Tools
Zamiana tekstu na mowę
OpenClaw może konwertować odpowiedzi wychodzące na audio przy użyciu 14 dostawców mowy i dostarczać natywne wiadomości głosowe w Feishu, Matrix, Telegram i WhatsApp, załączniki audio wszędzie indziej oraz strumienie PCM/Ulaw dla telefonii i Talk.
TTS to połowa trybu stt-tts w Talk odpowiedzialna za wyjście mowy. Natywne dla dostawcy
sesje Talk typu realtime syntetyzują mowę wewnątrz dostawcy czasu rzeczywistego zamiast
wywoływać tę ścieżkę TTS, natomiast sesje transcription nie syntetyzują
głosowej odpowiedzi asystenta.
Szybki start
Wybierz dostawcę
OpenAI i ElevenLabs to najbardziej niezawodne opcje hostowane. Microsoft i Local CLI działają bez klucza API. Pełną listę znajdziesz w macierzy dostawców.
Ustaw klucz API
Wyeksportuj zmienną środowiskową dla swojego dostawcy (na przykład OPENAI_API_KEY,
ELEVENLABS_API_KEY). Microsoft i Local CLI nie wymagają klucza.
Włącz w konfiguracji
Ustaw messages.tts.auto: "always" i messages.tts.provider:
{ messages: { tts: { auto: "always", provider: "elevenlabs", }, },}Wypróbuj w czacie
/tts status pokazuje bieżący stan. /tts audio Hello from OpenClaw
wysyła jednorazową odpowiedź audio.
Obsługiwani dostawcy
| Dostawca | Uwierzytelnianie | Uwagi |
|---|---|---|
| Azure Speech | AZURE_SPEECH_KEY + AZURE_SPEECH_REGION (także AZURE_SPEECH_API_KEY, SPEECH_KEY, SPEECH_REGION) |
Natywne wyjście notatki głosowej Ogg/Opus i telefonia. |
| DeepInfra | DEEPINFRA_API_KEY |
TTS zgodny z OpenAI. Domyślnie hexgrad/Kokoro-82M. |
| ElevenLabs | ELEVENLABS_API_KEY lub XI_API_KEY |
Klonowanie głosu, wielojęzyczność, deterministycznie przez seed; strumieniowane dla odtwarzania głosu w Discord. |
| Google Gemini | GEMINI_API_KEY lub GOOGLE_API_KEY |
Wsadowe TTS w Gemini API; uwzględnia personę przez promptTemplate: "audio-profile-v1". |
| Gradium | GRADIUM_API_KEY |
Wyjście notatki głosowej i telefonii. |
| Inworld | INWORLD_API_KEY |
Streamingowe API TTS. Natywna notatka głosowa Opus i telefonia PCM. |
| Local CLI | brak | Uruchamia skonfigurowane lokalne polecenie TTS. |
| Microsoft | brak | Publiczne neuronowe TTS Edge przez node-edge-tts. Najlepszy możliwy wysiłek, bez SLA. |
| MiniMax | MINIMAX_API_KEY (lub plan Token: MINIMAX_OAUTH_TOKEN, MINIMAX_CODE_PLAN_KEY, MINIMAX_CODING_API_KEY) |
API T2A v2. Domyślnie speech-2.8-hd. |
| OpenAI | OPENAI_API_KEY |
Używany także do automatycznego podsumowania; obsługuje personę instructions. |
| OpenRouter | OPENROUTER_API_KEY (może ponownie używać models.providers.openrouter.apiKey) |
Domyślny model hexgrad/kokoro-82m. |
| Volcengine | VOLCENGINE_TTS_API_KEY lub BYTEPLUS_SEED_SPEECH_API_KEY (starsze AppID/token: VOLCENGINE_TTS_APPID/_TOKEN) |
HTTP API BytePlus Seed Speech. |
| Vydra | VYDRA_API_KEY |
Wspólny dostawca obrazów, wideo i mowy. |
| xAI | XAI_API_KEY |
Wsadowe TTS xAI. Natywna notatka głosowa Opus nie jest obsługiwana. |
| Xiaomi MiMo | XIAOMI_API_KEY |
MiMo TTS przez uzupełnienia czatu Xiaomi. |
Jeśli skonfigurowano wielu dostawców, wybrany dostawca jest używany jako pierwszy, a
pozostali są opcjami zapasowymi. Automatyczne podsumowanie używa summaryModel (lub
agents.defaults.model.primary), więc ten dostawca także musi być uwierzytelniony,
jeśli podsumowania pozostają włączone.
