Mit OpenClaw Nutzern in Discord-Sprachkanälen folgen

Bei einer persönlichen oder Operator-Einrichtung besteht das natürliche Sprachverhalten darin, dass der Bot dort ist, wo Sie sind. Der Folgemodus von OpenClaw lässt den Discord-Sprachbot ausgewählten Nutzern folgen, während sie zwischen Sprachkanälen wechseln: Er tritt bei, wenn ein verfolgter Nutzer einem erlaubten Kanal beitritt, wechselt mit, wenn dieser wechselt, und geht, wenn er die Verbindung trennt. Hier finden Sie die Konfiguration und ihre Regeln, den Vergleich mit den anderen Beitrittsmodi, die Audio-Pipeline, die Zuordnung von Sprachsitzungen zu Agentensitzungen und Zielen, was ein delegierter Lauf versteht, wenn Sie mit ihm sprechen, und das Tuning für Räume, die ihre eigene Wiedergabe hören.

Regeln für das Folgen

• Die Liste der verfolgten Nutzer akzeptiert reine Discord-Nutzer-IDs oder IDs mit Präfix und normalisiert beides; das Aktivierungs-Flag ist standardmäßig an, wenn die Liste konfiguriert ist, und lässt sich ausschalten, um die Liste ohne automatisches Folgen zu behalten; und die Liste steuert nur die Präsenz im Sprachkanal, sie gewährt weder Sprecherzugang noch Eigentümerrechte, die aus den Befehlseigentümern sowie den Nutzern und Rollen der Guild oder des Kanals stammen.
• Befinden sich mehrere verfolgte Nutzer in einer Guild und der aktive geht, wechselt der Bot in den Kanal eines anderen verfolgten Nutzers, bevor er die Guild verlässt, und wechseln mehrere gleichzeitig, gewinnt das letzte Voice-State-Ereignis; die Liste der erlaubten Kanäle gilt weiterhin, sodass ein verfolgter Nutzer in einem nicht erlaubten Kanal ignoriert wird und die Sitzung weiterzieht oder geht.
• Verpasste Voice-State-Ereignisse werden beim Start und in einem begrenzten Intervall abgeglichen, wobei konfigurierte Guilds stichprobenartig geprüft und REST-Abfragen pro Durchlauf gedeckelt werden, sodass sehr große Listen mehr als ein Intervall brauchen können, bis sie konvergieren; ein von Discord oder einem Admin verschobener Bot baut seine Sitzung neu auf und behält die Folge-Zuständigkeit, wenn das Ziel erlaubt ist, und auch eine Verschlüsselungswiederherstellung, die denselben Kanal verlässt und ihm erneut beitritt, behält sie.
• Drei Beitrittsmodi: Folgen für persönliche oder Operator-Einrichtungen, bei denen der Bot im Sprachkanal sein soll, wenn Sie es sind, automatischer Beitritt für feste Räume mit dem Flag für belegte Kanäle, wenn der Bot nur anwesend sein soll, solange Menschen es sind, und der manuelle Beitrittsbefehl für einmalige Räume, in denen eine automatische Präsenz überraschen würde.

followUsers steuert nur die Präsenz im Sprachkanal. Es gewährt weder Sprecherzugang noch Eigentümerrechte; konfigurieren Sie commands.ownerAllowFrom sowie Nutzer und Rollen der Guild oder des Kanals separat.

Pipeline und Sitzungen

Der Sprachempfang dekodiert mit dem mitgelieferten WebAssembly-Opus-Codec, die Echtzeitwiedergabe kodiert rohes 48-Kilohertz-Stereo-PCM mit demselben Paket zu Opus, und die Wiedergabe von Dateien oder Anbieter-Streams transkodiert zuerst über ffmpeg. In der STT-TTS-Pipeline wird das aufgenommene PCM zu einer temporären WAV-Datei, die Medien-Audio-Einstellung übernimmt die Transkription, die Batch-Aufnahme beachtet das größte zutreffende Audio-Eingabelimit und stoppt übergroße Aufnahmen mit einer Warnung, statt nur einen Teil des Audios zu transkribieren, das Transkript durchläuft Discord-Ingress und -Routing, während das Antwortmodell unter einer Sprachausgabe-Richtlinie läuft, die das TTS-Tool des Agenten ausblendet und Text anfordert, das Voice-Modell überschreibt nur dieses Antwortmodell, und der Voice-TTS-Block wird über den globalen gelegt, wobei Streaming-Anbieter den Player direkt speisen. Ohne Agentensitzungs-Block erhält jeder Sprachkanal seine eigene geroutete Sitzung, das Echtzeitmodell ist nur das Frontend, substanzielle Anfragen gehen an den konfigurierten Agenten, und ein finales Transkript, das ohne das Consult-Tool entstanden ist, erzwingt die Konsultation als Fallback. Ein Ziel in Form einer Kanal-ID oder der reinen ID leitet Sprache über die Sitzung dieses Textkanals, eine DM- oder Nutzerform über die entsprechende Direktnachrichten-Sitzung, wobei der Supervisor-Agent weiterhin seine Nachrichten-Tools nutzen kann, einschließlich einer separaten Discord-Nachricht, wenn das die richtige Aktion ist.

