---
read_when:
    - macOS/iOS/Android पर Talk मोड लागू करना
    - आवाज़/TTS/व्यवधान के व्यवहार में बदलाव करना
summary: 'टॉक मोड: स्थानीय STT/TTS और रीयलटाइम वॉइस के माध्यम से निरंतर मौखिक बातचीत'
title: वार्ता मोड
x-i18n:
    generated_at: "2026-07-27T18:02:15Z"
    model: gpt-5.6
    postprocess_version: locale-links-v1
    prompt_version: 32
    provider: openai
    source_hash: b21319eee169ba898331f87279a2b2a5170441131a1e9cdc85c15b268d165e21
    source_path: nodes/talk.md
    workflow: 16
---

Talk मोड पाँच रनटाइम स्वरूपों को कवर करता है:

- **मूल macOS/iOS/Android Talk**: मूल वाक् पहचान, Gateway चैट और `talk.speak` TTS। macOS/iOS पर Apple Speech पहचान नेटवर्क सेवाओं का उपयोग कर सकती है; Android का व्यवहार इंस्टॉल की गई वाक् सेवा पर निर्भर करता है। Nodes `talk` क्षमता का विज्ञापन करते हैं और बताते हैं कि वे किन `talk.*` कमांड का समर्थन करते हैं।
- **iOS Talk (रीयलटाइम)**: OpenAI रीयलटाइम कॉन्फ़िगरेशन के लिए क्लाइंट-स्वामित्व वाला WebRTC, जो `webrtc` ट्रांसपोर्ट चुनते हैं या ट्रांसपोर्ट को छोड़ देते हैं। स्पष्ट `gateway-relay`, `provider-websocket` और गैर-OpenAI रीयलटाइम कॉन्फ़िगरेशन Gateway-स्वामित्व वाले रिले पर बने रहते हैं; गैर-रीयलटाइम कॉन्फ़िगरेशन मूल वाक् लूप का उपयोग करते हैं।
- **ब्राउज़र Talk**: क्लाइंट-स्वामित्व वाले `webrtc`/`provider-websocket` सत्रों के लिए `talk.client.create`, या Gateway-स्वामित्व वाले `gateway-relay` सत्रों के लिए `talk.session.create`। `managed-room` Gateway हैंडऑफ़ और वॉकी-टॉकी रूम के लिए आरक्षित है।
- **Android Talk (रीयलटाइम)**: `talk.realtime.mode: "realtime"` और `talk.realtime.transport: "gateway-relay"` के साथ ऑप्ट इन करें। अन्यथा Android मूल वाक् पहचान, Gateway चैट और `talk.speak` पर बना रहता है।
- **केवल-ट्रांसक्रिप्शन क्लाइंट**: सहायक की ध्वनि-प्रतिक्रिया के बिना कैप्शन/श्रुतलेखन के लिए `talk.session.create({ mode: "transcription", transport: "gateway-relay", brain: "none" })`, फिर `talk.session.appendAudio`, `talk.session.cancelTurn` और `talk.session.close`। एक बार में अपलोड किए गए वॉइस नोट अब भी [मीडिया की समझ](/hi/nodes/media-understanding) ऑडियो पथ का उपयोग करते हैं।

मूल Talk एक सतत लूप है: वाणी सुनें, सक्रिय सत्र के माध्यम से ट्रांसक्रिप्ट को मॉडल के पास भेजें, प्रतिक्रिया की प्रतीक्षा करें, फिर कॉन्फ़िगर किए गए Talk प्रदाता (`talk.speak`) के माध्यम से उसे बोलें।

क्लाइंट-स्वामित्व वाला रीयलटाइम Talk, `chat.send` को सीधे कॉल करने के बजाय प्रदाता के टूल कॉल को `talk.client.toolCall` के माध्यम से अग्रेषित करता है। जब कोई रीयलटाइम परामर्श सक्रिय होता है, तो क्लाइंट बोले गए इनपुट को `status`, `steer`, `cancel` या `followup` के रूप में वर्गीकृत करने के लिए `talk.client.steer` या `talk.session.steer` को कॉल कर सकते हैं। स्वीकृत निर्देशन सक्रिय एम्बेडेड रन की कतार में जुड़ जाता है; अस्वीकृत निर्देशन `no_active_run`, `not_streaming` या `compacting` जैसा कारण लौटाता है।

