使用 Soniox 实时语音识别技术为 OpenClaw 提供后台语音日记功能。需要配置 SONIOX_API_KEY，请前往 https://soniox.com/speech-to-text 获取或创建您的 Soniox API 密钥。当用户请求启动或停止被动语音记录（例如“开始语音日记”“开始语音日志”“结束语音日记”）或要求总结/转录最近 N 分钟的对话内容时使用此功能。

安装并使用 speechall 命令行工具进行语音转文本转录。适用于用户需要：（1）将音频或视频文件转录为文本，（2）在 macOS 或 Linux 上安装 speechall，（3）列出可用的语音识别模型及其功能，（4）通过终端使用说话人分离、字幕或其他转录功能。当提及 speechall、音频转录命令行工具或命令行语音转文本时触发。

向 dr.eamer.dev LLM API 发送请求，以实现聊天补全、视觉分析、图像生成、文本转语音和视频生成，支持12家模型提供商。适用于需要调用外部LLM接口或比较不同提供商响应的场景。

使用 fal.ai 音频模型实现文本转语音和语音转文本

通过 WebSocket 使用 Azure OpenAI 的 GPT Realtime Mini 模型生成 AI 驱动的播客风格音频叙事，适用于构建语音合成、音频叙事生成和播客创作等功能

语音代理代表了人机交互的前沿——人类以自然语言与AI系统交流。挑战不仅在于语音识别与合成，更在于实现流畅自然的对话

遵循 Sentry 品牌指南撰写文案，适用于用户界面文本、错误消息、空状态、引导流程、404 页面、文档和营销内容等所有面向用户的场景，涵盖日常口语风格（默认）和 Sentry 专属语调。

MiniMax多模态模型技能——使用MiniMax多模态模型生成语音、音乐、视频和图像。利用MiniMax AI创建语音（文本转语音、语音克隆、语音设计、多段合成）、音乐（歌曲、纯音乐）、视频（文本转视频、图像转视频、起止帧、主体参考、模板、长篇多场景）、图像（文本转图像、带角色参考的图像转图像）以及媒体处理（转换、拼接、剪裁、提取）。当用户提及MiniMax、多模态生成，或希望生成语音/音乐/视频/图像AI内容、使用MiniMax API或结合MiniMax输出的FFmpeg工作流时启用此技能。

使用 Telnyx 文本转语音 API 将文本生成语音音频，适用于将文本转换为语音、创建语音消息或生成音频内容的场景。