تبدیل متن به گفتار

OpenClaw می‌تواند پاسخ‌های خروجی را با استفاده از 14 ارائه‌دهندهٔ گفتار به صدا تبدیل کند و پیام‌های صوتی بومی را در Feishu، Matrix، Telegram و WhatsApp، پیوست‌های صوتی را در سایر جاها، و جریان‌های PCM/Ulaw را برای تلفنی و Talk ارسال کند.

TTS نیمهٔ خروجی گفتار در حالت stt-tts متعلق به Talk است. نشست‌های Talk از نوع realtime بومیِ ارائه‌دهنده، گفتار را به‌جای فراخوانی این مسیر TTS، درون ارائه‌دهندهٔ realtime تولید می‌کنند، در حالی که نشست‌های transcription پاسخ صوتی دستیار را تولید نمی‌کنند.

شروع سریع

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

ارائه‌دهندگان پشتیبانی‌شده

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

پیکربندی

پیکربندی TTS زیر messages.tts در ~/.openclaw/openclaw.json قرار دارد. یک preset انتخاب کنید و بلوک ارائه‌دهنده را سازگار کنید:

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

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

{messages: {tts: {  auto: "always",  provider: "google",  providers: {    google: {      apiKey: "${GEMINI_API_KEY}",      model: "gemini-3.1-flash-tts-preview",      voiceName: "Kore",      // Optional natural-language style prompts:      // audioProfile: "Speak in a calm, podcast-host tone.",      // speakerName: "Alex",    },  },},},}

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

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

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

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

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

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

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

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

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

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

بازنویسی‌های صدای هر agent

وقتی یک agent باید با ارائه‌دهنده، صدا، مدل، پرسونا، یا حالت Auto-TTS متفاوتی صحبت کند، از agents.list[].tts استفاده کنید. بلوک agent به‌صورت deep-merge روی messages.tts اعمال می‌شود، بنابراین اعتبارنامه‌های ارائه‌دهنده می‌توانند در پیکربندی سراسری ارائه‌دهنده باقی بمانند:

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

برای تثبیت یک پرسونای مخصوص هر عامل، agents.list[].tts.persona را در کنار پیکربندی ارائه‌دهنده تنظیم کنید؛ این مقدار messages.tts.persona سراسری را فقط برای همان عامل بازنویسی می‌کند.

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

1. messages.tts
2. agents.list[].tts فعال
3. بازنویسی کانال، وقتی کانال از channels.<channel>.tts پشتیبانی می‌کند
4. بازنویسی حساب، وقتی کانال channels.<channel>.accounts.<id>.tts را عبور می‌دهد
5. ترجیحات محلی /tts برای این میزبان
6. دستورهای درون‌خطی [[tts:...]] وقتی لغوهای مدل فعال باشند

بازنویسی‌های کانال و حساب همان شکل messages.tts را دارند و به‌صورت عمیق روی لایه‌های قبلی ادغام می‌شوند؛ بنابراین اعتبارنامه‌های مشترک ارائه‌دهنده می‌توانند در messages.tts بمانند، در حالی که یک کانال یا حساب ربات فقط صدا، مدل، پرسونا یا حالت خودکار را تغییر می‌دهد:

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

پرسوناها

پرسونا یک هویت گفتاری پایدار است که می‌تواند به‌صورت قطعی در میان ارائه‌دهنده‌ها اعمال شود. پرسونا می‌تواند یک ارائه‌دهنده را ترجیح دهد، نیت پرامپت مستقل از ارائه‌دهنده را تعریف کند، و اتصال‌های اختصاصی هر ارائه‌دهنده برای صداها، مدل‌ها، الگوهای پرامپت، seedها و تنظیمات صدا را همراه داشته باشد.

