Providers

Azure Speech

Azure Speech to dołączony dostawca zamiany tekstu na mowę usługi Azure AI Speech. OpenClaw wywołuje bezpośrednio interfejs REST API Azure Speech z użyciem SSML, generując pliki MP3 dla standardowych odpowiedzi, natywne pliki Ogg/Opus dla wiadomości głosowych oraz dźwięk mulaw 8 kHz dla kanałów telefonicznych, takich jak Voice Call. Żądanie przesyła format wyjściowy należący do dostawcy za pośrednictwem nagłówka X-Microsoft-OutputFormat.

Szczegół	Wartość
Identyfikator dostawcy	`azure-speech` (alias: `azure`)
Witryna	Azure AI Speech
Dokumentacja	Zamiana tekstu na mowę za pomocą interfejsu Speech REST
Uwierzytelnianie	`AZURE_SPEECH_KEY` oraz `AZURE_SPEECH_REGION`
Domyślny głos	`en-US-JennyNeural`
Domyślny plik wyjściowy	`audio-24khz-48kbitrate-mono-mp3`
Domyślny plik wiadomości głosowej	`ogg-24khz-16bit-mono-opus`

Pierwsze kroki

Utwórz zasób Azure Speech

W portalu Azure utwórz zasób Speech. Skopiuj KEY 1 z sekcji Resource Management > Keys and Endpoint oraz lokalizację zasobu, na przykład eastus.

Code

AZURE_SPEECH_KEY=<speech-resource-key>AZURE_SPEECH_REGION=eastus

Wybierz Azure Speech w messages.tts

json5

{  messages: {    tts: {      auto: "always",      provider: "azure-speech",      providers: {        "azure-speech": {          voice: "en-US-JennyNeural",          lang: "en-US",        },      },    },  },}

Wyślij wiadomość

Wyślij odpowiedź przez dowolny połączony kanał. OpenClaw generuje dźwięk za pomocą Azure Speech i dostarcza plik MP3 jako standardowy dźwięk albo Ogg/Opus, gdy kanał oczekuje wiadomości głosowej.

Opcje konfiguracji

Wszystkie opcje znajdują się w sekcji messages.tts.providers["azure-speech"].

Opcja	Opis
`apiKey`	Klucz zasobu Azure Speech. W razie braku używa `AZURE_SPEECH_KEY`, `AZURE_SPEECH_API_KEY` lub `SPEECH_KEY`.
`region`	Region zasobu Azure Speech. W razie braku używa `AZURE_SPEECH_REGION` lub `SPEECH_REGION`.
`endpoint`	Opcjonalne zastąpienie punktu końcowego Azure Speech. W razie braku używa zaufanej wartości `AZURE_SPEECH_ENDPOINT`.
`baseUrl`	Opcjonalne zastąpienie bazowego adresu URL Azure Speech.
`voice`	Wartość ShortName głosu Azure (domyślnie `en-US-JennyNeural`). Starszy alias: `voiceId`.
`lang`	Kod języka SSML (domyślnie `en-US`).
`outputFormat`	Format wyjściowy pliku dźwiękowego (domyślnie `audio-24khz-48kbitrate-mono-mp3`).
`voiceNoteOutputFormat`	Format wyjściowy wiadomości głosowej (domyślnie `ogg-24khz-16bit-mono-opus`).
`timeoutMs`	Zastąpienie limitu czasu żądania w milisekundach. W razie braku używa globalnej wartości `messages.tts.timeoutMs`.

Dostawca jest uznawany za skonfigurowanego po ustawieniu apiKey oraz jednej z wartości region, endpoint lub baseUrl. Zmienne środowiskowe są sprawdzane tylko jako wartości zastępcze dla nieustawionych kluczy konfiguracji. Pliki .env obszaru roboczego nie mogą ustawiać AZURE_SPEECH_ENDPOINT; do routingu punktów końcowych należy używać środowiska procesu, globalnego pliku dotenv środowiska uruchomieniowego lub jawnej konfiguracji.

Uwagi

Uwierzytelnianie

Azure Speech używa klucza zasobu Speech, a nie klucza Azure OpenAI. Klucz jest wysyłany jako Ocp-Apim-Subscription-Key; OpenClaw wyprowadza https://<region>.tts.speech.microsoft.com z region, chyba że podano endpoint lub baseUrl.

Nazwy głosów

Należy używać wartości ShortName głosu Azure Speech, na przykład en-US-JennyNeural. Dołączony dostawca może wyświetlać listę głosów za pośrednictwem tego samego zasobu Speech i odfiltrowuje głosy oznaczone jako przestarzałe, wycofane lub wyłączone.

Formaty wyjściowe dźwięku

Azure akceptuje formaty wyjściowe, takie jak audio-24khz-48kbitrate-mono-mp3, ogg-24khz-16bit-mono-opus i riff-24khz-16bit-mono-pcm. OpenClaw żąda formatu Ogg/Opus dla miejsc docelowych voice-note, dzięki czemu kanały mogą wysyłać natywne wiadomości głosowe bez dodatkowej konwersji MP3, oraz wymusza raw-8khz-8bit-mono-mulaw dla miejsc docelowych telefonii.

Alias

azure jest akceptowany jako alias dostawcy w istniejącej konfiguracji, ale nowa konfiguracja powinna używać azure-speech, aby uniknąć pomylenia z dostawcami modeli Azure OpenAI.