核心用法
OpenClaw Voice Skill 是一款命令行语音交互工具，整合 OpenAI Whisper 语音识别与 ElevenLabs 语音合成技术，实现「录音 → 转文字 → AI 生成回复 → 语音播报」的完整闭环。用户通过 CLI 命令触发录音（调用系统 sox/rec），音频经 Whisper API 转为文本后送入大模型生成回复，再由 ElevenLabs TTS 合成语音并通过 ffplay 播放。所有对话记录以结构化形式存入 SQLite（WAL 模式），支持后续检索与导出。
显著优点
1. 全链路 CLI 化：无需 GUI，适合开发者与服务器环境，易于脚本化与自动化集成。
2. 专业级语音质量：ElevenLabs 提供高拟真语音合成，Whisper 在多语言识别上表现稳定。
3. 本地数据持久化：SQLite + WAL 模式确保对话历史可靠存储，支持全文检索与备份。
4. 架构可扩展：基于 Node.js ESM 模块化设计，interchange 协议便于对接其他 OpenClaw 组件。
潜在缺点与局限性
- v1 版本无实时对话：需逐轮命令触发，无法实现连续语音聊天（v1.1 规划）。
- 外部依赖较重：依赖 sox/rec、ffplay 系统命令，跨平台兼容性需额外配置。
- 云端 API 成本：Whisper 与 ElevenLabs 均按用量计费，高频使用成本累积。
- 无内置音频处理：依赖子进程调用，延迟与错误处理弱于原生音频库。
适合人群
开发者、极客用户、需构建语音工作流的技术团队，以及希望在本地留存完整对话记录的研究者。
常规风险
- API 密钥泄露风险：需妥善保管 OpenAI/ElevenLabs 密钥。
- 隐私合规：语音数据上传至第三方服务，敏感场景需评估数据出境与存储条款。
- 依赖可用性：云端服务限流或故障将中断功能。