تبدیل متن به گفتار

OpenClaw پاسخ‌های خروجی را با استفاده از 14 ارائه‌دهنده گفتار به صوت تبدیل می‌کند: پیام‌های صوتی بومی در Feishu، Matrix، Telegram و WhatsApp؛ پیوست‌های صوتی در همه‌جای دیگر؛ و جریان‌های PCM/Ulaw برای تلفن و Talk.

TTS بخش خروجی گفتار در حالت stt-ttsِ Talk است (talk.speak نیز از همین مسیر سنتز استفاده می‌کند). نشست‌های Talk بومیِ ارائه‌دهنده با realtime گفتار را درون ارائه‌دهنده بلادرنگ سنتز می‌کنند؛ نشست‌های transcription هرگز پاسخ صوتی دستیار را سنتز نمی‌کنند.

شروع سریع

{  tts: {    auto: "always",    provider: "elevenlabs",  },}

ارائه‌دهندگان پشتیبانی‌شده

اگر چند ارائه‌دهنده پیکربندی شده باشند، ابتدا از ارائه‌دهنده انتخاب‌شده استفاده می‌شود و سایرین گزینه‌های جایگزین هستند. خلاصه‌سازی خودکار از summaryModel (یا agents.defaults.model.primary) استفاده می‌کند؛ بنابراین اگر خلاصه‌ها را فعال نگه می‌دارید، آن ارائه‌دهنده نیز باید احراز هویت شده باشد.

پیکربندی

پیکربندی TTS در ~/.openclaw/openclaw.json زیر tts قرار دارد. یک پیش‌تنظیم انتخاب کنید و بلوک ارائه‌دهنده را تطبیق دهید. فیلدهای speakerVoice/speakerVoiceId که در ادامه آمده‌اند، فیلدهای معیار هستند؛ نام فیلدهای اختصاصی voice/voiceId/ voiceName هر ارائه‌دهنده همچنان به‌عنوان نام‌های مستعار قدیمی کار می‌کنند.

{tts: {auto: "always",provider: "azure-speech",providers: {  "azure-speech": {    apiKey: "${AZURE_SPEECH_KEY}",    region: "eastus",    speakerVoice: "en-US-JennyNeural",    lang: "en-US",    outputFormat: "audio-24khz-48kbitrate-mono-mp3",    voiceNoteOutputFormat: "ogg-24khz-16bit-mono-opus",  },},},}

{tts: {auto: "always",provider: "elevenlabs",providers: {  elevenlabs: {    apiKey: "${ELEVENLABS_API_KEY}",    model: "eleven_multilingual_v2",    speakerVoiceId: "EXAVITQu4vr4xnSDxMaL",  },},},}

{tts: {auto: "always",provider: "google",providers: {  google: {    apiKey: "${GEMINI_API_KEY}",    model: "gemini-3.1-flash-tts-preview",    speakerVoice: "Kore",    // درخواست‌های اختیاری سبک به زبان طبیعی:    // audioProfile: "با لحنی آرام و شبیه میزبان پادکست صحبت کن.",    // speakerName: "Alex",  },},},}

{tts: {auto: "always",provider: "gradium",providers: {  gradium: {    apiKey: "${GRADIUM_API_KEY}",    speakerVoiceId: "YTpq7expH9539ERJ",  },},},}

{tts: {auto: "always",provider: "inworld",providers: {  inworld: {    apiKey: "${INWORLD_API_KEY}",    modelId: "inworld-tts-1.5-max",    speakerVoiceId: "Sarah",    temperature: 0.7,  },},},}

{tts: {auto: "always",provider: "tts-local-cli",providers: {  "tts-local-cli": {    command: "say",    args: ["-o", "{{OutputPath}}", "{{Text}}"],    outputFormat: "wav",    timeoutMs: 120000,  },},},}

{tts: {auto: "always",provider: "microsoft",providers: {  microsoft: {    enabled: true,    speakerVoice: "en-US-MichelleNeural",    lang: "en-US",    outputFormat: "audio-24khz-48kbitrate-mono-mp3",    rate: "+0%",    pitch: "+0%",  },},},}

