OpenClaw的实时语音助手，将麦克风音频通过可配置的语音识别（Deepgram或ElevenLabs）流入您的OpenClaw代理，再通过可配置的语音合成（Deepgram Aura或ElevenLabs）播放响应，全程支持全流式传输，首音频延迟低于2秒。

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。

使用 Telnyx 语音转文本 API 将音频文件转录为文本。适用于需要将音频录音、语音消息或口语内容转换为文本的场景。

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

在 macOS 上使用原生苹果功能实现本地语音识别和语音合成。语音转文字通过 yap（Apple Speech.framework）实现，文字转语音通过 say 加 ffmpeg 实现。完全离线运行，无需 API 密钥。内置语音质量检测与智能语音选择功能。

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

在Apple Silicon上使用FluidAudio实现本地文本转语音TTS和语音转文本STT通过Apple神经网络引擎在设备上全本地运行，实现亚秒级语音合成与转录适用于配置本地语音功能语音助手集成或替代云端TTSSTT服务

使用 LiveKit 构建语音 AI 代理。适用于开发实时语音应用、语音代理流水线（语音识别-大语言模型-语音合成）、WebRTC 通信或部署对话式 AI。涵盖 LiveKit Agents SDK、供应商选择（Deepgram、OpenAI、ElevenLabs、Cartesia）以及云部署与自托管部署。