پرسونای حداقلی

{  messages: {    tts: {      auto: "always",      persona: "narrator",      personas: {        narrator: {          label: "Narrator",          provider: "elevenlabs",          providers: {            elevenlabs: { voiceId: "EXAVITQu4vr4xnSDxMaL", modelId: "eleven_multilingual_v2" },          },        },      },    },  },}

پرسونای کامل (پرامپت مستقل از ارائه‌دهنده)

{  messages: {    tts: {      auto: "always",      persona: "alfred",      personas: {        alfred: {          label: "Alfred",          description: "Dry, warm British butler narrator.",          provider: "google",          fallbackPolicy: "preserve-persona",          prompt: {            profile: "A brilliant British butler. Dry, witty, warm, charming, emotionally expressive, never generic.",            scene: "A quiet late-night study. Close-mic narration for a trusted operator.",            sampleContext: "The speaker is answering a private technical request with concise confidence and dry warmth.",            style: "Refined, understated, lightly amused.",            accent: "British English.",            pacing: "Measured, with short dramatic pauses.",            constraints: ["Do not read configuration values aloud.", "Do not explain the persona."],          },          providers: {            google: {              model: "gemini-3.1-flash-tts-preview",              voiceName: "Algieba",              promptTemplate: "audio-profile-v1",            },            openai: { model: "gpt-4o-mini-tts", voice: "cedar" },            elevenlabs: {              voiceId: "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. messages.tts.persona، اگر تنظیم شده باشد.
3. بدون پرسونا.

انتخاب ارائه‌دهنده با تقدم موارد صریح اجرا می‌شود:

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

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

1. messages.tts.providers.<id>
2. messages.tts.personas.<persona>.providers.<id>
3. بازنویسی‌های مورد اعتماد درخواست
4. بازنویسی‌های مجاز دستور TTS تولیدشده توسط مدل

ارائه‌دهنده‌ها چگونه از پرامپت‌های پرسونا استفاده می‌کنند

فیلدهای پرامپت پرسونا (profile، scene، sampleContext، style، accent، pacing، constraints) مستقل از ارائه‌دهنده هستند. هر ارائه‌دهنده تصمیم می‌گیرد چگونه از آن‌ها استفاده کند:

سیاست بازگشت

fallbackPolicy رفتار را وقتی یک پرسونا برای ارائه‌دهنده مورد تلاش هیچ اتصالی ندارد کنترل می‌کند:

کل درخواست TTS فقط وقتی ناموفق می‌شود که همه ارائه‌دهنده‌های امتحان‌شده رد شوند یا شکست بخورند.

انتخاب ارائه‌دهنده نشست Talk در محدوده همان نشست است. یک کارخواه Talk باید شناسه‌های ارائه‌دهنده، شناسه‌های مدل، شناسه‌های صدا و محلی‌سازی‌ها را از talk.catalog انتخاب کند و آن‌ها را از طریق نشست Talk یا درخواست handoff عبور دهد. باز کردن یک نشست صوتی نباید messages.tts یا پیش‌فرض‌های سراسری ارائه‌دهنده Talk را تغییر دهد.

دستورهای هدایت‌شده توسط مدل

به‌صورت پیش‌فرض، دستیار می‌تواند دستورهای [[tts:...]] را برای بازنویسی صدا، مدل یا سرعت برای یک پاسخ واحد تولید کند، همراه با یک بلوک اختیاری [[tts:text]]...[[/tts:text]] برای نشانه‌های بیانی که باید فقط در صوت ظاهر شوند:

Here you go. [[tts:voiceId=pMsXgVXv3BLzUgSXRplE model=eleven_v3 speed=1.1]][[tts:text]](laughs) Read the song once more.[[/tts:text]]

وقتی messages.tts.auto برابر "tagged" باشد، برای فعال‌سازی صوت دستورها الزامی هستند. تحویل بلوک جریانی، دستورها را پیش از دیده شدن توسط کانال از متن قابل‌مشاهده حذف می‌کند، حتی وقتی میان بلوک‌های مجاور تقسیم شده باشند.

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

کلیدهای دستور در دسترس:

• provider (شناسه ارائه‌دهنده ثبت‌شده؛ نیازمند allowProvider: true)
• voice / voiceName / voice_name / google_voice / voiceId
• model / google_model
• stability، similarityBoost، style، speed، useSpeakerBoost
• vol / volume (حجم صدای MiniMax، 0–10)
• pitch (زیر و بمی عدد صحیح MiniMax، −12 تا 12؛ مقادیر اعشاری بریده می‌شوند)
• emotion (تگ احساس Volcengine)
• applyTextNormalization (auto|on|off)
• languageCode (ISO 639-1)
• seed

