senseaudio-let-claw-talkv1

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 支持 macOS 和 Windows 两个平台：优先尝试 Python 录音链路，macOS 上再提供原生 Swift 录音兜底；用户语音通过 SenseAudio ASR 转文字，再发给 audioc...

SenseAudio-Let-Claw-Talk-Universal

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
• 想在 macOS 和 Windows 上复用同一套语音助手逻辑
• 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-universal 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 和 Windows 上都使用同一套持续监听主循环
• 默认优先使用 auto 录音后端：
  • 如果 numpy + sounddevice + webrtcvad 可用，就走 Python 录音
  • 如果在 macOS 上且 Python 录音不可用，就回退到原生 Swift 录音器
• 导出的默认配置不会依赖 WeSpeaker、流式 TTS、状态音这些可选能力
• 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，或用系统语音做本地兜底
• 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
• 默认关闭状态提示音，减少平台差异和额外依赖
• 如果用户手动打开状态提示音，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

环境要求

macOS 最小跑通环境

• 已安装商汤输入法 AudioClaw，并且能找到 CLI：
  • /Applications/商汤输入法AudioClaw.app/Contents/Resources/claws/picoclaw/audioclaw-darwin-arm64
  • 或 /Applications/商汤输入法AudioClaw.app/Contents/Resources/claws/picoclaw/audioclaw-darwin-amd64
• 有可用的 python3
• 已通过用户级凭据文件提供 SenseAudio key：
  • ~/.audioclaw/workspace/state/senseaudio_credentials.json
• 如果没有安装 numpy + sounddevice + webrtcvad，当前 skill 会优先回退到 macOS 原生 Swift 录音器
• 使用原生 Swift 录音器时，建议本机有可用的命令行开发工具：
  • xcode-select --install

Windows 最小跑通环境

• 已安装 Windows 版 AudioClaw，并且能找到内部 CLI：
  • C:\Program Files\AudioClaw\resources\claws\picoclaw\audioclaw.exe
• 已安装真实可用的 Python，推荐：
  • Python 3.11 x64
  • 或 Python 3.12 x64
• Windows 不建议把 C:\Users\<用户名>\AppData\Local\Microsoft\WindowsApps\python.exe 当成真实 Python
• 当前 Windows 版最小录音链路需要：
  • numpy
  • sounddevice
  • webrtcvad
  • setuptools
• 用户级凭据文件需要存在：
  • C:\Users\<用户名>\.audioclaw\workspace\state\senseaudio_credentials.json

推荐安装命令：

py -3 -m pip install --upgrade pip setuptools
py -3 -m pip install numpy sounddevice webrtcvad

完整版服务环境

如果你想把这套 skill 开成更完整的桌面语音服务，建议补齐这些可选能力。

macOS / Windows 通用可选项：

• 可选流式 TTS：
  • miniaudio
• 可选 WeSpeaker 声纹验证：
  • 建议单独准备用户级虚拟环境
  • 不要塞进 skill 包
• 用户级共享凭据：
  • ~/.audioclaw/workspace/state/senseaudio_credentials.json
  • 或 C:\Users\<用户名>\.audioclaw\workspace\state\senseaudio_credentials.json

WeSpeaker 完整环境建议：

• 推荐独立 Python 版本：
  • Python 3.11
• 推荐用户级环境目录：
  • macOS / Linux: ~/.audioclaw/workspace/tools/wespeaker/.venv
  • Windows: C:\Users\<用户名>\.audioclaw\workspace\tools\wespeaker\.venv
• 典型依赖：
  • torch
  • torchaudio
  • soundfile
  • PyYAML
  • requests
  • onnxruntime
  • s3prl
  • openai-whisper
  • peft
  • wespeaker

说明：

• 当前导出包默认关闭 WeSpeaker
• 当前导出包默认关闭 SenseAudio 流式 TTS
• 这两项属于完整版增强能力，不影响最小跑通链路
• Windows 上如果说“录入我的声音”后明显卡很久，优先检查：
  • C:\Users\<用户名>\.audioclaw\workspace\state\wespeaker\service.log
  • 以及 voiceclaw_runtime.log

日志与排障

当前 skill 现在保留了 3 组用户级日志/状态文件：

• 运行时状态：
  • ~/.audioclaw/workspace/state/voiceclaw_runtime_state.json
• 运行时事件日志：
  • ~/.audioclaw/workspace/state/voiceclaw_runtime.log
• agent 原始错误日志：
  • ~/.audioclaw/workspace/state/voiceclaw_agent_error.log

