Voice Assistant 深度评估
核心用法
Voice Assistant 是 OpenClaw 生态的实时语音交互层，将传统文本对话扩展为自然语音对话。用户通过浏览器麦克风输入语音，系统经 WebSocket 实时传输至后端，由配置好的 STT（语音识别）服务转为文本，送入 OpenClaw 网关的 LLM 代理，再将流式生成的回复通过 TTS（语音合成）转换为音频回传播放。
配置过程通过环境变量 .env 完成，支持 Deepgram 与 ElevenLabs 双供应商自由组合。运行依赖单一工具 uv（Python 包管理器），启动后访问本地 7860 端口即可交互。
典型工作流：
1. 浏览器捕获麦克风 PCM 音频流 → WebSocket 上传
2. STT 实时返回部分转写，话尾检测后完整文本送入 OpenClaw 网关
3. LLM 通过 SSE 流式生成回复
4. 句子级分块送入 TTS，音频流即时回传浏览器播放
5. 支持「打断」（Barge-In）：用户说话时自动取消当前播放并启新会话
显著优点
- 低延迟架构：端到端首音频目标 <2.5s，实测 1.0-2.5s，满足实时对话体感阈值
- 全链路流式：音频、转写、LLM 输出、合成全程流式，无等待完整响应
- 供应商灵活：STT/TTS 各支持两家主流厂商，可按质量、成本、延迟、多语言需求组合
- OpenClaw 原生：直接复用现有 agent 的上下文、工具调用与记忆，零迁移成本
- 打断友好：内置 VAD（语音活动检测）与打断机制，交互自然
潜在局限
- 环境依赖重：需有效 API Key（Deepgram/ElevenLabs）、本地运行 OpenClaw 网关、浏览器麦克风权限，配置门槛不低
- 网络敏感：WebSocket 长连接对网络稳定性要求高，弱网场景易中断
- 成本叠加：STT + TTS + LLM 三重 API 调用，高频使用下费用显著高于纯文本交互
- 浏览器限制：首次使用需手动授权麦克风，部分安全策略严格的浏览器/企业环境可能受阻
- 无内置降噪：依赖浏览器或系统级音频处理，嘈杂环境识别率下降
适合人群
- 已部署 OpenClaw 且希望扩展语音交互能力的开发者
- 追求低延迟、高质量语音合成的 AI 应用原型搭建者
- 需要多语言支持或特定品牌声音（ElevenLabs 优势）的产品场景
- 愿意承担 API 成本换取体验升级的高级用户
常规风险
| 风险类型 | 说明 | 缓解建议 |
|---------|------|---------|
| API 密钥泄露 | `.env` 文件明文存储密钥 | 使用环境变量注入或密钥管理服务，禁止提交至版本控制 |
| 本地网关暴露 | 默认监听 `localhost:7860`，若误配为 `0.0.0.0` 可能被内网利用 | 保持默认绑定，或添加身份验证层 |
| 音频数据隐私 | 麦克风音频流经第三方 STT/TTS 服务商 | 审阅供应商数据条款，敏感场景考虑本地 STT/TTS 方案 |
| 过度授权 | 浏览器麦克风权限一旦授予持续有效 | 使用后主动撤销权限，或采用一次性会话 |
| 依赖单点故障 | `uv` 工具链或供应商 API 异常将导致服务中断 | 监控供应商状态，保留文本交互降级方案 |