غیرفعال کردن کامل لغوهای مدل:

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

اجازه دادن به جابه‌جایی ارائه‌دهنده با قابل‌پیکربندی نگه داشتن سایر تنظیمات:

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

دستورهای اسلش

دستور واحد /tts. در Discord، OpenClaw همچنین /voice را ثبت می‌کند، چون /tts یک دستور 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 روی always می‌نویسد؛ /tts off آن را روی off می‌نویسد.
• /tts chat on|off|default یک بازنویسی auto-TTS در محدوده نشست برای گفت‌وگوی فعلی 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 فعلی می‌خواند و آن را یک‌بار به‌صورت صوتی می‌فرستد. فقط یک هش از آن پاسخ را روی ورودی نشست ذخیره می‌کند تا ارسال‌های صوتی تکراری سرکوب شوند.
• /tts audio یک پاسخ صوتی یک‌باره تولید می‌کند (TTS را روشن نمی‌کند).
• limit و summary در ترجیحات محلی ذخیره می‌شوند، نه در پیکربندی اصلی.
• /tts status شامل عیب‌یابی بازگشت برای آخرین تلاش است: Fallback: <primary> -> <used>، Attempts: ...، و جزئیات هر تلاش (provider:outcome(reasonCode) latency).
• /status وقتی TTS فعال باشد، حالت فعال TTS به‌همراه ارائه‌دهنده، مدل، صدا و فراداده پاک‌سازی‌شده endpoint سفارشی پیکربندی‌شده را نشان می‌دهد.

ترجیحات هر کاربر

دستورهای اسلش بازنویسی‌های محلی را در prefsPath می‌نویسند. مقدار پیش‌فرض ~/.openclaw/settings/tts.json است؛ آن را با متغیر محیطی OPENCLAW_TTS_PREFS یا messages.tts.prefsPath بازنویسی کنید.

این موارد پیکربندی مؤثر از messages.tts به‌علاوه بلوک فعال agents.list[].tts برای آن میزبان را بازنویسی می‌کنند.

قالب‌های خروجی (ثابت)

تحویل صدای TTS توسط قابلیت کانال هدایت می‌شود. Pluginهای کانال اعلام می‌کنند که آیا TTS به سبک پیام صوتی باید از ارائه‌دهنده‌ها هدف بومی voice-note را بخواهد یا سنتز عادی audio-file را حفظ کند و فقط خروجی سازگار را برای تحویل صوتی علامت‌گذاری کند.