{tts: {auto: "always",provider: "minimax",providers: {  minimax: {    apiKey: "${MINIMAX_API_KEY}",    model: "speech-2.8-hd",    speakerVoiceId: "English_expressive_narrator",    speed: 1.0,    vol: 1.0,    pitch: 0,  },},},}

{tts: {auto: "always",provider: "openai",summaryModel: "openai/gpt-4.1-mini",modelOverrides: { enabled: true },providers: {  openai: {    apiKey: "${OPENAI_API_KEY}",    model: "gpt-4o-mini-tts",    speakerVoice: "alloy",  },  elevenlabs: {    apiKey: "${ELEVENLABS_API_KEY}",    model: "eleven_multilingual_v2",    speakerVoiceId: "EXAVITQu4vr4xnSDxMaL",    voiceSettings: { stability: 0.5, similarityBoost: 0.75, style: 0.0, useSpeakerBoost: true, speed: 1.0 },    applyTextNormalization: "auto",    languageCode: "en",  },},},}

{tts: {auto: "always",provider: "openrouter",providers: {  openrouter: {    apiKey: "${OPENROUTER_API_KEY}",    model: "hexgrad/kokoro-82m",    speakerVoice: "af_alloy",    responseFormat: "mp3",  },},},}

{tts: {auto: "always",provider: "volcengine",providers: {  volcengine: {    apiKey: "${VOLCENGINE_TTS_API_KEY}",    resourceId: "seed-tts-1.0",    speakerVoice: "en_female_anna_mars_bigtts",  },},},}

{tts: {auto: "always",provider: "xai",providers: {  xai: {    apiKey: "${XAI_API_KEY}",    speakerVoiceId: "eve",    language: "en",    responseFormat: "mp3",  },},},}

{tts: {auto: "always",provider: "xiaomi",providers: {  xiaomi: {    apiKey: "${XIAOMI_API_KEY}",    model: "mimo-v2.5-tts",    speakerVoice: "mimo_default",    format: "mp3",  },},},}

برای Xiaomi mimo-v2.5-tts-voicedesign، speakerVoice را حذف کنید و style را روی درخواست طراحی صدا تنظیم کنید. OpenClaw آن درخواست را به‌عنوان پیام TTS با نقش user ارسال می‌کند و برای مدل voicedesign، audio.voice را ارسال نمی‌کند.

بازنویسی‌های صدا برای هر عامل

وقتی یک عامل باید با ارائه‌دهنده، صدا، مدل، پرسونا یا حالت TTS خودکار متفاوتی صحبت کند، از agents.entries.*.tts استفاده کنید. بلوک عامل به‌صورت ادغام عمیق روی tts اعمال می‌شود؛ بنابراین اطلاعات احراز هویت ارائه‌دهنده می‌توانند در پیکربندی سراسری ارائه‌دهنده باقی بمانند:

{  tts: {    auto: "always",    provider: "elevenlabs",    providers: {      elevenlabs: { apiKey: "${ELEVENLABS_API_KEY}", model: "eleven_multilingual_v2" },    },  },  agents: {    list: [      {        id: "reader",        tts: {          providers: {            elevenlabs: { speakerVoiceId: "EXAVITQu4vr4xnSDxMaL" },          },        },      },    ],  },}

برای تثبیت یک پرسونا برای هر عامل، agents.entries.*.tts.persona را در کنار پیکربندی ارائه‌دهنده تنظیم کنید — این مقدار فقط برای همان عامل، tts.persona سراسری را لغو می‌کند.

ترتیب تقدم برای پاسخ‌های خودکار، /tts audio، /tts status و ابزار عامل tts:

1. tts
2. agents.entries.*.tts فعال
3. بازنویسی کانال، وقتی کانال از channels.<channel>.tts پشتیبانی می‌کند
4. بازنویسی حساب، وقتی کانال channels.<channel>.accounts.<id>.tts را ارسال می‌کند
5. ترجیحات محلی /tts برای این میزبان
6. دستورالعمل‌های درون‌خطی [[tts:...]] وقتی بازنویسی‌های مبتنی بر مدل فعال باشند