अंतिम रूप दिए गए रीयलटाइम उपयोगकर्ता और सहायक कथन हमेशा सक्रिय एजेंट सत्र में लाइव जोड़े जाते हैं, ताकि बाद की चैट और ध्वनि वार्ताएँ एक ही इतिहास साझा करें। क्लाइंट-स्वामित्व वाले ट्रांसपोर्ट अपने अंतिम रूप दिए गए ट्रांसक्रिप्ट को स्थिर प्रविष्टि आईडी के साथ रिपोर्ट करते हैं; Gateway रिले सत्र उन्हीं ईवेंट को सर्वर-साइड पर जोड़ते हैं। प्रदाता सत्रों को Discord वॉइस द्वारा उपयोग किया जाने वाला सीमित रीयलटाइम प्रोफ़ाइल संदर्भ भी मिलता है।

ध्वनि से शुरू हुए परामर्श रन में संदेश भेजने, Nodes को नियंत्रित करने, ब्राउज़र/कंप्यूटर क्रियाओं, सेवा परिवर्तनों, विनाशकारी शेल कमांड या प्रकाशन जैसी उच्च-प्रभाव वाली क्रियाओं से पहले नई और सटीक मौखिक पुष्टि आवश्यक होती है। पुष्टि केवल अवरुद्ध टूल के ठीक उन्हीं आर्ग्युमेंट पर लागू होती है और एक बार उपयोग हो जाती है; असंबंधित समवर्ती रन अप्रभावित रहते हैं। कॉल बंद होने पर, OpenClaw सत्र के अंतिम गैर-WebChat डिलीवरी लक्ष्य को परिवर्तनकारी टूल के लिए एक संक्षिप्त **वॉइस कॉल परिवर्तन** सारांश भेज सकता है।

केवल-ट्रांसक्रिप्शन Talk, रीयलटाइम और STT/TTS सत्रों जैसा ही Talk ईवेंट एनवेलप उत्सर्जित करता है, लेकिन `mode: "transcription"` और `brain: "none"` का उपयोग करता है। सभी Talk सत्र `talk.event` चैनल पर ईवेंट प्रसारित करते हैं; क्लाइंट आंशिक/अंतिम ट्रांसक्रिप्ट अपडेट (`transcript.delta`/`transcript.done`) और अन्य सत्र टेलीमेट्री के लिए इसकी सदस्यता लेते हैं।

ब्राउज़र Video Talk, OpenAI Realtime WebRTC और Google Live
प्रदाता-WebSocket सत्रों के लिए उपलब्ध है। जब
`describe_view` दृश्य संदर्भ माँगता है, तब OpenAI को एक सीमित JPEG मिलता है; उसे निरंतर
कैमरा ट्रैक नहीं मिलता। Google Live सीधे
ब्राउज़र से प्रति सेकंड अधिकतम एक फ़्रेम की दर से सीमित JPEG फ़्रेम प्राप्त करता है, जबकि `describe_view`
कैमरा-स्ट्रीम स्थिति की रिपोर्ट करता है। दोनों मामलों में, कैमरा फ़्रेम Gateway को बायपास करते हैं और
Talk रोकने पर कैमरा तथा माइक्रोफ़ोन ट्रैक मुक्त हो जाते हैं।

## व्यवहार (macOS)

- Talk मोड सक्षम रहने के दौरान हमेशा चालू रहने वाला ओवरले।
- **सुनना → सोचना → बोलना** चरण परिवर्तन।
- थोड़े विराम (मौन अवधि) पर वर्तमान ट्रांसक्रिप्ट भेज दिया जाता है।
- उत्तर WebChat में लिखे जाते हैं (टाइप करने के समान)।
- **बोलने पर बाधित करें** (डिफ़ॉल्ट रूप से चालू): यदि सहायक के बोलते समय उपयोगकर्ता बोलता है, तो प्लेबैक रुक जाता है और अगले प्रॉम्प्ट के लिए व्यवधान का टाइमस्टैम्प दर्ज किया जाता है।

## उत्तरों में ध्वनि निर्देश

सहायक ध्वनि नियंत्रित करने के लिए उत्तर के आरंभ में एक JSON पंक्ति जोड़ सकता है:

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

नियम:

- केवल पहली गैर-रिक्त पंक्ति; TTS प्लेबैक से पहले JSON पंक्ति हटा दी जाती है।
- अज्ञात कुंजियों को अनदेखा किया जाता है।
- `once: true` केवल वर्तमान उत्तर पर लागू होता है; इसके बिना ध्वनि नया Talk मोड डिफ़ॉल्ट बन जाती है।

समर्थित कुंजियाँ: `voice` / `voice_id` / `voiceId`, `model` / `model_id` / `modelId`, `speed`, `rate` (WPM), `stability`, `similarity`, `style`, `speakerBoost`, `seed`, `normalize`, `lang`, `output_format`, `latency_tier`, `once`।

## कॉन्फ़िगरेशन (`~/.openclaw/openclaw.json`)

```json5
{
  talk: {
    provider: "elevenlabs",
    providers: {
      elevenlabs: {
        voiceId: "elevenlabs_voice_id",
        modelId: "eleven_v3",
        outputFormat: "mp3_44100_128",
        apiKey: "elevenlabs_api_key",
      },
      mlx: {
        modelId: "mlx-community/Soprano-80M-bf16",
      },
      system: {},
    },
    speechLocale: "ru-RU",
    silenceTimeoutMs: 1500,
    interruptOnSpeech: true,
    realtime: {
      provider: "openai",
      providers: {
        openai: {
          apiKey: "openai_api_key",
          model: "gpt-realtime-2.1",
          speakerVoice: "cedar",
        },
      },
      instructions: "Speak warmly and keep answers brief.",
      mode: "realtime",
      transport: "webrtc",
      brain: "agent-consult",
    },
  },
}
```

