senseaudio-let-claw-talk

当用户希望把 AudioClaw 变成一个持续监听、开口就说、停顿就回答的本机语音助手时使用。这个 skill 会在 macOS 上启动常驻监听流程，默认优先使用内置 Swift 录音器减少 Python 音频依赖；用户语音通过 SenseAudio ASR 转文字，再发给 audioclaw agent，并用 SenseAudio TTS 或系统 say 读回结果。它保留可选的 WeSpeaker 后台服务和流式 TTS，但导出的默认配置不会依赖这些可选环境。适合免手打问答、桌面语音助理、连续语音控制和原型演示。

当用户想要下面这些能力时，使用这个 skill：

• 一直开着麦克风，开口就能和 AudioClaw 对话
• 不想切换到专门的 CLI 或 TUI，只要功能能跑
• 想在本机做持续语音问答、语音助手、免手打交互
• 想继续使用已经调通的 SenseAudio ASR 和 TTS
• 想按需开启 WeSpeaker 声纹验证，把后台模型常驻起来减少冷启动

高优先级触发说法：

• 打开持续语音助手
• 开启持续监听语音模式
• 打开免手打语音模式
• 进入本机语音助手模式
• 帮我打开一直监听的语音助手
• 用 $senseaudio-let-claw-talk 启动语音助手

不适合：

• 只想转写单条语音
• 只想把一段文字转成语音
• 想做飞书消息内的一次性语音收发

Default behavior

这个 skill 默认：

• 在 macOS 本机启动持续监听
• 默认优先使用内置 Swift 录音器，减少对 Python 音频依赖的要求
• 如果想切回 Python 流式录音，再手动指定：
  • sounddevice
  • webrtcvad
  • numpy
• 用当前 skill 内置的 SenseAudio ASR 客户端做语音识别
• 用 audioclaw agent 跑对话
• 用当前 skill 内置的 SenseAudio TTS 客户端做语音播报，或用系统 say 直接播报
• 导出的默认设置会先关闭 SenseAudio 流式 TTS，优先走整段播报，减少对 miniaudio 和流式链路调优的依赖
• 如果用户后面想启用流式 TTS，可以再手动打开
• 当前 skill 内置了常用音色目录和克隆音色登记，不依赖其他语音 skill
• 默认开启状态提示音
• 每次重新进入监听前，会先播一个轻提示音，告诉用户现在开始收音
• 默认启动时会先做一次自检：
  • 检查 Python 解释器
  • 检查录音后端依赖
  • 检查 ASR / TTS API key
  • 检查当前音色是否真的可用
• 默认唤醒词是 贾维斯
• 默认睡眠词是 贾维斯休息
• 默认唤醒保持时间是 90 秒
• 默认启动后会先处于休眠状态，不会直接进入可对话态
• 休眠态默认会先走单独的唤醒识别模型，当前默认是 sense-asr-deepthink
• 如果想改成更轻的唤醒模型，可以手动指定 --wake-asr-model sense-asr-lite
• 默认语速是 1.25
• 导出的默认设置不会自动开启 WeSpeaker
• 导出的默认设置也不会默认开启流式 TTS
• 默认支持“播报时被新语音打断”
• 默认把打断敏感度调得更稳：
  • interrupt grace = 1.2s
  • interrupt min speech = 0.35s
  • interrupt threshold = -16dB
• 默认会多等一点静音再判断你说完了：
  • silence seconds = 1.6s
• 默认会把回复整理成更简短、更口语化、更适合直接念出来的表达
• 默认会尽量借鉴更自然的陪伴式交互风格：
  • 短句
  • 少解释
  • 少套话
  • 被插话后优先顺着用户这句往下接
• 默认会从 ~/.audioclaw/workspace/state/voiceclaw_preferences.json 读取已记住的用户偏好
• 默认不会开启 WeSpeaker 声纹验证
• 如果开启 WeSpeaker：
  • 会自动拉起后台常驻服务并预热模型
  • 默认模型是 chinese
  • 默认阈值是 0.72
  • 后台状态和样本会保存在 ~/.audioclaw/workspace/state/wespeaker
  • 用户级 WeSpeaker 环境默认应放在 ~/.audioclaw/workspace/tools/wespeaker/.venv
  • 如果用户环境还没准备好，先看 references/wespeaker_user_setup.md

Main command

默认最推荐直接用启动器，它会优先选择已经装好依赖的那套 Python，并带上更少依赖的默认参数：

bash

bash "{baseDir}/scripts/start_senseaudio_let_claw_talk.sh"

如果要手动指定 Python，再用 SenseAudio TTS：

bash

/Library/Developer/CommandLineTools/usr/bin/python3 "{baseDir}/scripts/run_continuous_voice_assistant.py" \
  --tts-mode senseaudio \
  --capture-backend swift \
  --no-senseaudio-streaming-tts \
  --voice-id male_0004_a \
  --emotion calm \
  --tts-speed 1.25