بازنویسی‌های کانال و حساب همان ساختار tts را دارند و به‌صورت عمیق روی لایه‌های پیشین ادغام می‌شوند؛ بنابراین اعتبارنامه‌های مشترک ارائه‌دهنده می‌توانند در tts باقی بمانند، درحالی‌که یک کانال یا حساب ربات فقط صدای گوینده، مدل، پرسونا یا حالت خودکار را تغییر می‌دهد:

{  tts: {    provider: "openai",    providers: {      openai: { apiKey: "${OPENAI_API_KEY}", model: "gpt-4o-mini-tts" },    },  },  channels: {    feishu: {      accounts: {        english: {          tts: {            providers: {              openai: { speakerVoice: "shimmer" },            },          },        },      },    },  },}

پرسوناها

پرسونا یک هویت گفتاری پایدار است که می‌توان آن را به‌صورت قطعی در میان ارائه‌دهندگان اعمال کرد. پرسونا می‌تواند یک ارائه‌دهنده را ترجیح دهد، مقصود اعلان مستقل از ارائه‌دهنده را تعریف کند و اتصال‌های ویژهٔ ارائه‌دهنده را برای صداها، مدل‌ها، الگوهای اعلان، بذرها و تنظیمات صدا در خود نگه دارد.

پرسونای حداقلی

{  tts: {    auto: "always",    persona: "narrator",    personas: {      narrator: {        label: "راوی",        provider: "elevenlabs",        providers: {          elevenlabs: {            speakerVoiceId: "EXAVITQu4vr4xnSDxMaL",            modelId: "eleven_multilingual_v2",          },        },      },    },  },}

پرسونای کامل (شکل‌دهی ویژهٔ ارائه‌دهنده)

{  tts: {    auto: "always",    persona: "alfred",    personas: {      alfred: {        label: "آلفرد",        description: "راوی پیشخدمت بریتانیایی با لحنی خشک و گرم.",        provider: "google",        fallbackPolicy: "preserve-persona",        providers: {          google: {            model: "gemini-3.1-flash-tts-preview",            speakerVoice: "Algieba",            promptTemplate: "audio-profile-v1",          },          openai: { model: "gpt-4o-mini-tts", speakerVoice: "cedar" },          elevenlabs: {            speakerVoiceId: "voice_id",            modelId: "eleven_multilingual_v2",            seed: 42,            voiceSettings: {              stability: 0.65,              similarityBoost: 0.8,              style: 0.25,              useSpeakerBoost: true,              speed: 0.95,            },          },        },      },    },  },}

تفکیک پرسونا

پرسونای فعال به‌صورت قطعی انتخاب می‌شود:

1. ترجیح محلی /tts persona <id>، اگر تنظیم شده باشد.
2. tts.persona، اگر تنظیم شده باشد.
3. بدون پرسونا.

انتخاب ارائه‌دهنده ابتدا موارد صریح را بررسی می‌کند:

1. بازنویسی‌های مستقیم (CLI، Gateway، Talk و دستورالعمل‌های مجاز TTS).
2. ترجیح محلی /tts provider <id>.
3. provider پرسونای فعال.
4. tts.provider.
5. انتخاب خودکار رجیستری.

برای هر تلاش ارائه‌دهنده، OpenClaw پیکربندی‌ها را با این ترتیب ادغام می‌کند:

1. tts.providers.<id>
2. tts.personas.<persona>.providers.<id>
3. بازنویسی‌های درخواست مورداعتماد
4. بازنویسی‌های مجاز دستورالعمل TTS صادرشده از مدل

شکل‌دهی سفارشی پرسونا

پیکربندی مستقل از ارائه‌دهندهٔ personas.<id>.prompt.* بازنشسته شده است. Doctor آن فیلدها را حذف می‌کند و به درگاه ارائه‌دهندهٔ گفتار اشاره می‌کند. تنظیمات ارائه‌دهندهٔ داخلی را زیر personas.<id>.providers.<provider> قرار دهید (برای مثال personaPrompt گوگل یا instructions OpenAI). برای شکل‌دهی سفارشی، یک Plugin ارائه‌دهندهٔ گفتار با prepareSynthesis(ctx) پیاده‌سازی کنید و پیش از اجرای synthesize()، متن تنظیم‌شده، پیکربندی ارائه‌دهنده یا بازنویسی‌ها را برگردانید. این کار ساخت اعلان بیانی را در کد ارائه‌دهنده نگه می‌دارد؛ جایی که معناشناسی درخواست مشخص است.

