OpenClaw 的智能 Telegram 回复流程：若用户发送文本，则回复文本；若用户发送语音或音频，则利用本地安装的 mlx_audio（Apple Silicon 默认使用 Qwen3-ASR）进行本地转录，随后以相同语言生成有意义的回复。通过 Telegram 发送包含字幕的语音消息，确保用户收到一条同时包含语音和文字的消息（字幕文本须与语音内容完全一致）。除非用户明确要求其他语言，否则始终遵循输入语言（中文→中文，英文→英文）

基于 MLX 在 Mac 上运行的本地 24x7 OpenAI 兼容 API 服务器，支持语音转文字和文字转语音

使用 MLX（苹果芯片）和开源模型（默认 QWen3-TTS）本地实现文本转语音

使用 MLX（Apple 芯片）和开源模型（默认为 GLM-ASR-Nano-2512）本地实现语音转文本

从GETTR帖子下载音频（通过HTML的og:video），使用MLX Whisper在Apple Silicon设备上本地转录（含VTT格式的时间戳），并将转录内容总结为要点或带时间戳的提纲。当提供GETTR帖子链接并需要生成转录或摘要时使用。

基于令牌的上下文压缩，适用于不报告上下文限制的本地模型（MLX、llama.cpp、Ollama）

通过 API 使用 DrawThings（Stable Diffusion）生成图像，适用于根据文本提示创建图像、运行图像生成工作流或批量生成图像。DrawThings 在 Mac 上本地运行，并借助 MLX/CoreML 加速。