Konfiguracja
Konfiguracja TTS znajduje się pod messages.tts w ~/.openclaw/openclaw.json. Wybierz
preset i dostosuj blok dostawcy:
Azure Speech
{messages: {tts: { auto: "always", provider: "azure-speech", providers: { "azure-speech": { apiKey: "${AZURE_SPEECH_KEY}", region: "eastus", speakerVoice: "en-US-JennyNeural", lang: "en-US", outputFormat: "audio-24khz-48kbitrate-mono-mp3", voiceNoteOutputFormat: "ogg-24khz-16bit-mono-opus", }, },},},}ElevenLabs
{messages: {tts: { auto: "always", provider: "elevenlabs", providers: { elevenlabs: { apiKey: "${ELEVENLABS_API_KEY}", model: "eleven_multilingual_v2", speakerVoiceId: "EXAVITQu4vr4xnSDxMaL", }, },},},}Google Gemini
{messages: {tts: { auto: "always", provider: "google", providers: { google: { apiKey: "${GEMINI_API_KEY}", model: "gemini-3.1-flash-tts-preview", speakerVoice: "Kore", // Optional natural-language style prompts: // audioProfile: "Speak in a calm, podcast-host tone.", // speakerName: "Alex", }, },},},}Gradium
{messages: {tts: { auto: "always", provider: "gradium", providers: { gradium: { apiKey: "${GRADIUM_API_KEY}", speakerVoiceId: "YTpq7expH9539ERJ", }, },},},}Inworld
{messages: {tts: { auto: "always", provider: "inworld", providers: { inworld: { apiKey: "${INWORLD_API_KEY}", modelId: "inworld-tts-1.5-max", speakerVoiceId: "Sarah", temperature: 0.7, }, },},},}Local CLI
{messages: {tts: { auto: "always", provider: "tts-local-cli", providers: { "tts-local-cli": { command: "say", args: ["-o", "{{OutputPath}}", "{{Text}}"], outputFormat: "wav", timeoutMs: 120000, }, },},},}Microsoft (bez klucza)
{messages: {tts: { auto: "always", provider: "microsoft", providers: { microsoft: { enabled: true, speakerVoice: "en-US-MichelleNeural", lang: "en-US", outputFormat: "audio-24khz-48kbitrate-mono-mp3", rate: "+0%", pitch: "+0%", }, },},},}MiniMax
{messages: {tts: { auto: "always", provider: "minimax", providers: { minimax: { apiKey: "${MINIMAX_API_KEY}", model: "speech-2.8-hd", speakerVoiceId: "English_expressive_narrator", speed: 1.0, vol: 1.0, pitch: 0, }, },},},}OpenAI + ElevenLabs
{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", }, },},},}OpenRouter
{messages: {tts: { auto: "always", provider: "openrouter", providers: { openrouter: { apiKey: "${OPENROUTER_API_KEY}", model: "hexgrad/kokoro-82m", speakerVoice: "af_alloy", responseFormat: "mp3", }, },},},}Volcengine
{messages: {tts: { auto: "always", provider: "volcengine", providers: { volcengine: { apiKey: "${VOLCENGINE_TTS_API_KEY}", resourceId: "seed-tts-1.0", speakerVoice: "en_female_anna_mars_bigtts", }, },},},}xAI
{messages: {tts: { auto: "always", provider: "xai", providers: { xai: { apiKey: "${XAI_API_KEY}", speakerVoiceId: "eve", language: "en", responseFormat: "mp3", }, },},},}Xiaomi MiMo
{messages: {tts: { auto: "always", provider: "xiaomi", providers: { xiaomi: { apiKey: "${XIAOMI_API_KEY}", model: "mimo-v2.5-tts", speakerVoice: "mimo_default", format: "mp3", }, },},},}Dla Xiaomi mimo-v2.5-tts-voicedesign pomiń speakerVoice i ustaw style na
prompt projektowania głosu. OpenClaw wysyła ten prompt jako wiadomość user TTS
i nie wysyła audio.voice dla modelu voicedesign.
Nadpisania głosu dla poszczególnych agentów
Użyj agents.list[].tts, gdy jeden agent powinien mówić z innym dostawcą,
głosem, modelem, personą lub trybem auto-TTS. Blok agenta jest głęboko scalany z
messages.tts, więc dane uwierzytelniające dostawcy mogą pozostać w globalnej konfiguracji dostawcy:
{ messages: { tts: { auto: "always", provider: "elevenlabs", providers: { elevenlabs: { apiKey: "${ELEVENLABS_API_KEY}", model: "eleven_multilingual_v2" }, }, }, }, agents: { list: [ { id: "reader", tts: { providers: { elevenlabs: { speakerVoiceId: "EXAVITQu4vr4xnSDxMaL" }, }, }, }, ], },}Aby przypiąć personę dla konkretnego agenta, ustaw agents.list[].tts.persona obok konfiguracji
dostawcy — zastępuje ona globalne messages.tts.persona tylko dla tego agenta.
Kolejność pierwszeństwa dla automatycznych odpowiedzi, /tts audio, /tts status i narzędzia agenta
tts:
messages.tts- aktywne
agents.list[].tts - nadpisanie kanału, gdy kanał obsługuje
channels.<channel>.tts - nadpisanie konta, gdy kanał przekazuje
channels.<channel>.accounts.<id>.tts - lokalne preferencje
/ttsdla tego hosta - dyrektywy inline
[[tts:...]], gdy nadpisania modelu są włączone
Nadpisania kanału i konta używają tego samego kształtu co messages.tts i
głęboko scalają się z wcześniejszymi warstwami, więc współdzielone dane uwierzytelniające dostawcy mogą pozostać w
messages.tts, podczas gdy kanał lub konto bota zmienia tylko głos lektora, model, personę
albo tryb automatyczny:
{ messages: { tts: { provider: "openai", providers: { openai: { apiKey: "${OPENAI_API_KEY}", model: "gpt-4o-mini-tts" }, }, }, }, channels: { feishu: { accounts: { english: { tts: { providers: { openai: { speakerVoice: "shimmer" }, }, }, }, }, }, },}Persony
Persona to stabilna tożsamość mówiona, którą można deterministycznie stosować u różnych dostawców. Może preferować jednego dostawcę, definiować neutralną wobec dostawców intencję promptu oraz przenosić powiązania specyficzne dla dostawcy dla głosów, modeli, szablonów promptów, ziaren i ustawień głosu.
Minimalna persona
{ messages: { tts: { auto: "always", persona: "narrator", personas: { narrator: { label: "Narrator", provider: "elevenlabs", providers: { elevenlabs: { speakerVoiceId: "EXAVITQu4vr4xnSDxMaL", modelId: "eleven_multilingual_v2", }, }, }, }, }, },}Pełna persona (prompt neutralny wobec dostawcy)
{ 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, }, }, }, }, }, }, },}Rozstrzyganie persony
Aktywna persona jest wybierana deterministycznie:
- lokalna preferencja
/tts persona <id>, jeśli ustawiona. messages.tts.persona, jeśli ustawione.- Brak persony.
Wybór dostawcy działa według zasady „najpierw jawne ustawienia”:
- Bezpośrednie nadpisania (CLI, Gateway, Talk, dozwolone dyrektywy TTS).
