘要、待办清单念一遍。定时任务的配置方式和 OpenClaw 定时发日报周报 完全一样，只是在推送前多一步「文字转语音」。这个形态对开车的场景特别值。
形态三：双向语音对话。麦克风常驻，你说它听、你停它答，能被打断、能追问。这一层最复杂，因为它要求底层语音模型支持流式输入输出和打断处理，本地拼 STT + LLM + TTS 三段式往往延迟感人。如果 OpenClaw 走的是自建三段式，建议先只做「按住说话」，别一上来就做全双工。
另外两个工程细节：密钥别硬编码在脚本里，按 密钥边界 的方式放到环境变量或密钥管理里；如果语音指令会触发对外动作（发邮件、下单），必须在执行前把「我要做什么」回读一遍让你确认——这正是 客户可见动作确认 讲的规矩，语音场景下更容易误触发，这一步不能省。
第四步：延迟和成本怎么控
延迟可以拆成四段：录音结束 → 转写 → 模型处理 → 合成播放。想快就三段下手：转写用流式（边说边转，不必等你说完）、模型用快模型（复杂任务再升级）、合成边生成边播（不用等整段生成完）。实测里，「说完到听见回应」能压到两三秒，体验就已经很顺了。
成本主要是两块：识别按分钟、合成按字符。按每天十条短语音加一次三分钟播报估算，云端方案一个月通常只要几块到几十块，比想象中便宜。真正的成本风险是失控调用——麦克风常驻、反复误触发、循环播报，这类问题必须设预算上限，方法见 AI Agent 成本控制清单。
六个真正会绊倒你的坑
坑一：环境噪音和车噪。识别模型在安静环境下 95 分，在马路边可能掉到七十几。要么配降噪，要么在提示里加一句「如果音频质量差，先反问确认」。
坑二：方言和多音字。中文方言差异大，专有名词（人名、公司名、型号）特别容易转错。解决办法是给识别配「热词表」——把常出现的专有名词提前喂进去，这一步的效果比换模型明显得多。
坑三：语音没有标点。转写出来的是一串连续文字，指令含义容易变味。转写后让模型整理一遍断句和标点，再交给 Agent 执行，成本很低但收益很大。
坑四：长语音要分片。一口气说三分钟，识别服务可能有单次时长上限，或者中途丢字。超过一两分钟就提醒分次说，别硬塞。
坑五：语音指令歧义。「把那个文件发给他」——哪个文件、哪个他，语音里全是这种指代。规则很简单：能产生真实动作的指令，执行前必须回读确认；纯查询类可以直接做。
坑六：隐私没想清楚。常驻麦克风意味着持续采集，录音存哪里、存多久、谁能听，上线前要有答案。本地识别是这里最省心的选择。
适合与不适合
适合：经常离开电脑但要给 Agent 派活的人；有大量「随手记」需求的内容创作者；想把晨间简报做成语音播报的运维和运营人员；以及给家里长辈用的场景（语音比打字门槛低得多）。不适合：工作是纯桌面深度操作的（键盘鼠标本来就比语音精准）、对隐私要求极高又不愿上本地模型的、以及需要极低延迟实时对话的——本地三段式拼出来的延迟目前还撑不住这种场景。
总结
OpenClaw 加语音，一条清晰路径：先接 STT 做语音指令，再加 TTS 做结果播报，最后才考虑双向对话。三个心法：敏感音频走本地、专有名词配热词表、有副作用的指令必须回读确认。语音能力不是锦上添花——它把 Agent 从「你得坐到电脑前才用得上」变成「随时随地都能用」，这一步跨过去，Agent 才真正变成随身的助手。
