تبدیل متن به گفتار

OpenClaw می‌تواند پاسخ‌های خروجی را با ۱۴ ارائه‌دهنده گفتار به صدا تبدیل کند و پیام‌های صوتی بومی را در Feishu، Matrix، Telegram و WhatsApp، پیوست‌های صوتی را در جاهای دیگر، و جریان‌های PCM/Ulaw را برای تلفنی و Talk تحویل دهد.

TTS نیمه خروجی گفتار در حالت stt-tts مربوط به Talk است. نشست‌های Talk از نوع realtime بومی ارائه‌دهنده، گفتار را داخل ارائه‌دهنده realtime می‌سازند به‌جای اینکه این مسیر TTS را فراخوانی کنند، 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، مورد انتخاب‌شده ابتدا استفاده می‌شود و بقیه گزینه‌های پشتیبان 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 زیر messages.tts در ~/.openclaw/openclaw.json قرار دارد. یک پیش‌تنظیم انتخاب کنید و بلوک ارائه‌دهنده را تطبیق دهید:

{messages: {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",    },  },},},}

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

{messages: {tts: {  auto: "always",  provider: "google",  providers: {    google: {      apiKey: "${GEMINI_API_KEY}",      model: "gemini-3.1-flash-tts-preview",      speakerVoice: "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}",      speakerVoiceId: "YTpq7expH9539ERJ",    },  },},},}

{messages: {tts: {  auto: "always",  provider: "inworld",  providers: {    inworld: {      apiKey: "${INWORLD_API_KEY}",      modelId: "inworld-tts-1.5-max",      speakerVoiceId: "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,      speakerVoice: "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",      speakerVoiceId: "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: "${OPENAI_API_KEY}",      model: "gpt-4o-mini-tts",      speakerVoice: "alloy",    },    elevenlabs: {      apiKey: "${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",    },  },},},}

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

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

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

{messages: {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 پرامپت طراحی صدا تنظیم کنید. OpenClaw آن پرامپت را به‌عنوان پیام user در TTS می‌فرستد و برای مدل voicedesign مقدار audio.voice را ارسال نمی‌کند.

بازنویسی‌های صدای هر عامل

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

{  messages: {    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 ثابت‌کردن یک پرسونا برای 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 اولویت 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 ارسال می‌کند
5. ترجیحات محلی /tts برای این میزبان
6. دستورالعمل‌های درون‌خطی [[tts:...]] وقتی بازنویسی‌های مدل فعال باشند

بازنویسی‌های کانال و حساب همان شکل messages.tts را دارند و به‌صورت deep-merge روی لایه‌های قبلی اعمال می‌شوند، بنابراین اعتبارنامه‌های مشترک ارائه‌دهنده می‌توانند در messages.tts بمانند، در حالی‌که یک کانال یا حساب ربات فقط صدای گوینده، 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: { speakerVoice: "shimmer" },            },          },        },      },    },  },}

پرسوناها

یک پرسونا هویت گفتاری پایداری است که می‌تواند به‌صورت قطعی در میان ارائه‌دهنده‌ها اعمال شود. می‌تواند یک ارائه‌دهنده را ترجیح دهد، نیت پرامپت بی‌طرف نسبت به ارائه‌دهنده را تعریف کند، و اتصال‌های اختصاصی ارائه‌دهنده برای صداها، مدل‌ها، قالب‌های پرامپت، seedها و تنظیمات صدا را حمل کند.

پرسونای حداقلی

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

پرسونای کامل (پرامپت بی‌طرف نسبت به 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",              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,              },            },          },        },      },    },  },}

حل‌کردن 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 اولویت صریح اجرا می‌شود:

1. بازنویسی‌های مستقیم (CLI، Gateway، Talk، دستورالعمل‌های 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 به این ترتیب ادغام می‌کند:

1. messages.tts.providers.<id>
2. messages.tts.personas.<persona>.providers.<id>
3. بازنویسی‌های درخواست قابل اعتماد
4. بازنویسی‌های دستورالعمل TTS صادرشده توسط مدل و مجاز

ارائه‌دهنده‌ها چگونه از پرامپت‌های پرسونا استفاده می‌کنند

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

سیاست جایگزینی

fallbackPolicy رفتار را زمانی کنترل می‌کند که یک پرسونا برای ارائه‌دهنده مورد تلاش هیچ اتصالی نداشته باشد:

کل درخواست TTS فقط زمانی شکست می‌خورد که همه ارائه‌دهنده‌های امتحان‌شده رد شوند یا شکست بخورند.

انتخاب ارائه‌دهنده جلسه Talk در محدوده جلسه است. یک کلاینت Talk باید شناسه‌های ارائه‌دهنده، شناسه‌های مدل، شناسه‌های صدا و localeها را از talk.catalog انتخاب کند و آن‌ها را از طریق جلسه Talk یا درخواست handoff ارسال کند. بازکردن یک جلسه صوتی نباید messages.tts یا پیش‌فرض‌های سراسری ارائه‌دهنده Talk را تغییر دهد.

دستورالعمل‌های هدایت‌شده با مدل

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

Here you go. [[tts:speakerVoiceId=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 فعال‌کردن صوت دستورالعمل‌ها لازم هستند. تحویل بلوک استریم‌شده، دستورالعمل‌ها را پیش از آنکه کانال آن‌ها را ببیند از متن قابل مشاهده حذف می‌کند، حتی وقتی بین بلوک‌های مجاور تقسیم شده باشند.

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

کلیدهای دستورالعمل موجود:

• provider (شناسه ارائه‌دهنده 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 (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

غیرفعال‌کردن کامل بازنویسی‌های مدل:

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

اجازه‌دادن به تغییر ارائه‌دهنده در حالی‌که سایر کنترل‌ها قابل پیکربندی می‌مانند:

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

فرمان‌های اسلش

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

ترجیحات هر کاربر

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

این‌ها پیکربندی مؤثر از messages.tts به‌همراه بلوک فعال agents.list[].tts را برای آن میزبان بازنویسی می‌کنند.