- Lokalna preferencja
/tts provider <id>. provideraktywnej persony.messages.tts.provider.- Automatyczny wybór z rejestru.
Dla każdej próby dostawcy OpenClaw scala konfiguracje w tej kolejności:
messages.tts.providers.<id>messages.tts.personas.<persona>.providers.<id>- Zaufane nadpisania żądania
- Dozwolone nadpisania z dyrektyw TTS wyemitowanych przez model
Jak dostawcy używają promptów persony
Pola promptu persony (profile, scene, sampleContext, style, accent,
pacing, constraints) są neutralne wobec dostawcy. Każdy dostawca decyduje, jak
ich używać:
Google Gemini
Opakowuje pola promptu persony w strukturę promptu Gemini TTS tylko wtedy, gdy
efektywna konfiguracja dostawcy Google ustawia promptTemplate: "audio-profile-v1"
albo personaPrompt. Starsze pola audioProfile i speakerName nadal są
dołączane na początku jako tekst promptu specyficzny dla Google. Tagi audio inline, takie jak
[whispers] lub [laughs] wewnątrz bloku [[tts:text]], są zachowywane
w transkrypcie Gemini; OpenClaw nie generuje tych tagów.
OpenAI
Mapuje pola promptu persony na pole żądania instructions tylko wtedy, gdy
nie skonfigurowano jawnych OpenAI instructions. Jawne instructions
zawsze ma pierwszeństwo.
Inni dostawcy
Używają tylko powiązań persony specyficznych dla dostawcy pod
personas.<id>.providers.<provider>. Pola promptu persony są ignorowane,
chyba że dostawca implementuje własne mapowanie promptu persony.
Zasada fallbacku
fallbackPolicy kontroluje zachowanie, gdy persona nie ma powiązania dla
próbowanego dostawcy:
| Zasada | Zachowanie |
|---|---|
preserve-persona |
Domyślne. Pola promptu neutralne wobec dostawcy pozostają dostępne; dostawca może ich użyć lub je zignorować. |
provider-defaults |
Persona jest pomijana podczas przygotowania promptu dla tej próby; dostawca używa swoich neutralnych ustawień domyślnych, podczas gdy fallback do innych dostawców trwa dalej. |
fail |
Pomiń tę próbę dostawcy z reasonCode: "not_configured" i personaBinding: "missing". Dostawcy fallbacku nadal są próbowani. |
Całe żądanie TTS kończy się niepowodzeniem tylko wtedy, gdy każdy próbowany dostawca zostanie pominięty albo zakończy się niepowodzeniem.
Wybór dostawcy sesji Talk jest ograniczony do sesji. Klient Talk powinien wybierać
identyfikatory dostawców, identyfikatory modeli, identyfikatory głosów i ustawienia regionalne z talk.catalog oraz przekazywać
je przez sesję Talk lub żądanie handoff. Otwarcie sesji głosowej nie powinno
mutować messages.tts ani globalnych domyślnych ustawień dostawców Talk.
Dyrektywy sterowane modelem
Domyślnie asystent może emitować dyrektywy [[tts:...]], aby nadpisać
głos, model lub prędkość dla pojedynczej odpowiedzi, a także opcjonalny
blok [[tts:text]]...[[/tts:text]] dla wskazówek ekspresyjnych, które powinny pojawić się
tylko w audio:
Here you go. [[tts:speakerVoiceId=pMsXgVXv3BLzUgSXRplE model=eleven_v3 speed=1.1]][[tts:text]](laughs) Read the song once more.[[/tts:text]]Gdy messages.tts.auto ma wartość "tagged", dyrektywy są wymagane, aby wyzwolić
audio. Dostarczanie bloków strumieniowych usuwa dyrektywy z widocznego tekstu, zanim
kanał je zobaczy, nawet gdy są podzielone między sąsiednie bloki.
provider=... jest ignorowane, chyba że modelOverrides.allowProvider: true. Gdy
odpowiedź deklaruje provider=..., pozostałe klucze w tej dyrektywie są parsowane
tylko przez tego dostawcę; nieobsługiwane klucze są usuwane i raportowane jako ostrzeżenia
dyrektyw TTS.
Dostępne klucze dyrektyw:
provider(zarejestrowany identyfikator dostawcy; wymagaallowProvider: true)speakerVoice/speakerVoiceId(starsze aliasy:voice,voiceName,voice_name,google_voice,voiceId)model/google_modelstability,similarityBoost,style,speed,useSpeakerBoostvol/volume(głośność MiniMax, 0–10)pitch(całkowita wysokość tonu MiniMax, −12 do 12; wartości ułamkowe są obcinane)emotion(tag emocji Volcengine)applyTextNormalization(auto|on|off)languageCode(ISO 639-1)seed
Całkowicie wyłącz nadpisania modelu:
{ messages: { tts: { modelOverrides: { enabled: false } } } }Zezwól na przełączanie dostawców, pozostawiając inne pokrętła konfigurowalne:
{ messages: { tts: { modelOverrides: { enabled: true, allowProvider: true, allowSeed: false } } } }Polecenia slash
Pojedyncze polecenie /tts. W Discord OpenClaw rejestruje także /voice, ponieważ
/tts jest wbudowanym poleceniem Discord — tekstowe /tts ... nadal działa.
/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>Uwagi dotyczące zachowania:
/tts onzapisuje lokalną preferencję TTS jakoalways;/tts offzapisuje ją jakooff./tts chat on|off|defaultzapisuje nadpisanie auto-TTS o zakresie sesji dla bieżącego czatu./tts persona <id>zapisuje lokalną preferencję persony;/tts persona offją czyści./tts latestodczytuje najnowszą odpowiedź asystenta z transkryptu bieżącej sesji i wysyła ją jednorazowo jako audio. Przechowuje tylko skrót tej odpowiedzi we wpisie sesji, aby tłumić zduplikowane wysyłki głosowe./tts audiogeneruje jednorazową odpowiedź audio (nie włącza TTS).limitisummarysą przechowywane w lokalnych preferencjach, nie w głównej konfiguracji./tts statuszawiera diagnostykę fallbacku dla najnowszej próby —Fallback: <primary> -> <used>,Attempts: ...oraz szczegóły każdej próby (provider:outcome(reasonCode) latency)./statuspokazuje aktywny tryb TTS oraz skonfigurowanego dostawcę, model, głos i oczyszczone metadane niestandardowego punktu końcowego, gdy TTS jest włączony.