Laufsteuerung und Echo

• Solange ein delegierter Lauf aktiv ist, werden für Befehle autorisierte Sprachtranskripte als Live-Laufsteuerung behandelt, bevor ein weiterer Turn beginnt: Phrasen wie „Status“, „brich das ab“, „nimm den kleineren Fix“ oder „wenn du fertig bist, prüf auch die Tests“ werden als Status, Abbruch, Steuerung oder Folgeauftrag klassifiziert, und das Ergebnis wird zurückgesprochen, damit der Anrufer weiß, ob es verarbeitet wurde; eine abgebrochene Konsultation wird als Abbruch statt als Fehlschlag verbucht, verspätete Tool-Aufrufe des Anbieters erhalten denselben endgültigen Abbruch, und die Sitzung bleibt für die nächste Anfrage verfügbar.
• Für ein Modell, das seine eigene Wiedergabe über ein offenes Mikrofon hört, hält das Beispiel für echolastige Räume den Anbieter davon ab, bei rohem Eingangsaudio automatisch zu unterbrechen, während Barge-in es Discord-Sprecherstart-Ereignissen und dem Audio aktiver Sprecher erlaubt, Antworten abzubrechen, und eine Mindestschwelle für das Audio-Ende, im Beispiel fünfhundert Millisekunden, behandelt sehr frühe Signale als wahrscheinliches Echo, damit das Modell nicht schon beim ersten Wiedergabe-Frame abgeschnitten wird.
• Die Dokumentation listet die zu erwartenden Logzeilen auf: der Beitritt mit Stimme, Supervisor, Sitzungsmodus und Modellen; der Start der Echtzeit-Bridge mit ihren Flags für automatische Antwort, Unterbrechung und Barge-in; Sprecher-Turns, die sich mit Byte-Zahlen öffnen und schließen; übersprungene veraltete Sprache mit ihrem Grund; Wiedergabe, die endet, puffert und stoppt; angeforderte und beantwortete Konsultationen; exakte Sprache, die eingereiht und wieder entnommen wird, wenn der Player untätig ist; erkanntes und angefordertes Barge-in; und Modellunterbrechungen, die angefordert, gekürzt, bestätigt oder als Echo ignoriert werden.

OpenClaw in Discord-Sprachkanälen ist die gesamte Sprachoberfläche, in der diese Modi leben, und OpenClaw auf Discord der Kanal samt den Intents, die er braucht.

Sprache als Steueroberfläche

Das Interessante am Folgemodus ist nicht das Folgen, sondern was es ermöglicht: ein Agent, der im Raum ist, wenn Sie es sind, den Sie mitten im Lauf per Sprache steuern, abbrechen oder befragen können und dessen Antworten im selben Kanal zurückkommen. Einen aktiven OpenClaw-Lauf steuern ist das Text-Gegenstück zu diesen gesprochenen Phrasen der Laufsteuerung, und OpenClaw-Sitzungen erklärt die gerouteten Sitzungen, die eine Zielform auswählt.

Bei Diali

Bei Diali gehört der Folgemodus zum selben selbst betriebenen Voice-Block wie der Rest von Discord Voice, während der Discord-Bot selbst über das Dashboard verbunden wird; die Präsenzregeln würden unverändert gelten, sobald Voice aktiviert ist. Gehostetes OpenClaw bei Diali ist der Assistent, und die Diali-Sicherheitsseite beschreibt die Grenze um ihn herum.

• Folgen, automatischer oder manueller Beitritt: drei Wege in einen Raum.
• Präsenz gewährt nichts; Eigentümer und Rollen entscheiden weiterhin.
• Status, Abbruch, Steuerung und Folgeauftrag, alles per Sprache.