قالب‌های خروجی (ثابت)

تحویل صدای TTS بر اساس قابلیت کانال هدایت می‌شود. Pluginهای کانال اعلام می‌کنند که آیا TTS سبک voice باید از ارائه‌دهنده‌ها هدف بومی voice-note بخواهد یا سنتز معمول 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 توازن خوبی برای پیام صوتی است.
• Feishu / WhatsApp: وقتی پاسخ یادداشت صوتی به‌صورت MP3/WebM/WAV/M4A یا یک فایل صوتی محتمل دیگر تولید می‌شود، 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 audio در 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 یک 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 عادی. برای مقصدهای یادداشت صوتی اعلام‌شده توسط کانال، وقتی کانال تبدیل را اعلام می‌کند، OpenClaw پیش از تحویل، MP3 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 توسط کانال، وقتی کانال تبدیل را اعلام می‌کند، 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 خام مونو 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 مستقیما 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 عادی، 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 استریمینگ TTS در 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 بسته‌بندی‌شده یک outputFormat می‌پذیرد، اما همه قالب‌ها از سرویس در دسترس نیستند.
  • مقادیر قالب خروجی از قالب‌های خروجی Microsoft Speech پیروی می‌کنند (از جمله Ogg/WebM Opus).
  • sendVoice در Telegram‏ 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 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 رسانه ساختاریافته داشته باشد، TTS را رد می‌کند.
• پاسخ‌های بسیار کوتاه را رد می‌کند (کمتر از 10 نویسه).
• وقتی خلاصه‌ها فعال باشند، پاسخ‌های بلند را با استفاده از summaryModel (یا agents.defaults.model.primary) خلاصه می‌کند.
• صوت تولیدشده را به پاسخ پیوست می‌کند.
• در mode: "final"، پس از کامل شدن جریان متن، همچنان برای پاسخ‌های نهایی استریم‌شده TTS فقط صوتی ارسال می‌کند؛ رسانه تولیدشده همان نرمال‌سازی رسانه کانال را طی می‌کند که پیوست‌های پاسخ عادی طی می‌کنند.

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

Reply -> TTS enabled?  no  -> send text  yes -> has 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

یادداشت‌های هر ارائه‌دهنده:

• تبدیل کدک Feishu / WhatsApp: وقتی پاسخ یادداشت صوتی به‌صورت MP3/WebM/WAV/M4A برسد، Plugin کانال با ffmpeg آن را به 48 kHz Ogg/Opus تبدیل می‌کند. WhatsApp از طریق Baileys با ptt: true و audio/ogg; codecs=opus ارسال می‌کند. اگر تبدیل شکست بخورد: Feishu به پیوست‌کردن فایل اصلی بازمی‌گردد؛ ارسال WhatsApp به‌جای انتشار یک payload ناسازگار PTT شکست می‌خورد.
• MiniMax / Xiaomi MiMo: MP3 پیش‌فرض (32 kHz برای MiniMax speech-2.8-hd)؛ برای هدف‌های یادداشت صوتی از طریق ffmpeg به 48 kHz Opus تبدیل می‌شود.
• CLI محلی: از outputFormat پیکربندی‌شده استفاده می‌کند. هدف‌های یادداشت صوتی به Ogg/Opus و خروجی تلفن به PCM خام 16 kHz مونو تبدیل می‌شوند.
• Google Gemini: PCM خام 24 kHz برمی‌گرداند. OpenClaw برای پیوست‌ها آن را به‌صورت WAV بسته‌بندی می‌کند، برای هدف‌های یادداشت صوتی به 48 kHz Opus تبدیل می‌کند، و برای گفت‌وگو/تلفن PCM را مستقیم برمی‌گرداند.
• Inworld: پیوست‌های MP3، یادداشت صوتی بومی OGG_OPUS، PCM خام 22050 Hz برای گفت‌وگو/تلفن.
• xAI: به‌صورت پیش‌فرض MP3؛ responseFormat می‌تواند mp3|wav|pcm|mulaw|alaw باشد. از endpoint دسته‌ای REST متعلق به xAI استفاده می‌کند — TTS جریانی WebSocket استفاده نمی‌شود. قالب بومی Opus برای یادداشت صوتی 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 شکست بخورد، OpenClaw با MP3 دوباره تلاش می‌کند.

قالب‌های خروجی OpenAI و ElevenLabs برای هر کانال مطابق فهرست بالا 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 وقتی ffmpeg در دسترس باشد می‌توانند خروجی TTS غیر Opus را در این مسیر ترنسکد کنند.

WhatsApp صدا را از طریق Baileys به‌صورت یادداشت صوتی PTT (audio با ptt: true) می‌فرستد و متن قابل مشاهده را جداگانه از صدای PTT ارسال می‌کند، چون کلاینت‌ها کپشن‌ها را روی یادداشت‌های صوتی به‌صورت یکنواخت نمایش نمی‌دهند.

این ابزار فیلدهای اختیاری channel و timeoutMs را می‌پذیرد؛ timeoutMs زمان انقضای درخواست ارائه‌دهنده برای هر فراخوانی بر حسب میلی‌ثانیه است. مقدارهای هر فراخوانی، messages.tts.timeoutMs را بازنویسی می‌کنند؛ زمان‌های انقضای پیکربندی‌شده TTS هر پیش‌فرض ارائه‌دهنده‌ای را که توسط Plugin نوشته شده باشد بازنویسی می‌کنند.

RPC Gateway

پیوندهای سرویس

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

مرتبط

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