Preferencje użytkownika
Polecenia slash zapisują lokalne nadpisania do prefsPath. Wartość domyślna to
~/.openclaw/settings/tts.json; nadpisz ją zmienną środowiskową OPENCLAW_TTS_PREFS
albo messages.tts.prefsPath.
| Przechowywane pole | Efekt |
|---|---|
auto |
Lokalne nadpisanie auto-TTS (always, off, …) |
provider |
Lokalne nadpisanie głównego dostawcy |
persona |
Lokalne nadpisanie persony |
maxLength |
Próg podsumowania (domyślnie 1500 znaków) |
summarize |
Przełącznik podsumowania (domyślnie true) |
Zastępują one efektywną konfigurację z messages.tts oraz aktywny
blok agents.list[].tts dla tego hosta.
Formaty wyjściowe (stałe)
Dostarczanie głosu TTS jest sterowane możliwościami kanału. Pluginy kanałów ogłaszają,
czy TTS w stylu głosu powinien prosić dostawców o natywny cel voice-note, czy
zachować zwykłą syntezę audio-file i tylko oznaczać zgodne wyjście do dostarczania
głosu.
- Kanały obsługujące notatki głosowe: odpowiedzi jako notatki głosowe preferują Opus (
opus_48000_64z ElevenLabs,opusz OpenAI).- 48 kHz / 64 kbps to dobry kompromis dla wiadomości głosowej.
- Feishu / WhatsApp: gdy odpowiedź jako notatka głosowa zostanie utworzona jako MP3/WebM/WAV/M4A
lub inny prawdopodobny plik audio, Plugin kanału transkoduje ją do 48 kHz
Ogg/Opus za pomocą
ffmpegprzed wysłaniem natywnej wiadomości głosowej. WhatsApp wysyła wynik przez ładunek Baileysaudiozptt: trueiaudio/ogg; codecs=opus. Jeśli konwersja się nie powiedzie, Feishu otrzymuje oryginalny plik jako załącznik; wysyłanie WhatsApp kończy się niepowodzeniem zamiast opublikowania niezgodnego ładunku PTT. - Inne kanały: MP3 (
mp3_44100_128z ElevenLabs,mp3z OpenAI).- 44,1 kHz / 128 kbps to domyślny balans dla klarowności mowy.
- MiniMax: MP3 (model
speech-2.8-hd, częstotliwość próbkowania 32 kHz) dla zwykłych załączników audio. W przypadku celów notatek głosowych ogłaszanych przez kanał OpenClaw transkoduje MP3 MiniMax do 48 kHz Opus za pomocąffmpegprzed dostarczeniem, gdy kanał ogłasza obsługę transkodowania. - Xiaomi MiMo: domyślnie MP3 albo WAV po skonfigurowaniu. W przypadku celów notatek głosowych ogłaszanych przez kanał OpenClaw transkoduje wyjście Xiaomi do 48 kHz Opus za pomocą
ffmpegprzed dostarczeniem, gdy kanał ogłasza obsługę transkodowania. - Lokalny CLI: używa skonfigurowanego
outputFormat. Cele notatek głosowych są konwertowane do Ogg/Opus, a wyjście telefoniczne jest konwertowane do surowego, monofonicznego PCM 16 kHz za pomocąffmpeg. - Google Gemini: TTS Gemini API zwraca surowy PCM 24 kHz. OpenClaw opakowuje go jako WAV dla załączników audio, transkoduje go do 48 kHz Opus dla celów notatek głosowych i zwraca PCM bezpośrednio dla Talk/telefonii.
- Gradium: WAV dla załączników audio, Opus dla celów notatek głosowych i
ulaw_8000przy 8 kHz dla telefonii. - Inworld: MP3 dla zwykłych załączników audio, natywne
OGG_OPUSdla celów notatek głosowych i surowePCMprzy 22050 Hz dla Talk/telefonii. - xAI: domyślnie MP3;
responseFormatmoże byćmp3,wav,pcm,mulawalboalaw. OpenClaw używa wsadowego punktu końcowego REST TTS xAI i zwraca kompletny załącznik audio; strumieniowy WebSocket TTS xAI nie jest używany przez tę ścieżkę dostawcy. Natywny format notatek głosowych Opus nie jest obsługiwany przez tę ścieżkę. - Microsoft: używa
microsoft.outputFormat(domyślnieaudio-24khz-48kbitrate-mono-mp3).- Dołączony transport akceptuje
outputFormat, ale nie wszystkie formaty są dostępne z usługi. - Wartości formatu wyjściowego są zgodne z formatami wyjściowymi Microsoft Speech (w tym Ogg/WebM Opus).
- Telegram
sendVoiceakceptuje OGG/MP3/M4A; użyj OpenAI/ElevenLabs, jeśli potrzebujesz gwarantowanych wiadomości głosowych Opus. - Jeśli skonfigurowany format wyjściowy Microsoft zawiedzie, OpenClaw ponawia próbę z MP3.
- Dołączony transport akceptuje
Formaty wyjściowe OpenAI/ElevenLabs są stałe dla każdego kanału (zobacz powyżej).
Zachowanie Auto-TTS
Gdy messages.tts.auto jest włączone, OpenClaw:
- Pomija TTS, jeśli odpowiedź zawiera już media strukturalne.
- Pomija bardzo krótkie odpowiedzi (poniżej 10 znaków).
- Streszcza długie odpowiedzi, gdy streszczenia są włączone, używając
summaryModel(alboagents.defaults.model.primary). - Dołącza wygenerowane audio do odpowiedzi.