Windows 上对应路径是：

• C:\Users\<用户名>\.audioclaw\workspace\state\voiceclaw_runtime_state.json
• C:\Users\<用户名>\.audioclaw\workspace\state\voiceclaw_runtime.log
• C:\Users\<用户名>\.audioclaw\workspace\state\voiceclaw_agent_error.log

如果你遇到“聊着聊着突然听不到我说话了”，优先看：

• voiceclaw_runtime.log

常见判断方式：

• 如果里面反复出现 capture_no_speech
  • 更像是麦克风/VAD 没起录，先查录音环境和阈值
• 如果反复出现 asr_empty
  • 更像是录到了声音，但 ASR 没给出有效文本
• 如果反复出现 wake_blocked
  • 更像是当前还在休眠态，没有命中唤醒词
• 如果出现 agent_error
  • 再去看 voiceclaw_agent_error.log

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 "{baseDir}/scripts/start_senseaudio_let_claw_talk_universal.sh"

Windows 可以直接运行：

py -3 "{baseDir}\scripts\start_senseaudio_let_claw_talk_universal.py"

说明：

• Windows 端需要真实可用的 Python 解释器
• 推荐优先使用 py -3
• 如果系统里只有 C:\Users\<用户名>\AppData\Local\Microsoft\WindowsApps\python.exe 这种应用商店别名，启动器会直接提示你安装 Python，或手动设置 VOICECLAW_PYTHON_BIN
• 不建议把真实 SenseAudio key 写进 skill 包本身。更稳的做法是写到用户级文件：
  • C:\Users\<用户名>\.audioclaw\workspace\state\senseaudio_credentials.json
  • 或用当前 skill 自带脚本写入： py -3 "{baseDir}\scripts\configure_senseaudio_credentials.py" --api-key "你的sk-..."

如果要手动指定 Python，再用 SenseAudio TTS：

python3 "{baseDir}/scripts/run_continuous_voice_assistant.py" \
  --tts-mode senseaudio \
  --capture-backend auto \
  --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：

python3 "{baseDir}/scripts/run_continuous_voice_assistant.py" \
  --tts-mode system

默认启动后，先说：

贾维斯

再继续提问。

如果想让它立刻回到休眠，可以说：

贾维斯休息

如果想让它记住你的偏好，可以直接说：

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：

当前设置

如果想开启或使用 WeSpeaker，可直接说：

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：

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 "{baseDir}/scripts/start_senseaudio_let_claw_talk_universal.sh"

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

python3 "{baseDir}/scripts/launch_senseaudio_let_claw_talk_universal.py"

在 Windows 工具侧，优先运行：

py -3 "{baseDir}\scripts\launch_senseaudio_let_claw_talk_universal.py"

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 直接打开一个新的终端窗口承载会话
• 这个启动器会按平台自动选择：
  • macOS：Terminal + osascript
  • Windows：Python + CREATE_NEW_CONSOLE
  • Linux：常见 terminal emulator

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：

python3 "{baseDir}/scripts/launch_senseaudio_let_claw_talk_universal.py"

如果当前运行环境是 Windows，优先执行：

py -3 "{baseDir}\scripts\launch_senseaudio_let_claw_talk_universal.py"

不要在工具侧直接执行长期入口；工具调用更适合用 launch_*.py，它会拉起新终端后立刻返回 opened_terminal。

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 auto
• --voice-id male_0004_a
• --emotion calm
• --tts-speed 1.25
• --no-senseaudio-streaming-tts
• --speaker-verification-backend none
• --no-status-sounds

如果需要改默认值，可以在启动前设置：

export VOICECLAW_TTS_MODE=system
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_STATUS_SOUNDS=0
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：

python3 -m pip install --user miniaudio

然后保持：

export VOICECLAW_SENSEAUDIO_STREAMING_BACKEND=auto

如果想强制只用这条后端，也可以显式传：

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：

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：

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：

{baseDir}/references/wespeaker_user_setup.md

如果要关闭默认唤醒词：

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

如果要关闭默认睡眠词：

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

如果要启用播报打断：

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

如果想临时关闭默认打断：

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：

--once

如果用户想用现成音频文件做链路验证，可以加：

--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：

--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：

--no-wake-phrase

如果用户说“播报时我还想插话”，优先加：

--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_universal.sh
  • macOS / Linux 命令行短入口
• scripts/start_senseaudio_let_claw_talk_universal.py
  • 跨平台长期运行入口，负责设置默认环境并启动语音助手主循环
• scripts/launch_senseaudio_let_claw_talk_universal.py
  • 给 AudioClaw / OpenClaw 调用的跨平台稳定启动器，会按平台打开新的终端窗口并接管长期语音会话；Windows 端不再依赖 bat/ps1
• scripts/macos_mic_capture.swift
  • macOS 麦克风录音兜底实现