سیاست بازگشت جایگزین

fallbackPolicy رفتار را هنگامی کنترل می‌کند که پرسونا برای ارائه‌دهندهٔ مورد تلاش هیچ اتصالی ندارد:

کل درخواست TTS فقط زمانی ناموفق می‌شود که همهٔ ارائه‌دهندگان مورد تلاش رد شوند یا شکست بخورند.

انتخاب ارائه‌دهندهٔ نشست Talk در محدودهٔ همان نشست است. کلاینت Talk باید شناسه‌های ارائه‌دهنده، مدل و صدا و همچنین محلی‌ها را از talk.catalog انتخاب کند و آن‌ها را از طریق درخواست نشست Talk یا تحویل ارسال کند. باز کردن یک نشست صوتی نباید tts یا پیش‌فرض‌های سراسری ارائه‌دهندهٔ Talk را تغییر دهد.

دستورالعمل‌های مبتنی بر مدل

به‌طور پیش‌فرض، دستیار می‌تواند دستورالعمل‌های [[tts:...]] را برای بازنویسی صدا، مدل یا سرعت در یک پاسخ واحد صادر کند؛ همچنین می‌تواند یک بلوک اختیاری [[tts:text]]...[[/tts:text]] برای نشانه‌های بیانی داشته باشد که باید فقط در صدا ظاهر شوند:

بفرمایید. [[tts:speakerVoiceId=pMsXgVXv3BLzUgSXRplE model=eleven_v3 speed=1.1]][[tts:text]](می‌خندد) ترانه را یک بار دیگر بخوان.[[/tts:text]]

وقتی tts.auto برابر با "tagged" باشد، برای فعال‌کردن صدا وجود دستورالعمل‌ها الزامی است. تحویل جریانی بلوک، دستورالعمل‌ها را پیش از آنکه کانال متن قابل‌مشاهده را دریافت کند حذف می‌کند، حتی اگر میان بلوک‌های مجاور تقسیم شده باشند.

provider=... نادیده گرفته می‌شود، مگر اینکه modelOverrides.allowProvider: true. وقتی یک پاسخ provider=... را اعلام می‌کند، کلیدهای دیگر آن دستورالعمل فقط توسط همان ارائه‌دهنده تجزیه می‌شوند؛ کلیدهای پشتیبانی‌نشده حذف و به‌عنوان هشدارهای دستورالعمل TTS گزارش می‌شوند.

کلیدهای دستورالعمل موجود:

• provider (شناسهٔ ارائه‌دهندهٔ ثبت‌شده؛ نیازمند allowProvider: true)
• speakerVoice / speakerVoiceId (نام‌های مستعار قدیمی: voice، voiceName، voice_name، google_voice، voiceId)
• model / google_model
• stability، similarityBoost، style، speed، useSpeakerBoost
• vol / volume (بلندی صدای MiniMax، (0, 10])
• pitch (زیر و بمی عدد صحیح MiniMax، از −12 تا 12؛ مقادیر اعشاری بریده می‌شوند)
• emotion (برچسب احساس Volcengine)
• applyTextNormalization (auto|on|off)
• languageCode (ISO 639-1)
• seed

بازنویسی‌های مدل را کاملاً غیرفعال کنید:

{ messages: { tts: { modelOverrides: { enabled: false } } } }

تغییر ارائه‌دهنده را مجاز کنید و سایر کنترل‌ها را قابل‌پیکربندی نگه دارید:

{ messages: { tts: { modelOverrides: { enabled: true, allowProvider: true, allowSeed: false } } } }

فرمان‌های اسلش

فرمان واحد /tts. در Discord،‏ OpenClaw همچنین /voice را ثبت می‌کند، زیرا /tts یک فرمان داخلی Discord است — متن /tts ... همچنان کار می‌کند.