- W
mode: "final"nadal wysyła TTS tylko audio dla strumieniowanych odpowiedzi końcowych po zakończeniu strumienia tekstu; wygenerowane media przechodzą przez tę samą normalizację mediów kanału co zwykłe załączniki odpowiedzi.
Jeśli odpowiedź przekracza maxLength, a streszczenie jest wyłączone (albo brakuje klucza API dla
modelu streszczania), audio jest pomijane i wysyłana jest zwykła odpowiedź tekstowa.
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 audioFormaty wyjściowe według kanału
| Cel | Format |
|---|---|
| Feishu / Matrix / Telegram / WhatsApp | Odpowiedzi jako notatki głosowe preferują Opus (opus_48000_64 z ElevenLabs, opus z OpenAI). 48 kHz / 64 kbps równoważy klarowność i rozmiar. |
| Inne kanały | MP3 (mp3_44100_128 z ElevenLabs, mp3 z OpenAI). 44,1 kHz / 128 kbps domyślnie dla mowy. |
| Talk / telefonia | Natywny dla dostawcy PCM (Inworld 22050 Hz, Google 24 kHz) albo ulaw_8000 z Gradium dla telefonii. |
Uwagi dotyczące poszczególnych dostawców:
- Transkodowanie Feishu / WhatsApp: Gdy odpowiedź jako notatka głosowa trafia jako MP3/WebM/WAV/M4A, Plugin kanału transkoduje do 48 kHz Ogg/Opus za pomocą
ffmpeg. WhatsApp wysyła przez Baileys zptt: trueiaudio/ogg; codecs=opus. Jeśli konwersja się nie powiedzie: Feishu wraca do dołączenia oryginalnego pliku; wysyłanie WhatsApp kończy się niepowodzeniem zamiast opublikowania niezgodnego ładunku PTT. - MiniMax / Xiaomi MiMo: Domyślnie MP3 (32 kHz dla MiniMax
speech-2.8-hd); transkodowane do 48 kHz Opus dla celów notatek głosowych przezffmpeg. - Lokalny CLI: Używa skonfigurowanego
outputFormat. Cele notatek głosowych są konwertowane do Ogg/Opus, a wyjście telefoniczne do surowego, monofonicznego PCM 16 kHz. - Google Gemini: Zwraca surowy PCM 24 kHz. OpenClaw opakowuje jako WAV dla załączników, transkoduje do 48 kHz Opus dla celów notatek głosowych, zwraca PCM bezpośrednio dla Talk/telefonii.
- Inworld: załączniki MP3, natywne notatki głosowe
OGG_OPUS, surowePCM22050 Hz dla Talk/telefonii. - xAI: domyślnie MP3;
responseFormatmoże mieć wartośćmp3|wav|pcm|mulaw|alaw. Używa wsadowego punktu końcowego REST xAI — strumieniowy WebSocket TTS nie jest używany. Natywny format notatek głosowych Opus nie jest obsługiwany. - Microsoft: Używa
microsoft.outputFormat(domyślnieaudio-24khz-48kbitrate-mono-mp3). TelegramsendVoiceakceptuje OGG/MP3/M4A; użyj OpenAI/ElevenLabs, jeśli potrzebujesz gwarantowanych wiadomości głosowych Opus. Jeśli skonfigurowany format Microsoft zawiedzie, OpenClaw ponawia próbę z MP3.
Formaty wyjściowe OpenAI i ElevenLabs są stałe dla każdego kanału zgodnie z powyższą listą.
Informacje o polach
messages.tts.* najwyższego poziomu
auto"off" | "always" | "inbound" | "tagged"Tryb Auto-TTS. inbound wysyła audio tylko po przychodzącej wiadomości głosowej; tagged wysyła audio tylko wtedy, gdy odpowiedź zawiera dyrektywy [[tts:...]] albo blok [[tts:text]].
enabledbooleanPrzestarzały przełącznik. openclaw doctor --fix migruje go do auto.
mode"final" | "all"default: final"all" obejmuje odpowiedzi narzędzi/bloków oprócz odpowiedzi końcowych.
providerstringIdentyfikator dostawcy mowy. Gdy nie jest ustawiony, OpenClaw używa pierwszego skonfigurowanego dostawcy w kolejności automatycznego wyboru rejestru. Przestarzałe provider: "edge" jest przepisywane na "microsoft" przez openclaw doctor --fix.
personastringAktywny identyfikator persony z personas. Normalizowany do małych liter.
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InBlcnNvbmFzLjxpZA
" type="object">
Stabilna tożsamość mówiona. Pola: label, description, provider, fallbackPolicy, prompt, providers.<provider>. Zobacz Persony.
summaryModelstringTani model do automatycznego streszczania; domyślnie agents.defaults.model.primary. Akceptuje provider/model albo skonfigurowany alias modelu.
modelOverridesobjectZezwól modelowi na emitowanie dyrektyw TTS. enabled domyślnie ma wartość true; allowProvider domyślnie ma wartość false.
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InByb3ZpZGVycy48aWQ
" type="object">
Ustawienia należące do dostawcy, indeksowane identyfikatorem dostawcy mowy. Przestarzałe bezpośrednie bloki (messages.tts.openai, .elevenlabs, .microsoft, .edge) są przepisywane przez openclaw doctor --fix; zatwierdzaj tylko messages.tts.providers.<id>.
maxTextLengthnumberTwardy limit znaków wejściowych TTS. /tts audio kończy się niepowodzeniem po przekroczeniu.
timeoutMsnumberLimit czasu żądania w milisekundach.
prefsPathstringZastąp lokalną ścieżkę JSON preferencji (dostawca/limit/streszczenie). Domyślnie ~/.openclaw/settings/tts.json.