• کانال‌های دارای قابلیت یادداشت صوتی: پاسخ‌های یادداشت صوتی Opus را ترجیح می‌دهند (opus_48000_64 از ElevenLabs، opus از OpenAI).
  • 48kHz / 64kbps مصالحه‌ی خوبی برای پیام صوتی است.
• Feishu / WhatsApp: وقتی یک پاسخ یادداشت صوتی به‌صورت MP3/WebM/WAV/M4A یا فایل صوتی محتمل دیگری تولید شود، Plugin کانال پیش از ارسال پیام صوتی بومی، آن را با ffmpeg به Ogg/Opus با 48kHz تبدیل می‌کند. WhatsApp نتیجه را از طریق payload صوتی Baileys با ptt: true و audio/ogg; codecs=opus ارسال می‌کند. اگر تبدیل ناموفق باشد، Feishu فایل اصلی را به‌عنوان پیوست دریافت می‌کند؛ ارسال WhatsApp به‌جای ارسال payload ناسازگار PTT ناموفق می‌شود.
• کانال‌های دیگر: MP3 (mp3_44100_128 از ElevenLabs، mp3 از OpenAI).
  • 44.1kHz / 128kbps توازن پیش‌فرض برای وضوح گفتار است.
• MiniMax: MP3 (مدل speech-2.8-hd، نرخ نمونه‌برداری 32kHz) برای پیوست‌های صوتی معمولی. برای مقصدهای یادداشت صوتی اعلام‌شده از سوی کانال، وقتی کانال تبدیل را اعلام کند، OpenClaw پیش از تحویل، MP3 تولیدشده توسط MiniMax را با ffmpeg به Opus با 48kHz تبدیل می‌کند.
• Xiaomi MiMo: به‌طور پیش‌فرض MP3، یا در صورت پیکربندی WAV. برای مقصدهای یادداشت صوتی اعلام‌شده از سوی کانال، وقتی کانال تبدیل را اعلام کند، OpenClaw پیش از تحویل، خروجی Xiaomi را با ffmpeg به Opus با 48kHz تبدیل می‌کند.
• CLI محلی: از outputFormat پیکربندی‌شده استفاده می‌کند. مقصدهای یادداشت صوتی به Ogg/Opus تبدیل می‌شوند و خروجی تلفنی با ffmpeg به PCM تک‌کاناله‌ی خام 16 kHz تبدیل می‌شود.
• Google Gemini: TTS در Gemini API، PCM خام 24kHz برمی‌گرداند. OpenClaw آن را برای پیوست‌های صوتی به‌صورت WAV بسته‌بندی می‌کند، برای مقصدهای یادداشت صوتی به Opus با 48kHz تبدیل می‌کند، و برای Talk/تلفنی مستقیماً PCM برمی‌گرداند.
• Gradium: WAV برای پیوست‌های صوتی، Opus برای مقصدهای یادداشت صوتی، و ulaw_8000 با 8 kHz برای تلفنی.
• Inworld: MP3 برای پیوست‌های صوتی معمولی، OGG_OPUS بومی برای مقصدهای یادداشت صوتی، و PCM خام با 22050 Hz برای Talk/تلفنی.
• xAI: به‌طور پیش‌فرض MP3؛ responseFormat می‌تواند mp3، wav، pcm، mulaw یا alaw باشد. OpenClaw از endpoint دسته‌ای REST TTS در xAI استفاده می‌کند و یک پیوست صوتی کامل برمی‌گرداند؛ WebSocket مربوط به TTS جریانی xAI در این مسیر ارائه‌دهنده استفاده نمی‌شود. قالب بومی Opus برای یادداشت صوتی در این مسیر پشتیبانی نمی‌شود.
• Microsoft: از microsoft.outputFormat استفاده می‌کند (پیش‌فرض audio-24khz-48kbitrate-mono-mp3).
  • انتقال همراه، یک outputFormat می‌پذیرد، اما همه‌ی قالب‌ها از سرویس در دسترس نیستند.
  • مقادیر قالب خروجی از قالب‌های خروجی Microsoft Speech پیروی می‌کنند (از جمله Ogg/WebM Opus).
  • sendVoice در Telegram قالب‌های OGG/MP3/M4A را می‌پذیرد؛ اگر به پیام‌های صوتی Opus تضمین‌شده نیاز دارید، از OpenAI/ElevenLabs استفاده کنید.
  • اگر قالب خروجی پیکربندی‌شده‌ی Microsoft ناموفق باشد، OpenClaw با MP3 دوباره تلاش می‌کند.

قالب‌های خروجی OpenAI/ElevenLabs برای هر کانال ثابت هستند (بالا را ببینید).

رفتار Auto-TTS

وقتی messages.tts.auto فعال باشد، OpenClaw:

• اگر پاسخ از قبل شامل رسانه یا دستور MEDIA: باشد، TTS را رد می‌کند.
• پاسخ‌های بسیار کوتاه را رد می‌کند (کمتر از 10 نویسه).
• وقتی خلاصه‌ها فعال باشند، پاسخ‌های طولانی را با استفاده از summaryModel (یا agents.defaults.model.primary) خلاصه می‌کند.
• صوت تولیدشده را به پاسخ پیوست می‌کند.
• در mode: "final"، همچنان پس از کامل شدن جریان متن، TTS فقط‌صوتی را برای پاسخ‌های نهایی جریانی ارسال می‌کند؛ رسانه‌ی تولیدشده از همان عادی‌سازی رسانه‌ی کانال مانند پیوست‌های پاسخ معمولی عبور می‌کند.

اگر پاسخ از maxLength فراتر برود و خلاصه خاموش باشد (یا کلید API برای مدل خلاصه وجود نداشته باشد)، صوت رد می‌شود و پاسخ متنی معمولی ارسال می‌شود.

