Voz y telefonía

Entrada y salida de voz en tiempo real. Cuatro canales cubren la matriz: llamadas entrantes, activación por micrófono local, síntesis de voz saliente y conversación en tiempo real de calidad SIP.

ClawdTalk (SIP en tiempo real)

Voz SIP full-duplex con tecnología de Telnyx. El agente habla mediante una llamada telefónica real (entrante o saliente). Admite barge-in, uso de herramientas a mitad de turno y aprovisionamiento de números regionales.

zeroclaw config set channels.clawdtalk.<alias>.allowed_destinations <value>

export ZEROCLAW_channels__clawdtalk__<alias>__allowed_destinations=

zeroclaw config set channels.clawdtalk.<alias>.api_key <value>

export ZEROCLAW_channels__clawdtalk__<alias>__api_key=

zeroclaw config set channels.clawdtalk.<alias>.connection_id <value>

export ZEROCLAW_channels__clawdtalk__<alias>__connection_id=

zeroclaw config set channels.clawdtalk.<alias>.excluded_tools <value>

export ZEROCLAW_channels__clawdtalk__<alias>__excluded_tools=

zeroclaw config set channels.clawdtalk.<alias>.from_number <value>

export ZEROCLAW_channels__clawdtalk__<alias>__from_number=

zeroclaw config set channels.clawdtalk.<alias>.webhook_secret <value>

export ZEROCLAW_channels__clawdtalk__<alias>__webhook_secret=

api_key (Telnyx) y webhook_secret son secretos:

channels.clawdtalk.<alias>.api_key es un secreto. Se almacena cifrado, nunca en texto plano en config.toml. Configúralo mediante una de estas opciones, que cifran al escribir:

zeroclaw config set channels.clawdtalk.<alias>.api_key    # solicita entrada enmascarada, almacena cifrado

Combinar con: un proveedor de modelo telnyx para el cerebro y asegúrese de que su cuenta de Telnyx tenga una conexión SIP con la URL de webhook correcta apuntando a la puerta de enlace de ZeroClaw.

Llamada de voz (Twilio / Telnyx / Plivo)

Voz de operadora tradicional: el agente contesta, transcribe al llamante y responde con TTS. Mayor latencia que ClawdTalk, pero funciona con cualquier número de teléfono normal y no requiere aprovisionamiento de troncal SIP. Las llamadas salientes utilizan from_number y requieren la aprobación del operador cuando require_outbound_approval está activado.

zeroclaw config set channels.voice_call.<alias>.account_id <value>

export ZEROCLAW_channels__voice_call__<alias>__account_id=

zeroclaw config set channels.voice_call.<alias>.auth_token <value>

export ZEROCLAW_channels__voice_call__<alias>__auth_token=

zeroclaw config set channels.voice_call.<alias>.excluded_tools <value>

export ZEROCLAW_channels__voice_call__<alias>__excluded_tools=

zeroclaw config set channels.voice_call.<alias>.from_number <value>

export ZEROCLAW_channels__voice_call__<alias>__from_number=

zeroclaw config set channels.voice_call.<alias>.max_call_duration_secs <value>

export ZEROCLAW_channels__voice_call__<alias>__max_call_duration_secs=

zeroclaw config set channels.voice_call.<alias>.model_provider <value>

export ZEROCLAW_channels__voice_call__<alias>__model_provider=

zeroclaw config set channels.voice_call.<alias>.require_outbound_approval <value>

export ZEROCLAW_channels__voice_call__<alias>__require_outbound_approval=

zeroclaw config set channels.voice_call.<alias>.transcription_logging <value>

export ZEROCLAW_channels__voice_call__<alias>__transcription_logging=

zeroclaw config set channels.voice_call.<alias>.tts_voice <value>

export ZEROCLAW_channels__voice_call__<alias>__tts_voice=

zeroclaw config set channels.voice_call.<alias>.webhook_base_url <value>

export ZEROCLAW_channels__voice_call__<alias>__webhook_base_url=

zeroclaw config set channels.voice_call.<alias>.webhook_port <value>

export ZEROCLAW_channels__voice_call__<alias>__webhook_port=

Activación por voz (palabra de activación local)

Se ejecuta localmente, escucha por el micrófono y activa la interacción con el agente cuando escucha la frase de activación. Útil para:

• Asistentes de voz físicos en SBCs
• Flujos de trabajo de escritorio “palabra clave → pregunta”
• Agentes de automatización del hogar con escucha constante

El agente no envía audio a ninguna parte; la detección de la palabra de activación es local. Solo se captura la voz posterior a la activación y se transcribe (por separado) antes de llegar al LLM.

zeroclaw config set channels.voice_wake.<alias>.energy_threshold <value>

export ZEROCLAW_channels__voice_wake__<alias>__energy_threshold=

zeroclaw config set channels.voice_wake.<alias>.excluded_tools <value>

export ZEROCLAW_channels__voice_wake__<alias>__excluded_tools=

zeroclaw config set channels.voice_wake.<alias>.max_capture_secs <value>

export ZEROCLAW_channels__voice_wake__<alias>__max_capture_secs=

zeroclaw config set channels.voice_wake.<alias>.silence_timeout_ms <value>

export ZEROCLAW_channels__voice_wake__<alias>__silence_timeout_ms=

zeroclaw config set channels.voice_wake.<alias>.wake_word <value>

export ZEROCLAW_channels__voice_wake__<alias>__wake_word=

Indicador de compilación: Voice Wake está controlado por la funcionalidad de Cargo voice-wake en zeroclaw-channels. Compílalo con --features voice-wake para incluirlo. En Android, Voice Wake requiere Android 8 (nivel de API 26) o posterior.

TTS (síntesis de voz saliente)

TTS es un servicio de salida al que llaman los canales, no un canal de entrada propio. Los valores predeterminados globales se encuentran bajo tts. Las instancias de proveedores TTS se configuran bajo providers.tts.<type>.<alias> (OpenAI, ElevenLabs, Google, Edge, Piper) y se seleccionan por agente mediante el tts_provider del agente. Consulta Model Providers para ver las entradas de proveedores y la configuración por agente. Las claves API de los proveedores son secretos; configúralas a través del gateway, zerocode o zeroclaw config set, nunca en texto plano.

Presupuesto de latencia

El habla se percibe en tiempo real por debajo de ~500 ms de extremo a extremo. Presupuestos prácticos:

ClawdTalk acorta varios de estos pasos al mantener el flujo de audio en vivo; voice_call implica STT + LLM + TTS de forma secuencial.

STT

La conversión de voz a texto se configura por separado de los canales de voz; consulta la configuración [transcription] en la Referencia de configuración. Los canales de voz invocan el proveedor de transcripción que esté activo cuando necesitan convertir audio en texto.

Notas de hardware

Para la voz siempre activa en un SBC:

• Micrófono USB: funciona cualquier micrófono compatible con UAC. Usa arecord -l para verificar que el sistema operativo lo detecta.
• Altavoz: salida de audio USB o el conector integrado de la SBC; selecciona el dispositivo predeterminado del SO para el usuario con el que se ejecuta el daemon.
• Los micrófonos con AEC (cancelación de eco acústico) integrada mejoran drásticamente la fiabilidad de activación cuando el altavoz está cerca.

Consulta Hardware → Android para la configuración de audio específica de Android.