Azure Speech
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImFwaUtleSIgdHlwZT0ic3RyaW5nIg
Env: AZURE_SPEECH_KEY, AZURE_SPEECH_API_KEY albo SPEECH_KEY.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InJlZ2lvbiIgdHlwZT0ic3RyaW5nIg
Region Azure Speech (np. eastus). Env: AZURE_SPEECH_REGION albo SPEECH_REGION.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImVuZHBvaW50IiB0eXBlPSJzdHJpbmci
Opcjonalne zastąpienie punktu końcowego Azure Speech (alias baseUrl).
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InNwZWFrZXJWb2ljZSIgdHlwZT0ic3RyaW5nIg
ShortName głosu Azure. Domyślnie en-US-JennyNeural. Przestarzały alias: voice.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImxhbmciIHR5cGU9InN0cmluZyI
Kod języka SSML. Domyślnie en-US.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9Im91dHB1dEZvcm1hdCIgdHlwZT0ic3RyaW5nIg
Azure X-Microsoft-OutputFormat dla standardowego audio. Domyślnie audio-24khz-48kbitrate-mono-mp3.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InZvaWNlTm90ZU91dHB1dEZvcm1hdCIgdHlwZT0ic3RyaW5nIg
Azure X-Microsoft-OutputFormat dla wyjścia notatek głosowych. Domyślnie ogg-24khz-16bit-mono-opus.
OPENCLAW_DOCS_MARKER:paramClose:
ElevenLabs
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImFwaUtleSIgdHlwZT0ic3RyaW5nIg
Wraca do ELEVENLABS_API_KEY albo XI_API_KEY.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9Im1vZGVsIiB0eXBlPSJzdHJpbmci
Identyfikator modelu (np. eleven_multilingual_v2, eleven_v3).
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InNwZWFrZXJWb2ljZUlkIiB0eXBlPSJzdHJpbmci
Identyfikator głosu ElevenLabs. Przestarzały alias: voiceId.
OPENCLAW_DOCS_MARKER:paramClose:
voiceSettingsobjectstability, similarityBoost, style (każde 0..1), useSpeakerBoost (true|false), speed (0.5..2.0, 1.0 = normalne).
applyTextNormalization"auto" | "on" | "off"OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9Imxhbmd1YWdlQ29kZSIgdHlwZT0ic3RyaW5nIg
2-literowy ISO 639-1 (np. en, de).
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InNlZWQiIHR5cGU9Im51bWJlciI
Liczba całkowita 0..4294967295 dla determinizmu w najlepszym możliwym zakresie.
OPENCLAW_DOCS_MARKER:paramClose:
baseUrlstringGoogle Gemini
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImFwaUtleSIgdHlwZT0ic3RyaW5nIg
Wraca do GEMINI_API_KEY / GOOGLE_API_KEY. Jeśli pominięto, TTS może ponownie użyć models.providers.google.apiKey przed powrotem do zmiennych środowiskowych.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9Im1vZGVsIiB0eXBlPSJzdHJpbmci
Model TTS Gemini. Domyślnie gemini-3.1-flash-tts-preview.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InNwZWFrZXJWb2ljZSIgdHlwZT0ic3RyaW5nIg
Nazwa wbudowanego głosu Gemini. Domyślnie Kore. Przestarzałe aliasy: voiceName, voice.
OPENCLAW_DOCS_MARKER:paramClose:
audioProfilestringspeakerNamestringOPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InByb21wdFRlbXBsYXRlIiB0eXBlPSciYXVkaW8tcHJvZmlsZS12MSIn
Ustaw na audio-profile-v1, aby opakować aktywne pola promptu persony w deterministyczną strukturę promptu TTS Gemini.
OPENCLAW_DOCS_MARKER:paramClose:
personaPromptstringOPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImJhc2VVcmwiIHR5cGU9InN0cmluZyI
Akceptowane jest tylko https://generativelanguage.googleapis.com.
OPENCLAW_DOCS_MARKER:paramClose:
Gradium
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImFwaUtleSIgdHlwZT0ic3RyaW5nIg
Środowisko: GRADIUM_API_KEY.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImJhc2VVcmwiIHR5cGU9InN0cmluZyI
Domyślnie https://api.gradium.ai.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InNwZWFrZXJWb2ljZUlkIiB0eXBlPSJzdHJpbmci
Domyślnie Emma (YTpq7expH9539ERJ). Starszy alias: voiceId.
OPENCLAW_DOCS_MARKER:paramClose:
Inworld
Podstawowy Inworld
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImFwaUtleSIgdHlwZT0ic3RyaW5nIg
Środowisko: INWORLD_API_KEY.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImJhc2VVcmwiIHR5cGU9InN0cmluZyI
Domyślnie https://api.inworld.ai.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9Im1vZGVsSWQiIHR5cGU9InN0cmluZyI
Domyślnie inworld-tts-1.5-max. Także: inworld-tts-1.5-mini, inworld-tts-1-max, inworld-tts-1.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InNwZWFrZXJWb2ljZUlkIiB0eXBlPSJzdHJpbmci
Domyślnie Sarah. Starszy alias: voiceId.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InRlbXBlcmF0dXJlIiB0eXBlPSJudW1iZXIi
Temperatura próbkowania 0..2.
OPENCLAW_DOCS_MARKER:paramClose:
Lokalny CLI (tts-local-cli)
commandstringOPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImFyZ3MiIHR5cGU9InN0cmluZ1tdIg
Argumenty polecenia. Obsługuje symbole zastępcze {{Text}}, {{OutputPath}}, {{OutputDir}}, {{OutputBase}}.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9Im91dHB1dEZvcm1hdCIgdHlwZT0nIm1wMyIgfCAib3B1cyIgfCAid2F2Iic
Oczekiwany format wyjściowy CLI. Domyślnie mp3 dla załączników audio.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InRpbWVvdXRNcyIgdHlwZT0ibnVtYmVyIg
Limit czasu polecenia w milisekundach. Domyślnie 120000.