/tts off | on | status/tts chat on | off | default/tts latest/tts provider <id>/tts persona <id> | off/tts limit <chars>/tts summary off/tts audio <text>

نکات رفتاری:

• /tts on ترجیح محلی TTS را در always می‌نویسد؛ /tts off آن را در off می‌نویسد.
• /tts chat on|off|default یک بازنویسی خودکار TTS در محدودهٔ نشست برای گفت‌وگوی جاری می‌نویسد.
• /tts persona <id> ترجیح محلی پرسونا را می‌نویسد؛ /tts persona off آن را پاک می‌کند.
• /tts latest آخرین پاسخ دستیار را از رونوشت نشست جاری می‌خواند و یک بار آن را به‌صورت صدا ارسال می‌کند. برای جلوگیری از ارسال‌های صوتی تکراری، فقط هش آن پاسخ را در ورودی نشست ذخیره می‌کند.
• /tts audio یک پاسخ صوتی یک‌باره تولید می‌کند (TTS را فعال نمی‌کند).
• /tts limit <chars> مقادیر 100–4096 را می‌پذیرد (4096 حداکثر زیرنویس/پیام Telegram است)؛ مقادیر خارج از این بازه رد می‌شوند.
• limit و summary در ترجیحات محلی ذخیره می‌شوند، نه در پیکربندی اصلی.
• /tts status شامل جزئیات تشخیصی بازگشت جایگزین برای آخرین تلاش است — Fallback: <primary> -> <used>، Attempts: ... و جزئیات هر تلاش (provider:outcome(reasonCode) latency).
• /status حالت فعال TTS و نیز ارائه‌دهنده، مدل، صدا و فرادادهٔ پالایش‌شدهٔ نقطهٔ پایانی سفارشی را هنگام فعال‌بودن TTS نمایش می‌دهد.

ترجیحات هر کاربر

فرمان‌های اسلش، بازنویسی‌های محلی را در مسیر ترجیحات TTS می‌نویسند. مقدار پیش‌فرض ~/.openclaw/settings/tts.json است؛ آن را با OPENCLAW_TTS_PREFS بازنویسی کنید. Doctor مقدار سراسری بازنشسته‌شدهٔ tts.prefsPath را به وضعیت مشترک دستگاه منتقل می‌کند. راه‌اندازی‌های پیشرفتهٔ چندعاملی همچنان می‌توانند agents.entries.<id>.tts.prefsPath را تنظیم کنند، وقتی عامل‌ها عمداً از مخازن ترجیحات جداگانه استفاده می‌کنند.

این موارد، پیکربندی مؤثر حاصل از tts به‌اضافهٔ بلوک فعال agents.entries.*.tts را برای آن میزبان بازنویسی می‌کنند.

قالب‌های خروجی

تحویل صدای TTS بر اساس قابلیت‌های کانال انجام می‌شود. Pluginهای کانال اعلام می‌کنند که آیا TTS با سبک صوتی باید از ارائه‌دهندگان یک هدف بومی voice-note درخواست کند یا سنتز عادی audio-file را نگه دارد، و آیا کانال خروجی غیربومی را پیش از ارسال تبدیل کدگذاری می‌کند.

نکات مربوط به هر ارائه‌دهنده:

• تبدیل کدگذاری Feishu / WhatsApp: وقتی پاسخ پیام صوتی به‌صورت MP3/WebM/WAV/M4A یا فایل صوتی محتمل دیگری دریافت شود، Plugin کانال پیش از ارسال پیام صوتی بومی، آن را با ffmpeg (libopus، 64 kbps) به Ogg/Opus با نرخ 48 kHz تبدیل می‌کند. WhatsApp نتیجه را از طریق محموله Baileys با نام audio همراه با ptt: true و audio/ogg; codecs=opus ارسال می‌کند. در صورت شکست تبدیل کدگذاری: Feishu خطا را مدیریت می‌کند و به ارسال فایل اصلی به‌صورت پیوست معمولی برمی‌گردد؛ WhatsApp راهکار جایگزینی ندارد، بنابراین خود ارسال ناموفق می‌شود و محموله PTT ناسازگار منتشر نمی‌شود.
• MiniMax: برای پیوست‌های صوتی معمولی، MP3 (مدل speech-2.8-hd، نرخ نمونه‌برداری 32 kHz)؛ برای مقصدهای پیام صوتی اعلام‌شده توسط کانال، با ffmpeg به Opus با نرخ 48 kHz تبدیل می‌شود.
• Xiaomi MiMo: به‌طور پیش‌فرض MP3، یا در صورت پیکربندی WAV؛ برای مقصدهای پیام صوتی اعلام‌شده توسط کانال، با ffmpeg به Opus با نرخ 48 kHz تبدیل می‌شود.
• CLI محلی: از outputFormat پیکربندی‌شده استفاده می‌کند. مقصدهای پیام صوتی به Ogg/Opus تبدیل می‌شوند و خروجی تلفن با ffmpeg به PCM خام تک‌کاناله 16 kHz تبدیل می‌شود.
• Google Gemini: PCM خام 24 kHz برمی‌گرداند. OpenClaw آن را برای پیوست‌های صوتی در قالب WAV قرار می‌دهد، برای مقصدهای پیام صوتی به Opus با نرخ 48 kHz تبدیل می‌کند و برای مکالمه/تلفن، PCM را مستقیماً برمی‌گرداند.
• Gradium: WAV برای پیوست‌های صوتی، Opus برای مقصدهای پیام صوتی و ulaw_8000 با نرخ 8 kHz برای تلفن.
• Inworld: MP3 برای پیوست‌های صوتی معمولی، OGG_OPUS بومی برای مقصدهای پیام صوتی و PCM خام با نرخ 22050 Hz برای مکالمه/تلفن.
• xAI: به‌طور پیش‌فرض MP3؛ ساخت فایل صوتی ممکن است برای خروجی بافرشده و جریانی از mp3، wav، pcm، mulaw یا alaw استفاده کند. مقصدهای پیام صوتی برای حالت جریانی و جایگزین بافرشده از MP3 استفاده می‌کنند، زیرا خروجی‌های pcm، mulaw و alaw در xAI صوت خام بدون سربرگ هستند. ساخت بافرشده از نقطه پایانی دسته‌ای REST در xAI با نام /v1/tts استفاده می‌کند؛ textToSpeechStream از wss://api.x.ai/v1/tts بومی استفاده می‌کند. این قرارداد صوتی بلادرنگ نیست. قالب بومی پیام صوتی Opus پشتیبانی نمی‌شود.
• Microsoft: از microsoft.outputFormat استفاده می‌کند (پیش‌فرض audio-24khz-48kbitrate-mono-mp3).
  • انتقال‌دهنده همراه، یک outputFormat را می‌پذیرد، اما همه قالب‌ها از طریق سرویس در دسترس نیستند.
  • مقادیر قالب خروجی از قالب‌های خروجی Microsoft Speech پیروی می‌کنند (از جمله Ogg/WebM Opus).
  • Telegram sendVoice، قالب‌های OGG/MP3/M4A را می‌پذیرد؛ اگر به پیام‌های صوتی Opus تضمین‌شده نیاز دارید، از OpenAI/ElevenLabs استفاده کنید.
  • اگر قالب خروجی پیکربندی‌شده Microsoft ناموفق باشد، OpenClaw دوباره با MP3 تلاش می‌کند.
  • وقتی جایگزین صریحی برای صدا تنظیم نشده باشد و صدای پیش‌فرض انگلیسی استفاده شود، اگر متن پاسخ عمدتاً CJK باشد، OpenClaw به‌طور خودکار به یک صدای عصبی چینی (zh-CN-XiaoxiaoNeural، منطقه زبانی zh-CN) تغییر می‌کند.

قالب‌های خروجی OpenAI و ElevenLabs برای هر کانال مطابق فهرست بالا ثابت هستند.