| कुंजी                                      | डिफ़ॉल्ट                                    | टिप्पणियाँ                                                                                                                                                                                                                                                                      |
| ---------------------------------------- | ------------------------------------------ | -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
| `provider`                               | -                                          | Active Talk TTS प्रदाता। macOS-स्थानीय प्लेबैक पथों के लिए `elevenlabs`, `mlx`, या `system` का उपयोग करें।                                                                                                                                                                             |
| `providers.<id>.voiceId`                 | -                                          | ElevenLabs, `ELEVENLABS_VOICE_ID` / `SAG_VOICE_ID`, या API कुंजी के साथ उपलब्ध पहली वॉइस पर फ़ॉलबैक करता है।                                                                                                                                                             |
| `speechLocale`                           | डिवाइस डिफ़ॉल्ट                             | Android, iOS और macOS की नेटिव वाक् पहचान के लिए BCP 47 लोकेल। Apple Speech नेटवर्क सेवाओं का उपयोग कर सकता है; Android भाषा घटक को रीयलटाइम इनपुट ट्रांसक्रिप्शन में भी भेजता है।                                                                                  |
| `providers.elevenlabs.modelId`           | `eleven_v3`                                |                                                                                                                                                                                                                                                                            |
| `providers.mlx.modelId`                  | `mlx-community/Soprano-80M-bf16`           |                                                                                                                                                                                                                                                                            |
| `providers.elevenlabs.apiKey`            | -                                          | `ELEVENLABS_API_KEY` (या उपलब्ध होने पर Gateway शेल प्रोफ़ाइल) पर फ़ॉलबैक करता है।                                                                                                                                                                                                |
| `silenceTimeoutMs`                       | `700` ms macOS/Android, `900` ms iOS       | Talk द्वारा ट्रांसक्रिप्ट भेजने से पहले का विराम अंतराल।                                                                                                                                                                                                                             |
| `interruptOnSpeech`                      | `true`                                     |                                                                                                                                                                                                                                                                            |
| `outputFormat`                           | `pcm_44100` macOS/iOS, `pcm_24000` Android | MP3 स्ट्रीमिंग को बाध्य करने के लिए `mp3_*` सेट करें।                                                                                                                                                                                                                                        |
| `consultThinkingLevel`                   | सेट नहीं                                      | रीयलटाइम `openclaw_agent_consult` कॉल के पीछे चलने वाले एजेंट रन के लिए विचार स्तर ओवरराइड।                                                                                                                                                                                  |
| `consultFastMode`                        | सेट नहीं                                      | रीयलटाइम `openclaw_agent_consult` कॉल के लिए तेज़-मोड ओवरराइड।                                                                                                                                                                                                            |
| `realtime.provider`                      | -                                          | WebRTC के लिए `openai`, प्रदाता WebSocket के लिए `google`, या Gateway रिले के माध्यम से केवल-ब्रिज प्रदाता।                                                                                                                                                                     |
| `realtime.providers.<id>`                | -                                          | प्रदाता के स्वामित्व वाला रीयलटाइम कॉन्फ़िगरेशन। ब्राउज़र केवल अल्पकालिक/सीमित सत्र क्रेडेंशियल प्राप्त करते हैं, मानक API कुंजी कभी नहीं।                                                                                                                                                 |
| `realtime.providers.openai.speakerVoice` | `alloy`                                    | अंतर्निहित OpenAI Realtime वॉइस आईडी (पुरानी `voice` कुंजी अब भी काम करती है, लेकिन अप्रचलित है)। वर्तमान `gpt-realtime-2.1` वॉइस: `alloy`, `ash`, `ballad`, `cedar`, `coral`, `echo`, `marin`, `sage`, `shimmer`, `verse`; सर्वोत्तम गुणवत्ता के लिए `marin` और `cedar` अनुशंसित हैं। |
| `realtime.transport`                     | -                                          | `webrtc`: iOS और ब्राउज़र में क्लाइंट के स्वामित्व वाला OpenAI WebRTC। `provider-websocket`: ब्राउज़र के स्वामित्व वाला, iOS पर Gateway रिले में बना रहता है। `gateway-relay`: प्रदाता ऑडियो को Gateway पर रखता है; Android केवल इसी ट्रांसपोर्ट के साथ रीयलटाइम का उपयोग करता है।                                  |
| `realtime.brain`                         | -                                          | `agent-consult` रीयलटाइम टूल कॉल को Gateway नीति के माध्यम से रूट करता है; `direct-tools` लीगेसी प्रत्यक्ष-टूल संगतता है; `none` ट्रांसक्रिप्शन/बाहरी ऑर्केस्ट्रेशन के लिए है।                                                                                                 |
| `realtime.consultRouting`                | -                                          | जब प्रदाता `openclaw_agent_consult` को छोड़ देता है, तब `provider-direct` उसके प्रत्यक्ष उत्तर को बनाए रखता है; इसके बजाय `force-agent-consult` अंतिम रूप दिए गए उपयोगकर्ता ट्रांसक्रिप्ट को OpenClaw के माध्यम से रूट करता है।                                                                                          |
| `realtime.instructions`                  | -                                          | OpenClaw के अंतर्निहित रीयलटाइम प्रॉम्प्ट में प्रदाता-संबंधी सिस्टम निर्देश जोड़ता है (वॉइस शैली/लहजा); डिफ़ॉल्ट `openclaw_agent_consult` मार्गदर्शन बना रहता है।                                                                                                                |

`talk.catalog` मानक प्रदाता आईडी और रजिस्ट्री उपनाम, प्रत्येक प्रदाता के मान्य मोड/ट्रांसपोर्ट/ब्रेन रणनीतियाँ/रीयलटाइम ऑडियो प्रारूप/क्षमता फ़्लैग तथा रनटाइम द्वारा चुना गया तत्परता परिणाम उपलब्ध कराता है। प्रथम-पक्ष Talk क्लाइंट को प्रदाता उपनाम स्थानीय रूप से बनाए रखने के बजाय उस कैटलॉग को पढ़ना चाहिए; समूह तत्परता न देने वाले पुराने Gateway को निश्चित रूप से असंरचित मानने के बजाय असत्यापित मानें। स्ट्रीमिंग ट्रांसक्रिप्शन प्रदाताओं को `talk.catalog.transcription` के माध्यम से खोजा जाता है; समर्पित Talk ट्रांसक्रिप्शन कॉन्फ़िगरेशन सतह जारी होने तक वर्तमान Gateway रिले Voice Call स्ट्रीमिंग प्रदाता कॉन्फ़िगरेशन का उपयोग करता है।