Reply -> TTS enabled?  no  -> send text  yes -> has media / MEDIA: / short?          yes -> send text          no  -> length > limit?                   no  -> TTS -> attach audio                   yes -> summary enabled?                            no  -> send text                            yes -> summarize -> TTS -> attach audio

قالب‌های خروجی بر اساس کانال

نکات هر ارائه‌دهنده:

• تبدیل Feishu / WhatsApp: وقتی پاسخ پیام صوتی به‌صورت MP3/WebM/WAV/M4A وارد می‌شود، Plugin کانال آن را با ffmpeg به Ogg/Opus با 48 kHz تبدیل می‌کند. WhatsApp از طریق Baileys با ptt: true و audio/ogg; codecs=opus ارسال می‌کند. اگر تبدیل ناموفق باشد: Feishu به پیوست‌کردن فایل اصلی بازمی‌گردد؛ ارسال WhatsApp به‌جای انتشار یک بارِ PTT ناسازگار، ناموفق می‌شود.
• MiniMax / Xiaomi MiMo: پیش‌فرض MP3 است (32 kHz برای MiniMax speech-2.8-hd)؛ برای مقصدهای پیام صوتی از طریق ffmpeg به Opus با 48 kHz تبدیل می‌شود.
• CLI محلی: از outputFormat پیکربندی‌شده استفاده می‌کند. مقصدهای پیام صوتی به Ogg/Opus و خروجی تلفنی به PCM خامِ تک‌کاناله با 16 kHz تبدیل می‌شوند.
• Google Gemini: PCM خام با 24 kHz برمی‌گرداند. OpenClaw برای پیوست‌ها آن را به‌صورت WAV بسته‌بندی می‌کند، برای مقصدهای پیام صوتی به Opus با 48 kHz تبدیل می‌کند، و برای Talk/تلفنی مستقیماً PCM برمی‌گرداند.
• Inworld: پیوست‌های MP3، پیام صوتی بومی OGG_OPUS، PCM خام PCM با 22050 Hz برای Talk/تلفنی.
• xAI: به‌طور پیش‌فرض MP3؛ responseFormat می‌تواند mp3|wav|pcm|mulaw|alaw باشد. از نقطه پایانی REST دسته‌ای xAI استفاده می‌کند - TTS جریانی WebSocket استفاده نمی‌شود. قالب بومی پیام صوتی Opus پشتیبانی نمی‌شود.
• Microsoft: از microsoft.outputFormat استفاده می‌کند (پیش‌فرض audio-24khz-48kbitrate-mono-mp3). sendVoice در Telegram قالب‌های OGG/MP3/M4A را می‌پذیرد؛ اگر به پیام‌های صوتی Opus تضمین‌شده نیاز دارید، از OpenAI/ElevenLabs استفاده کنید. اگر قالب پیکربندی‌شده Microsoft ناموفق باشد، OpenClaw با MP3 دوباره تلاش می‌کند.

قالب‌های خروجی OpenAI و ElevenLabs برای هر کانال همان‌طور که در بالا فهرست شده‌اند ثابت هستند.

مرجع فیلدها

ابزار عامل

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

WhatsApp صدا را از طریق Baileys به‌عنوان یادداشت صوتی PTT (audio با ptt: true) ارسال می‌کند و متن قابل مشاهده را جداگانه از صدای PTT می‌فرستد، زیرا کلاینت‌ها کپشن‌ها را روی یادداشت‌های صوتی به‌طور یکنواخت رندر نمی‌کنند.

این ابزار فیلدهای اختیاری channel و timeoutMs را می‌پذیرد؛ timeoutMs یک مهلت زمانی درخواست ارائه‌دهنده برای هر فراخوانی، بر حسب میلی‌ثانیه است.

RPC ‏Gateway

پیوندهای سرویس

• راهنمای متن‌به‌گفتار OpenAI
• مرجع API صوتی OpenAI
• متن‌به‌گفتار REST برای Azure Speech
• ارائه‌دهنده Azure Speech
• متن به گفتار ElevenLabs
• احراز هویت ElevenLabs
• Gradium
• API ‏Inworld TTS
• API ‏MiniMax T2A v2
• API ‏HTTP برای Volcengine TTS
• سنتز گفتار Xiaomi MiMo
• node-edge-tts
• قالب‌های خروجی Microsoft Speech
• متن به گفتار xAI

مرتبط

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