رفتار TTS خودکار

وقتی tts.auto فعال باشد، OpenClaw:

• اگر پاسخ از قبل شامل رسانه ساخت‌یافته باشد، TTS را نادیده می‌گیرد.
• پاسخ‌های بسیار کوتاه (کمتر از 10 نویسه) را نادیده می‌گیرد.
• هنگامی که خلاصه‌ها فعال باشند، پاسخ‌های طولانی را با استفاده از summaryModel (یا agents.defaults.model.primary) خلاصه می‌کند.
• صدای تولیدشده را به پاسخ پیوست می‌کند.
• در mode: "final"، پس از تکمیل جریان متن، همچنان TTS فقط‌صوتی را برای پاسخ‌های نهایی جریانی ارسال می‌کند؛ رسانه تولیدشده همان فرایند عادی‌سازی رسانه کانال را طی می‌کند که پیوست‌های معمولی پاسخ طی می‌کنند.

اگر پاسخ از maxLength فراتر رود، OpenClaw هرگز صدا را به‌طور کامل نادیده نمی‌گیرد:

• خلاصه‌سازی روشن (پیش‌فرض) و یک مدل خلاصه‌سازی در دسترس است: متن را تقریباً به maxLength نویسه خلاصه می‌کند، سپس خلاصه را به گفتار تبدیل می‌کند.
• خلاصه‌سازی خاموش، خلاصه‌سازی ناموفق است، یا هیچ کلید API برای مدل خلاصه‌سازی در دسترس نیست: متن را به maxLength نویسه کوتاه می‌کند و متن کوتاه‌شده را به گفتار تبدیل می‌کند.

پاسخ -> TTS فعال است؟  خیر  -> ارسال متن  بله -> دارای رسانه است / کوتاه است؟          بله -> ارسال متن          خیر  -> طول > محدودیت؟                   خیر  -> TTS -> پیوست‌کردن صدا                   بله -> خلاصه‌سازی فعال و در دسترس است؟                            خیر  -> کوتاه‌کردن -> TTS -> پیوست‌کردن صدا                            بله -> خلاصه‌کردن -> TTS -> پیوست‌کردن صدا

مرجع فیلدها

ابزار عامل

ابزار tts متن را به گفتار تبدیل می‌کند و برای تحویل پاسخ، یک پیوست صوتی برمی‌گرداند. در Feishu، Matrix، Telegram و WhatsApp، صوت به‌جای پیوست فایل به‌صورت پیام صوتی تحویل داده می‌شود. در این مسیر، وقتی ffmpeg در دسترس باشد، Feishu و WhatsApp می‌توانند خروجی TTS غیر Opus را تبدیل قالب کنند.

WhatsApp صوت را از طریق Baileys به‌صورت یادداشت صوتی PTT ‏(audio با ptt: true) ارسال می‌کند و متن قابل‌مشاهده را جداگانه از صوت PTT می‌فرستد، زیرا کلاینت‌ها زیرنویس یادداشت‌های صوتی را به‌طور یکسان نمایش نمی‌دهند.

این ابزار فیلدهای اختیاری channel و timeoutMs را می‌پذیرد؛ timeoutMs مهلت زمانی درخواست ارائه‌دهنده برای هر فراخوانی برحسب میلی‌ثانیه است. مقادیر هر فراخوانی، tts.timeoutMs را بازنویسی می‌کنند؛ مهلت‌های زمانی پیکربندی‌شده TTS هر مقدار پیش‌فرض ارائه‌دهنده را که Plugin تعیین کرده باشد، بازنویسی می‌کنند.

RPC سرویس Gateway

پیوندهای سرویس

• راهنمای تبدیل متن به گفتار OpenAI
• مرجع Audio API در OpenAI
• تبدیل متن به گفتار با REST در Azure Speech
• ارائه‌دهندهٔ Azure Speech
• تبدیل متن به گفتار ElevenLabs
• احراز هویت ElevenLabs
• Gradium
• API تبدیل متن به گفتار Inworld
• API مدل MiniMax T2A v2
• API مبتنی بر HTTP برای TTS در Volcengine
• ترکیب گفتار Xiaomi MiMo
• node-edge-tts
• قالب‌های خروجی گفتار Microsoft
• تبدیل متن به گفتار xAI

مرتبط

• نمای کلی رسانه
• تولید موسیقی
• تولید ویدئو
• دستورهای اسلش
• Plugin تماس صوتی