【OpenClaw】リアルタイム音声とTTS（MP3）の切り替え設定を簡潔に解説

OpenClawのTalk Modeには、大きく分けて2つの音声方式があります。

リアルタイム音声
→ 音声モデルと直接リアルタイム会話

STT＋TTS
→ 音声を文字化
→ 通常のAIへ送信
→ 返答をTTSで読み上げ

用途に応じて talk.realtime.mode を変更します。

リアルタイム音声を使う

設定例です。

{
  talk: {
    realtime: {
      mode: "realtime",
      provider: "openai",
      transport: "gateway-relay",
      providers: {
        openai: {
          model: "gpt-realtime-2.1",
          speakerVoice: "coral"
        }
      }
    }
  }
}

Android版OpenClawでは、

mode = realtime
transport = gateway-relay

の組み合わせで利用します。

Realtimeのメリットは、

• 応答が速い
• 会話の間が自然
• 割り込みに対応しやすい
• 発音や抑揚が自然

といった点です。

一方で、音声入出力をリアルタイム処理するため、通常のテキスト＋TTS構成よりAPI消費が大きくなりやすい点には注意が必要です。

TTS方式へ切り替える

通常モデル＋TTSにする場合は、

{
  talk: {
    realtime: {
      mode: "stt-tts"
    }
  }
}

とします。

流れは、

音声認識
↓
通常のOpenClawエージェント
↓
TTS読み上げ

です。

Realtime専用モデルを常時使わないため、構成によってはAPIコストを抑えやすくなります。

MP3で出力する

例えばElevenLabsなら、

{
  talk: {
    provider: "elevenlabs",
    providers: {
      elevenlabs: {
        speakerVoiceId: "VOICE_ID",
        modelId: "eleven_multilingual_v2",
        outputFormat: "mp3_44100_128"
      }
    }
  }
}

のようにMP3出力を指定できます。

Realtime
→ その場の自然な音声会話

STT-TTS
→ 通常モデル
→ TTS
→ MP3など

という違いです。

API消費を抑えたいならTTS方式も有力

Realtimeは自然な会話ができる反面、

音声入力
音声理解
音声生成

を連続して処理するため、利用時間が長くなるほどAPI消費も増えやすくなります。

一方、

音声認識
↓
通常モデル
↓
TTS

という構成なら、普段使っているモデルやfallbackをそのまま利用しやすく、コスト管理もしやすくなります。

そのため、

自然な会話を最優先
→ Realtime

API消費を抑えたい
→ STT＋TTS

という使い分けもできます。

MP3は英語学習との相性がよい

MP3形式で音声を残せる構成は、英語学習にも向いています。

例えばAIに、

今日使える英会話フレーズを10個作って
英語 → 日本語 → 英語の順で読んで

と依頼し、TTSでMP3化すれば、

通勤中に聞く
↓
繰り返し再生
↓
シャドーイング
↓
発音確認

といった使い方ができます。

Realtimeは「会話練習」に向いていますが、MP3は、

• 同じ文章を何度も聞く
• シャドーイングする
• 聞き流す
• 学習教材として保存する
• 発音を繰り返し確認する

といった用途に向いています。

英語学習なら両方使い分ける

英語学習では、

Realtime
→ AIとの英会話練習

MP3/TTS
→ 復習・聞き流し・シャドーイング

という使い分けが便利です。

例えば、

1. Realtimeで10分英会話
2. 間違えた表現をAIに整理してもらう
3. 正しい例文をTTSでMP3化
4. 後から繰り返し聞く

という流れにすると、会話練習と復習を組み合わせられます。

リアルタイムとTTSの切り替え

リアルタイム音声

mode: "realtime"

Androidでは、

transport: "gateway-relay"

も指定します。

通常モデル＋TTS

mode: "stt-tts"

です。

まとめ

OpenClawの音声は、

Realtime
→ 自然な会話
→ API消費は大きくなりやすい

STT＋TTS
→ 通常モデルを利用
→ コスト管理しやすい
→ MP3保存とも相性がよい

という違いがあります。

特に英語学習では、

Realtimeは英会話練習、MP3は復習やシャドーイング

と使い分けると便利です。

自然な会話を楽しみたいときはRealtime、長時間利用や繰り返し学習ではTTS/MP3、という使い分けが実用的です。