在构建完全无键盘交互的语音助手时，一个最常见的误区是：只要在设置里打开语音输入开关就万事大吉了。但实际体验往往差强人意——用户刚说完一句话，却发现还得手动点一下发送按钮。这显然不是真正的免触达交互，尤其对于老年人通过语音查天气、残障人士语音下单或者车载场景下的语音控制等场景来说，这种半成品的体验几乎无法使用。

真正要实现的，是一条完整的链路：语音触发→实时识别→语义理解→自动响应。用户只需张嘴说话，系统就能自动完成识别、理解、并最终以语音形式做出回应。那么，在扣子（Coze）平台上，到底如何配置才能打通这条链路？下面直接拆解关键步骤。

启用语音输入并强制自动启动

首先，进入扣子控制台，点击「新建Bot」，选择「空白模板」，在「基础设置」中填写Bot名称与描述。接着下滑到「能力设置」区域，打开「语音输入」开关。但此处有一个极其关键的细节：必须勾选“自动开始语音识别”。如果漏掉这一步，用户首次进入对话时，还得手动点击麦克风图标才能唤醒识别——这就直接违背了“完全无键盘”的核心原则。

配置完成后保存，该Bot在网页端、App端以及嵌入式H5页面中，只要用户进入对话界面，语音识别就会即刻启动，无需任何额外点击。

配置ASR插件并限定语种范围

这里有两条路径可选，但各有讲究。

方法一：使用飞书多语种ASR插件（推荐）

在「插件与API」页面，点击「添加插件」，搜索“飞书语音识别(MultiLang)”，启用并授权。进入其配置页后，注意一个关键操作：只勾选实际需要的语种，例如中文(zh-CN)和英文(en-US)。禁用无关语种，可以让首字识别延迟降低300ms以上，同时避免误触发其他语言模型。这个细节往往被忽略，但对体验的影响非常明显。

方法二：使用Azure语音识别插件

添加「Azure语音识别」插件后，配置语音服务区域与密钥。在“语言模型”下拉菜单中，必须手动指定单一语言（如zh-CN），不能留空或选择“自动检测”。自动检测模式会引入额外的判断耗时，导致语音流中断0.8秒以上，用户端感知就是明显的“卡顿”。

构建免触达工作流响应链

完成了语音输入和识别插件的配置，下一步才是关键——把整条响应链串联起来。

第一步：在Bot的「工作流」画布中，拖入一个「语音识别」节点，将其输出直接连接到「大模型」节点的输入端。

第二步：双击「大模型」节点，在提示词末尾追加一条固定指令。“你收到的是语音转文字结果，请直接回答，不复述问题，不加解释性前缀，不输出‘根据您的问题’等冗余句式”。这个指令能确保大模型输出的内容简洁直接，避免不必要的文字干扰。

第三步：在「大模型」节点之后，接入一个「语音合成」节点。配置TTS音色为中文女声，语速设为1.1，并启用流式输出。流式输出的好处在于，回答不必等到整句话合成完毕才开始播放，而是可以边合成边播放，极大降低等待感。

第四步：将「语音合成」节点的音频输出链接，通过「发送消息」节点以富媒体卡片形式推送给用户。这张卡片里只包含一个播放按钮，没有文字气泡、没有输入框、更没有“发送”按钮。

至此，用户张嘴说话→语音实时转文本→大模型即时生成答案→答案立刻转为语音流→自动弹出可播放卡片。整个过程，无需任何焦点切换、键盘调起或手动确认动作。这才是真正意义上的无键盘交互。