## macOS UI

- मेनू बार टॉगल: **Talk**
- कॉन्फ़िगरेशन टैब: **Talk Mode** समूह (वॉइस आईडी + बाधित करने का टॉगल)
- ओवरले: ऑर्ब सार्वभौमिक Talk वेवफ़ॉर्म प्रदर्शित करता है (iOS, watchOS और Android के साथ साझा)। सुनने की अवस्था लाइव माइक स्तर का अनुसरण करती है, बोलने की अवस्था वास्तविक TTS प्लेबैक एनवेलप का अनुसरण करती है, और विचार की अवस्था धीरे-धीरे स्पंदित होती है। रोकने/फिर शुरू करने के लिए ऑर्ब पर क्लिक करें, बोलना रोकने के लिए दो बार क्लिक करें और Talk मोड से बाहर निकलने के लिए X पर क्लिक करें।

## Android UI

- Android का मुख्य नेविगेशन **Home**, **Chat** और **Settings** है। वॉइस इनपुट
  अलग Voice टैब के बजाय Chat कंपोज़र में होता है।
- डिवाइस पर डिक्टेशन के लिए कंपोज़र माइक्रोफ़ोन पर टैप करें। वॉइस-नोट अटैचमेंट रिकॉर्ड करने के लिए
  उसे देर तक दबाएँ। Talk वेवफ़ॉर्म से निरंतर Talk शुरू करें।
- डिक्टेशन, वॉइस-नोट रिकॉर्डिंग और Talk परस्पर अनन्य माइक्रोफ़ोन
  पथ हैं; इनमें से किसी एक को शुरू करने पर अन्य रुक जाते हैं या अवरुद्ध हो जाते हैं।
- रीयलटाइम Talk कनेक्ट किए गए Bluetooth Classic या BLE हेडसेट
  माइक्रोफ़ोन को प्राथमिकता देता है; यदि वह डिस्कनेक्ट हो जाता है, तो ऐप किसी अन्य हेडसेट इनपुट का अनुरोध करता है या
  डिफ़ॉल्ट माइक्रोफ़ोन पर फ़ॉलबैक करता है और कैप्चर रुकने पर
  डिफ़ॉल्ट प्राथमिकता पुनर्स्थापित करता है।
- ऐप के फ़ोरग्राउंड से बाहर जाने या
  उपयोगकर्ता के Chat छोड़ने पर डिक्टेशन और वॉइस-नोट रिकॉर्डिंग रुक जाती हैं।
- Talk Mode बंद किए जाने या Node के डिस्कनेक्ट होने तक चलता रहता है और सक्रिय रहते समय Android के माइक्रोफ़ोन फ़ोरग्राउंड-सेवा प्रकार का उपयोग करता है।
- Android कम विलंबता वाली `AudioTrack` स्ट्रीमिंग के लिए `pcm_16000`, `pcm_22050`, `pcm_24000` और `pcm_44100` आउटपुट प्रारूपों का समर्थन करता है।

## टिप्पणियाँ

- Speech + Microphone अनुमतियाँ आवश्यक हैं।
- नेटिव Talk सक्रिय Gateway सत्र का उपयोग करता है और प्रतिक्रिया इवेंट अनुपलब्ध होने पर ही इतिहास पोलिंग पर फ़ॉलबैक करता है।
- Gateway सक्रिय Talk प्रदाता का उपयोग करके `talk.speak` के माध्यम से Talk प्लेबैक का समाधान करता है। Android केवल उस RPC के अनुपलब्ध होने पर स्थानीय सिस्टम TTS पर फ़ॉलबैक करता है।
- macOS स्थानीय MLX प्लेबैक उपलब्ध होने पर बंडल किए गए `openclaw-mlx-tts` हेल्पर या `PATH` पर किसी निष्पादन योग्य फ़ाइल का उपयोग करता है। विकास के दौरान किसी कस्टम हेल्पर बाइनरी की ओर इंगित करने के लिए `OPENCLAW_MLX_TTS_BIN` सेट करें।
- वॉइस डायरेक्टिव मान सीमाएँ (ElevenLabs): `stability`, `similarity` और `style`, `0..1` स्वीकार करते हैं; `speed`, `0.5..2` स्वीकार करता है; `latency_tier`, `0..4` स्वीकार करता है।

## संबंधित

- [वॉइस वेक](/hi/nodes/voicewake)
- [ऑडियो और वॉइस नोट्स](/hi/nodes/audio)
- [मीडिया समझ](/hi/nodes/media-understanding)