第22章 语音唤醒 (Voice Wake) —— 语音交互体验

语音唤醒是 OpenClaw 的 always-ready 交互模式，设备一直监听，你说唤醒词就直接响应，不用手动点按钮。本章介绍语音唤醒的配置、工作原理和最佳实践。

什么是语音唤醒

语音唤醒 = 离线监听 + 关键词触发 + 语音对话：

• 离线监听：关键词检测在本地运行，不上传云端，保护隐私
• 低功耗：待机功耗很低，可以一直开着
• 一键触发：说"Hi Claude"（自定义关键词）就唤醒开始对话
• 语音转文字 + 文字转语音：全链路语音交互

解放双手，场景对了效率比打字高很多。

使用场景

1. 智能家居中控

你在家里走动，随口问：

• “今天天气怎么样？”
• “把客厅灯调到 50% 亮度”
• “帮我点一杯咖啡到公司”

不用找手机，不用开 APP，张口就来。

2. 编程时查资料

手上沾着键盘：

• “这个错误 NullPointerException 一般是什么原因？”
• “帮我写一个快排的 Go 实现”
• “OpenClaw 怎么配置 fallback？”

不用停下来洗手摸鼠标，直接问。

3. 开车时助手

导航、发消息、查日程：

• “导航到最近的加油站”
• “明天早上 9 点开会提醒我”
• “回短信说’我十分钟到'”

安全驾驶，不用动手。

4. 厨房做菜

查菜谱、计时：

• “300 克面粉是多少毫升？”
• “帮我计 5 分钟计时器”
• “这个菜放盐还是放糖？”

手沾着面粉不用碰屏幕。

配置

硬件要求

• 麦克风：可用就行，普通笔记本麦克风够用
• 性能：关键词检测占用不到 10% CPU，现代设备都没问题
• 网络：唤醒后语音识别需要网络，离线识别也支持但准确度低一点

快速开启

# 交互式配置
openclaw onboard voice-wake

跟着向导走：

1. 选择语音识别提供者（OpenAI Whisper / OpenClaw 离线 / 第三方）
2. 训练唤醒词（说三遍，让模型适应你的声音）
3. 设置灵敏度
4. 启动监听

就好了。

配置文件示例

语音唤醒配置写在你的主配置文件 ~/.openclaw/openclaw.json 的 plugins.entries 下：

{
  plugins: {
    entries: {
      "voice-wake": {
        enabled: true,
        config: {
          // 唤醒词
          wakePhrase: "Hi Claude",
          // 灵敏度 0-1，越高越容易唤醒，但误唤醒也多
          sensitivity: 0.5,
          // 监听模式
          mode: "continuous", // continuous | push-to-talk
          // 连续监听模式下，听多久超时
          idleTimeoutSeconds: 30,
          // 语音识别
          asr: {
            provider: "openai/whisper", // 或者 "whisper-local" 离线
            model: "whisper-1",
          },
          // 文字转语音
          tts: {
            provider: "openai",
            voice: "alloy",
          },
        },
      },
    },
  },
}

两种模式

自定义唤醒词

你可以改成任何关键词：

• “OK Computer”
• “Hey Assistant”
• “Jarvis”
• 中文也支持：“你好小爪”（OpenClaw → 小爪）

训练：

openclaw voice-wake train "你好小爪"

按照提示说三遍，生成个性化模型。

工作原理

分层架构

麦克风音频流 → 本地 VAD 检测 → 唤醒词检测 → 唤醒 → ASR 转文字 → Gateway 处理 → TTS 转语音 → 扬声器播放

VAD：语音活动检测，检测有没有人说话，没人说话不处理，省功耗。

唤醒词检测：本地运行小模型，只检测关键词，不是关键词直接丢，不上传。

只有检测到唤醒词才会：

1. 开始录音整段话
2. 上传做 ASR 识别
3. 处理完 TTS 返回播放

所以大部分时间数据都不出去，隐私友好。

本地 vs 云端

OpenClaw 默认混合模式，平衡隐私和体验。

最佳实践

1. 选择合适的灵敏度

• 环境安静：灵敏度可以高一点 (0.6-0.7)
• 环境嘈杂：灵敏度低一点 (0.3-0.4)
• 误唤醒多：降灵敏度，或者换更特别的唤醒词
• 唤不醒：升灵敏度，或者训练的时候发音清楚一点

2. 唤醒词选择技巧

• ✅ 两到三个音节，太短容易误触发，太长难记
• ✅ 不常用词，日常对话很少说到，减少误唤醒
• ✅ 发音清晰，每个音节反差大，容易检测
• ❌ 太短（一个音节），容易误触发
• ❌ 太长（五个音节以上），说起来累

好例子：“Hi Claude”（2音节）、“你好小爪”（4音节）

3. 摆放麦克风

• 朝向你说话的方向
• 离空调、冰箱、抽油烟机等噪音源远一点
• 笔记本内置麦克风够用，想要更好体验可以外接麦克风

4. 语音对话技巧

• 一句话说清楚需求，不要停顿太久
• 环境噪音大的时候靠近一点说
• 说完停顿一下，等检测结束，不用抢话

隐私说明

语音唤醒设计隐私优先：

1. 唤醒词检测完全本地——音频不离开设备
2. 只有唤醒后才会上传整段语音做识别
3. 识别完删除原音频——OpenClaw 不存储你的语音
4. 推送说话模式——不用时候不监听，完全隐私

如果你选全本地模式，语音数据从来不离开你的设备，真正隐私彻底保护。

故障排查

问题：频繁误唤醒

• 解决：降低灵敏度，换一个不常用的唤醒词，麦克风远离喇叭播放音乐的地方

问题：总是唤不醒

• 解决：提高灵敏度，重新训练唤醒词（发音清楚一点），麦克风靠近一点

问题：唤醒了但识别不对

• 解决：检查网络，换更大的 ASR 模型，说话慢一点清楚一点

问题：CPU 占用太高

• 解决：检查是不是用了太大的本地模型，唤醒词检测本身不占资源，大模型才占

本章小结

• 语音唤醒提供 hands-free 全链路语音交互
• 混合架构设计：本地检测唤醒词，云端做识别合成，平衡隐私和体验
• 支持自定义唤醒词，两种模式（持续监听/按键说话）
• 适合智能家居、做饭、开车、双手不空等场景
• 隐私设计优先，默认不上传音频，全本地模式可选