如果只想快速试运行，也可以先用系统播报：

bash

/Library/Developer/CommandLineTools/usr/bin/python3 "{baseDir}/scripts/run_continuous_voice_assistant.py" \
  --tts-mode say

默认启动后，先说：

text

贾维斯

再继续提问。

如果想让它立刻回到休眠，可以说：

text

贾维斯休息

如果想让它记住你的偏好，可以直接说：

text

记住不要打断我
记住语速 1.1
记住多等一下再截断
记住以后更简短一点
记住以后展开一点
记住当前偏好
清除偏好

如果想查看当前状态，可以直接说：

text

当前设置

如果想开启或使用 WeSpeaker，可直接说：

text

开启 WeSpeaker 声纹验证
录入我的声音
重录我的声音
查看 WeSpeaker 状态
关闭 WeSpeaker 声纹验证
关闭只听我模式
启动后台声纹
停止后台声纹

说明：

• 说 录入我的声音 后，现在默认只录 1 句来建档
• skill 会直接给出一条可照读的示例句，用户从下一句开始照读即可
• 开启后，后台会常驻预热，后续验证会更快
• 当前 WeSpeaker 是可选能力，不开就不会影响原来的持续语音助手流程
• 当前 skill 会优先过滤与最近播报内容高度相似的回录，避免把刚说过的话再次当成新的用户输入
• 如果上一轮播报被用户打断，当前 skill 不会额外加模型，也不会做复杂规则判断。 它只会把“上一轮回答播报到一半被打断了”这件事，用一句很轻的上下文告诉现有 agent， 让下一轮更自然地接话，避免重新铺垫上一整段。

如果想换音色，也可以直接说：

text

列出音色
有哪些音色
换成温柔御姐
切换到 male_0018_a
记住默认音色是 温柔御姐
以后都用 male_0004_a
注册克隆音色 vc-123456 叫 我的声音

如果某个音色当前无权限或暂时不可用，skill 会优先保留当前可用音色，或者自动切到一个能正常播报的兜底音色。

一键启动：

• 运行：

bash

bash "{baseDir}/scripts/start_senseaudio_let_claw_talk.sh"

如果要让 AudioClaw / OpenClaw 直接拉起这个长期语音模式，优先运行：

bash

bash "{baseDir}/scripts/launch_senseaudio_let_claw_talk_via_terminal.sh"

原因：

• 持续监听属于长期麦克风进程
• 不适合用 exec + nohup + & 在工具调用后台硬挂
• 更稳的做法是让 skill 直接打开一个 Terminal 窗口承载会话

Trigger-to-action rule

如果用户是在 AudioClaw / OpenClaw 里直接说：

• “打开持续语音助手”
• “开启持续监听语音模式”
• “打开免手打语音模式”
• “进入本机语音助手模式”
• “打开本机语音助手”

不要只返回命令，也不要改用 nohup 后台启动。 也不要只回复“好，已进入。你直接说。”这类假状态切换。

优先直接执行：

bash

bash "{baseDir}/scripts/launch_senseaudio_let_claw_talk_via_terminal.sh"

如果用户还补了偏好，再把参数附上，例如：

• 唤醒词：--wake-phrase "贾维斯"
• 打断播报：--interrupt-playback
• 调试：--debug

这两个入口默认等价于：

• --tts-mode senseaudio
• --capture-backend swift
• --voice-id male_0004_a
• --emotion calm
• --tts-speed 1.25
• --no-senseaudio-streaming-tts
• --speaker-verification-backend none

如果需要改默认值，可以在启动前设置：

bash

export VOICECLAW_TTS_MODE=say
export VOICECLAW_VOICE_ID=male_0018_a
export VOICECLAW_EMOTION=warm
export VOICECLAW_TTS_SPEED=1.25
export VOICECLAW_SENSEAUDIO_STREAMING_TTS=0
export VOICECLAW_SENSEAUDIO_STREAMING_BACKEND=auto
export VOICECLAW_WAKE_PHRASE=贾维斯
export VOICECLAW_SLEEP_PHRASE=贾维斯休息
export VOICECLAW_SPEAKER_BACKEND=none
export VOICECLAW_WESPEAKER_THRESHOLD=0.72
export VOICECLAW_WESPEAKER_PYTHON=$HOME/.audioclaw/workspace/tools/wespeaker/.venv/bin/python
export VOICECLAW_EXTRA_ARGS='--wake-phrase 贾维斯 --sleep-phrase 贾维斯休息 --interrupt-playback'

如果想把流式模式升级成 miniaudio 的 MP3 解码播放，可选安装：

bash

/Library/Developer/CommandLineTools/usr/bin/python3 -m pip install --user miniaudio