OPENCLAW_DOCS_MARKER:paramClose:
cwdstringenvRecord<string, string��-�өr:'jYޝ�i�Ƨ���v�Microsoft (bez klucza API)
enabledbooleandefault: trueOPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InNwZWFrZXJWb2ljZSIgdHlwZT0ic3RyaW5nIg
Nazwa głosu neuronowego Microsoft (np. en-US-MichelleNeural). Starszy alias: voice.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImxhbmciIHR5cGU9InN0cmluZyI
Kod języka (np. en-US).
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9Im91dHB1dEZvcm1hdCIgdHlwZT0ic3RyaW5nIg
Format wyjściowy Microsoft. Domyślnie audio-24khz-48kbitrate-mono-mp3. Nie wszystkie formaty są obsługiwane przez dołączony transport oparty na Edge.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InJhdGUgLyBwaXRjaCAvIHZvbHVtZSIgdHlwZT0ic3RyaW5nIg
Ciągi procentowe (np. +10%, -5%).
OPENCLAW_DOCS_MARKER:paramClose:
saveSubtitlesbooleanproxystringtimeoutMsnumberOPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImVkZ2UuKiIgdHlwZT0ib2JqZWN0IiBkZXByZWNhdGVk
Starszy alias. Uruchom openclaw doctor --fix, aby przepisać utrwaloną konfigurację na providers.microsoft.
OPENCLAW_DOCS_MARKER:paramClose:
MiniMax
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImFwaUtleSIgdHlwZT0ic3RyaW5nIg
W razie braku używa MINIMAX_API_KEY. Uwierzytelnianie Token Plan przez MINIMAX_OAUTH_TOKEN, MINIMAX_CODE_PLAN_KEY lub MINIMAX_CODING_API_KEY.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImJhc2VVcmwiIHR5cGU9InN0cmluZyI
Domyślnie https://api.minimax.io. Środowisko: MINIMAX_API_HOST.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9Im1vZGVsIiB0eXBlPSJzdHJpbmci
Domyślnie speech-2.8-hd. Środowisko: MINIMAX_TTS_MODEL.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InNwZWFrZXJWb2ljZUlkIiB0eXBlPSJzdHJpbmci
Domyślnie English_expressive_narrator. Środowisko: MINIMAX_TTS_VOICE_ID. Starszy alias: voiceId.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InNwZWVkIiB0eXBlPSJudW1iZXIi
0.5..2.0. Domyślnie 1.0.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InZvbCIgdHlwZT0ibnVtYmVyIg
(0, 10]. Domyślnie 1.0.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InBpdGNoIiB0eXBlPSJudW1iZXIi
Liczba całkowita -12..12. Domyślnie 0. Wartości ułamkowe są obcinane przed żądaniem.
OPENCLAW_DOCS_MARKER:paramClose:
OpenAI
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImFwaUtleSIgdHlwZT0ic3RyaW5nIg
W razie braku używa OPENAI_API_KEY.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9Im1vZGVsIiB0eXBlPSJzdHJpbmci
Identyfikator modelu TTS OpenAI (np. gpt-4o-mini-tts).
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InNwZWFrZXJWb2ljZSIgdHlwZT0ic3RyaW5nIg
Nazwa głosu (np. alloy, cedar). Starszy alias: voice.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9Imluc3RydWN0aW9ucyIgdHlwZT0ic3RyaW5nIg
Jawne pole OpenAI instructions. Po ustawieniu pola promptu persony nie są automatycznie mapowane.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImV4dHJhQm9keSAvIGV4dHJhX2JvZHkiIHR5cGU9IlJlY29yZDxzdHJpbmcsIHVua25vd24
">Dodatkowe pola JSON scalane z treściami żądań /audio/speech po wygenerowanych polach TTS OpenAI. Użyj tego dla punktów końcowych zgodnych z OpenAI, takich jak Kokoro, które wymagają kluczy specyficznych dla dostawcy, takich jak lang; niebezpieczne klucze prototypu są ignorowane.
OPENCLAW_DOCS_MARKER:paramClose:
baseUrlstringNadpisz punkt końcowy TTS OpenAI. Kolejność rozstrzygania: konfiguracja → OPENAI_TTS_BASE_URL → https://api.openai.com/v1. Wartości inne niż domyślne są traktowane jako punkty końcowe TTS zgodne z OpenAI, więc niestandardowe nazwy modeli i głosów są akceptowane.
OpenRouter
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImFwaUtleSIgdHlwZT0ic3RyaW5nIg
Środowisko: OPENROUTER_API_KEY. Może ponownie użyć models.providers.openrouter.apiKey.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImJhc2VVcmwiIHR5cGU9InN0cmluZyI
Domyślnie https://openrouter.ai/api/v1. Starszy https://openrouter.ai/v1 jest normalizowany.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9Im1vZGVsIiB0eXBlPSJzdHJpbmci
Domyślnie hexgrad/kokoro-82m. Alias: modelId.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InNwZWFrZXJWb2ljZSIgdHlwZT0ic3RyaW5nIg
Domyślnie af_alloy. Starsze aliasy: voice, voiceId.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InJlc3BvbnNlRm9ybWF0IiB0eXBlPScibXAzIiB8ICJwY20iJw
Domyślnie mp3.
OPENCLAW_DOCS_MARKER:paramClose:
speednumberVolcengine (BytePlus Seed Speech)
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImFwaUtleSIgdHlwZT0ic3RyaW5nIg
Środowisko: VOLCENGINE_TTS_API_KEY lub BYTEPLUS_SEED_SPEECH_API_KEY.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InJlc291cmNlSWQiIHR5cGU9InN0cmluZyI
Domyślnie seed-tts-1.0. Środowisko: VOLCENGINE_TTS_RESOURCE_ID. Użyj seed-tts-2.0, gdy Twój projekt ma uprawnienie TTS 2.0.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImFwcEtleSIgdHlwZT0ic3RyaW5nIg
Nagłówek klucza aplikacji. Domyślnie aGjiRDfUWi. Środowisko: VOLCENGINE_TTS_APP_KEY.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImJhc2VVcmwiIHR5cGU9InN0cmluZyI
Nadpisz punkt końcowy HTTP Seed Speech TTS. Środowisko: VOLCENGINE_TTS_BASE_URL.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InNwZWFrZXJWb2ljZSIgdHlwZT0ic3RyaW5nIg
Typ głosu. Domyślnie en_female_anna_mars_bigtts. Środowisko: VOLCENGINE_TTS_VOICE. Starszy alias: voice.
