Talk မုဒ်¶

Talk မုဒ်သည် ဆက်တိုက် အသံဖြင့် စကားပြောဆိုနိုင်သော လုပ်ဆောင်ချက် လှည့်ပတ်မှုတစ်ခု ဖြစ်သည်—

1. စကားပြောအသံကို နားထောင်သည်
2. ပြန်ရေးသားထားသော စာသားကို မော်ဒယ်သို့ ပို့သည် (main session, chat.send)
3. တုံ့ပြန်ချက်ကို စောင့်သည်
4. ElevenLabs မှတစ်ဆင့် (streaming playback) အသံထုတ်ပြောသည်

ပြုမူပုံ (macOS)¶

• Talk မုဒ် ဖွင့်ထားစဉ် အမြဲတမ်း ပေါ်နေသော overlay။
• Listening → Thinking → Speaking အဆင့်အလိုက် ပြောင်းလဲမှုများ။
• ခဏတာ ရပ်နားမှု (တိတ်ဆိတ်ချိန်ကာလ) ဖြစ်သည့်အခါ လက်ရှိ transcript ကို ပို့သည်။
• တုံ့ပြန်ချက်များကို WebChat သို့ ရေးထည့်သည် (စာရိုက်သည့်အတိုင်းတူ)။
• စကားပြောနေစဉ် အနှောင့်အယှက် ပြုလုပ်နိုင်ခြင်း (မူလအတိုင်း ဖွင့်ထား): အကူအညီပေးသူက ပြောနေစဉ် အသုံးပြုသူ စကားပြောစတင်ပါက playback ကို ရပ်ပြီး နောက်တစ်ကြိမ် prompt အတွက် အနှောင့်အယှက် ဖြစ်သည့် အချိန်တံဆိပ်ကို မှတ်သားထားသည်။

တုံ့ပြန်ချက်များအတွင်း အသံညွှန်ကြားချက်များ¶

အကူအညီပေးသူသည် အသံကို ထိန်းချုပ်ရန် JSON တစ်ကြောင်းတည်း ကို မိမိတုံ့ပြန်ချက်၏ အစတွင် ထည့်နိုင်သည်—

{ "voice": "<voice-id>", "once": true }

စည်းကမ်းများ—

• ပထမဆုံး မလွတ်လပ်သော စာကြောင်းတစ်ကြောင်းသာ။
• မသိသော ကီးများကို လျစ်လျူရှုမည်။
• once: true သည် လက်ရှိ တုံ့ပြန်ချက်အတွက်သာ သက်ရောက်သည်။
• once မပါရှိပါက အသံသည် Talk မုဒ်အတွက် မူလအတိုင်း အသစ်ဖြစ်သွားမည်။
• TTS playback မပြုလုပ်မီ JSON စာကြောင်းကို ဖယ်ရှားမည်။

ပံ့ပိုးထားသော ကီးများ—

• voice / voice_id / voiceId
• model / model_id / modelId
• speed, rate (WPM), stability, similarity, style, speakerBoost
• seed, normalize, lang, output_format, latency_tier
• once

ဖွဲ့စည်းမှု (~/.openclaw/openclaw.json)¶

{
  talk: {
    voiceId: "elevenlabs_voice_id",
    modelId: "eleven_v3",
    outputFormat: "mp3_44100_128",
    apiKey: "elevenlabs_api_key",
    interruptOnSpeech: true,
  },
}

မူလတန်ဖိုးများ—

• interruptOnSpeech: true
• voiceId: ELEVENLABS_VOICE_ID / SAG_VOICE_ID သို့ ပြန်လည် ချိတ်ဆက်မည် (API key ရရှိပါက ElevenLabs အသံ ပထမဆုံးတစ်ခုကို အသုံးပြုမည်)
• modelId: မသတ်မှတ်ထားပါက eleven_v3 သို့ မူလအတိုင်း သတ်မှတ်မည်
• apiKey: ELEVENLABS_API_KEY သို့ ပြန်လည် ချိတ်ဆက်မည် (ရရှိပါက gateway shell profile ကို အသုံးပြုမည်)
• outputFormat: macOS/iOS တွင် pcm_44100 နှင့် Android တွင် pcm_24000 သို့ မူလအတိုင်း သတ်မှတ်မည် (MP3 streaming ကို အတင်းအကျပ် သုံးရန် mp3_* ကို သတ်မှတ်နိုင်သည်)

macOS အသုံးပြုသူ မျက်နှာပြင်¶

• မီနူးဘား ခလုတ်: Talk
• Config တဘ်: Talk Mode အုပ်စု (voice id + အနှောင့်အယှက် ခလုတ်)
• အပေါ်ထပ် ပြသမှု:
• Listening: မိုက်အဆင့်အလိုက် တိမ်ပုံ လှုပ်ရှားမှု
• Thinking: အောက်သို့ စိမ့်ဝင်သည့် အန်နီမေးရှင်း
• Speaking: လှိုင်းဝိုင်းများ ဖြန့်ထွက်လာခြင်း
• တိမ်ပုံကို နှိပ်ပါက: စကားပြောခြင်းကို ရပ်မည်
• X ကို နှိပ်ပါက: Talk မုဒ်မှ ထွက်မည်

မှတ်ချက်များ¶

• Speech + Microphone ခွင့်ပြုချက်များ လိုအပ်သည်။
• session key main ကို အသုံးပြုပြီး chat.send ကို အသုံးချသည်။
• TTS သည် ElevenLabs streaming API ကို ELEVENLABS_API_KEY ဖြင့် အသုံးပြုပြီး macOS/iOS/Android တွင် latency လျော့ချရန် incremental playback ကို အသုံးပြုသည်။
• eleven_v3 အတွက် stability ကို 0.0, 0.5, သို့မဟုတ် 1.0 ဟုတ်မဟုတ် စစ်ဆေးအတည်ပြုသည်; အခြား မော်ဒယ်များသည် 0..1 ကို လက်ခံသည်။
• latency_tier ကို သတ်မှတ်ထားပါက 0..4 ဖြစ်ရမည်ဟု အတည်ပြုသည်။
• Android သည် latency နည်းသော AudioTrack streaming အတွက် pcm_16000, pcm_22050, pcm_24000, နှင့် pcm_44100 output ဖော်မတ်များကို ပံ့ပိုးသည်။