然后保持：

bash

export VOICECLAW_SENSEAUDIO_STREAMING_BACKEND=auto

如果想强制只用这条后端，也可以显式传：

bash

python3 "{baseDir}/scripts/run_continuous_voice_assistant.py" \
  --tts-mode senseaudio \
  --senseaudio-streaming-tts \
  --senseaudio-streaming-backend miniaudio

如果要启用唤醒词：

bash

python3 "{baseDir}/scripts/run_continuous_voice_assistant.py" \
  --tts-mode senseaudio \
  --wake-phrase "贾维斯" \
  --sleep-phrase "贾维斯休息" \
  --wake-sticky-seconds 90

如果要默认开启 WeSpeaker 声纹验证：

bash

python3 "{baseDir}/scripts/run_continuous_voice_assistant.py" \
  --tts-mode senseaudio \
  --speaker-verification-backend wespeaker \
  --wespeaker-python "$HOME/.audioclaw/workspace/tools/wespeaker/.venv/bin/python" \
  --wespeaker-threshold 0.8

如果用户环境还没装好，先按这个文件准备：

text

{baseDir}/references/wespeaker_user_setup.md

如果要关闭默认唤醒词：

bash

python3 "{baseDir}/scripts/run_continuous_voice_assistant.py" \
  --tts-mode senseaudio \
  --no-wake-phrase

如果要关闭默认睡眠词：

bash

python3 "{baseDir}/scripts/run_continuous_voice_assistant.py" \
  --tts-mode senseaudio \
  --no-sleep-phrase

如果要启用播报打断：

bash

python3 "{baseDir}/scripts/run_continuous_voice_assistant.py" \
  --tts-mode senseaudio \
  --interrupt-playback

如果想临时关闭默认打断：

bash

python3 "{baseDir}/scripts/run_continuous_voice_assistant.py" \
  --tts-mode senseaudio \
  --no-interrupt-playback

What to adjust

如果用户说“容易误触发”或“环境噪音太大”，优先调这些参数：

• --speech-threshold-db -18
• --silence-seconds 1.6
• --vad-mode 3

如果用户想只测一轮，可以加：

bash

--once

如果用户想用现成音频文件做链路验证，可以加：

bash

--input-file /absolute/path/to/file.m4a --once

如果用户说“想先叫一声再开始对话”，优先加：

bash

--wake-phrase "贾维斯"

如果用户明确说“不需要唤醒词”或“直接开口就听”，优先加：

bash

--no-wake-phrase

如果用户说“播报时我还想插话”，优先加：

bash

--interrupt-playback

Exit behavior

持续模式里：

• 用户说“退出”“停止”“结束”会主动退出
• 用户说“贾维斯休息”会主动进入休眠，但不会退出程序
• 或按 Ctrl+C 退出
• 如果开启了唤醒词，只有命中唤醒词或仍在唤醒窗口内时，当前这轮语音才会被送去对话

Runtime notes

• 默认会复用 ~/.audioclaw/workspace/state/senseaudio_credentials.json 里的 SENSEAUDIO_API_KEY
• 默认会把已记住的用户偏好保存在 ~/.audioclaw/workspace/state/voiceclaw_preferences.json
• 默认会把当前运行状态摘要保存在 ~/.audioclaw/workspace/state/voiceclaw_runtime_state.json
• run_continuous_voice_assistant.py 现在自带当前 skill 内部的 SenseAudio ASR、SenseAudio TTS 和常用音色目录，不再依赖其他语音 skill
• 如果用户只要“实现功能”，不要再额外引导去做 TUI；直接启动这个 skill 的持续监听脚本
• 如果用户在意误触发，建议先不开 --interrupt-playback，先把阈值和唤醒词调顺
• 如果用户觉得播报被自己声音或外放误打断，优先加 --no-interrupt-playback，或调大 --interrupt-grace-seconds

Resources

• scripts/run_continuous_voice_assistant.py
  • 主入口，负责持续监听、ASR、agent 调用和语音播报
• scripts/local_senseaudio_asr.py
  • 当前 skill 内置的 SenseAudio ASR 客户端
• scripts/local_senseaudio_tts.py
  • 当前 skill 内置的 SenseAudio TTS 客户端
• scripts/local_voice_catalog.py
  • 当前 skill 内置的常用音色目录和克隆音色登记
• scripts/start_senseaudio_let_claw_talk.sh
  • 命令行短入口
• scripts/launch_senseaudio_let_claw_talk_via_terminal.sh
  • 给 AudioClaw / OpenClaw 调用的稳定启动器，会直接打开 Terminal 并接管长期语音会话
• scripts/macos_mic_capture.swift
  • macOS 麦克风录音兜底实现