OPENCLAW_DOCS_MARKER:paramClose:
speedRationumberemotionstringOPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImFwcElkIC8gdG9rZW4gLyBjbHVzdGVyIiB0eXBlPSJzdHJpbmciIGRlcHJlY2F0ZWQ
Starsze pola Volcengine Speech Console. Środowisko: VOLCENGINE_TTS_APPID, VOLCENGINE_TTS_TOKEN, VOLCENGINE_TTS_CLUSTER (domyślnie volcano_tts).
OPENCLAW_DOCS_MARKER:paramClose:
xAI
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImFwaUtleSIgdHlwZT0ic3RyaW5nIg
Środowisko: XAI_API_KEY.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImJhc2VVcmwiIHR5cGU9InN0cmluZyI
Domyślnie https://api.x.ai/v1. Środowisko: XAI_BASE_URL.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InNwZWFrZXJWb2ljZUlkIiB0eXBlPSJzdHJpbmci
Domyślnie eve. Aktywne głosy: ara, eve, leo, rex, sal, una. Starszy alias: voiceId.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9Imxhbmd1YWdlIiB0eXBlPSJzdHJpbmci
Kod języka BCP-47 lub auto. Domyślnie en.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InJlc3BvbnNlRm9ybWF0IiB0eXBlPScibXAzIiB8ICJ3YXYiIHwgInBjbSIgfCAibXVsYXciIHwgImFsYXciJw
Domyślnie mp3.
OPENCLAW_DOCS_MARKER:paramClose:
speednumberXiaomi MiMo
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImFwaUtleSIgdHlwZT0ic3RyaW5nIg
Środowisko: XIAOMI_API_KEY.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImJhc2VVcmwiIHR5cGU9InN0cmluZyI
Domyślnie https://api.xiaomimimo.com/v1. Środowisko: XIAOMI_BASE_URL.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9Im1vZGVsIiB0eXBlPSJzdHJpbmci
Domyślnie mimo-v2.5-tts. Środowisko: XIAOMI_TTS_MODEL. Obsługuje także mimo-v2-tts i mimo-v2.5-tts-voicedesign.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InNwZWFrZXJWb2ljZSIgdHlwZT0ic3RyaW5nIg
Domyślnie mimo_default dla modeli z gotowym głosem. Środowisko: XIAOMI_TTS_VOICE. Starszy alias: voice. Nie jest wysyłane dla mimo-v2.5-tts-voicedesign.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImZvcm1hdCIgdHlwZT0nIm1wMyIgfCAid2F2Iic
Domyślnie mp3. Środowisko: XIAOMI_TTS_FORMAT.
OPENCLAW_DOCS_MARKER:paramClose:
OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InN0eWxlIiB0eXBlPSJzdHJpbmci
Opcjonalna instrukcja stylu w języku naturalnym wysyłana jako wiadomość użytkownika; nie jest wypowiadana. Dla mimo-v2.5-tts-voicedesign jest to prompt projektowania głosu; OpenClaw dostarcza wartość domyślną, gdy zostanie pominięta.
OPENCLAW_DOCS_MARKER:paramClose:
Narzędzie agenta
Narzędzie tts konwertuje tekst na mowę i zwraca załącznik audio do
dostarczenia odpowiedzi. W Feishu, Matrix, Telegram i WhatsApp audio jest
dostarczane jako wiadomość głosowa, a nie jako załącznik pliku. Feishu i
WhatsApp mogą transkodować wyjście TTS inne niż Opus na tej ścieżce, gdy ffmpeg
jest dostępny.
WhatsApp wysyła audio przez Baileys jako notatkę głosową PTT (audio z
ptt: true) i wysyła widoczny tekst oddzielnie od audio PTT, ponieważ
klienci nie renderują konsekwentnie podpisów przy notatkach głosowych.
Narzędzie akceptuje opcjonalne pola channel i timeoutMs; timeoutMs to
limit czasu żądania dostawcy dla pojedynczego wywołania w milisekundach. Wartości
dla pojedynczego wywołania nadpisują messages.tts.timeoutMs; skonfigurowane
limity czasu TTS nadpisują dowolną domyślną wartość dostawcy utworzoną przez Plugin.
RPC Gateway
| Metoda | Cel |
|---|---|
tts.status |
Odczytaj bieżący stan TTS i ostatnią próbę. |
tts.enable |
Ustaw lokalną preferencję automatyczną na always. |
tts.disable |
Ustaw lokalną preferencję automatyczną na off. |
tts.convert |
Jednorazowy tekst → audio. |
tts.setProvider |
Ustaw lokalną preferencję dostawcy. |
tts.setPersona |
Ustaw lokalną preferencję persony. |
tts.providers |
Wyświetl listę skonfigurowanych dostawców i status. |
Łącza usług
- Przewodnik OpenAI po zamianie tekstu na mowę
- Dokumentacja API OpenAI Audio
- REST zamiany tekstu na mowę Azure Speech
- Dostawca Azure Speech
- Zamiana tekstu na mowę ElevenLabs
- Uwierzytelnianie ElevenLabs
- Gradium
- API Inworld TTS
- API MiniMax T2A v2
- API HTTP Volcengine TTS
- Synteza mowy Xiaomi MiMo
- node-edge-tts
- Formaty wyjściowe Microsoft Speech
- Zamiana tekstu na mowę xAI