モジュール 11: 音声インタラクション & Live Canvas
学習目標
本モジュールを修了すると、以下のことが可能になります：
- OpenClaw 音声インタラクションのアーキテクチャと Vapi 統合原理を理解する
- 音声入力と出力機能を設定する
- Live Canvas でビジュアルフィードバックを提供する
- Companion App Beta（macOS メニューバーアプリケーション）をインストール・使用する
- 完全な音声制御エージェントを構築する
コアコンセプト
音声インタラクションアーキテクチャ
OpenClaw の音声機能は Vapi（Voice API）プラットフォームを通じて統合され、低遅延の音声対話を実現します。
主要コンポーネント
| コンポーネント | 機能 | 技術 |
|---|---|---|
| Vapi | 音声対話プラットフォーム | WebSocket, WebRTC |
| STT (Speech-to-Text) | 音声からテキスト | Deepgram / Whisper |
| TTS (Text-to-Speech) | テキストから音声 | ElevenLabs / Azure |
| Live Canvas | リアルタイムビジュアルフィードバック | HTML5 Canvas / WebSocket |
| Companion App | macOS システムトレイアプリ | Electron / Swift |
音声遅延の低減
音声インタラクションの体験はエンドツーエンド遅延に依存します。最適化推奨：
- STT は Deepgram を使用（遅延最小、約 300ms）
- LLM はストリーミングモード（streaming response）を使用
- TTS は ElevenLabs Turbo を使用（遅延約 500ms）
- 全体目標遅延：2秒未満