Texto para fala

OpenClaw pode converter respostas de saída em áudio em 14 provedores de fala e entregar mensagens de voz nativas no Feishu, Matrix, Telegram e WhatsApp, anexos de áudio em todos os outros lugares e streams PCM/Ulaw para telefonia e Talk.

TTS é a metade de saída de fala do modo stt-tts do Talk. Sessões Talk realtime nativas do provedor sintetizam fala dentro do provedor em tempo real em vez de chamar este caminho de TTS, enquanto sessões transcription não sintetizam uma resposta de voz do assistente.

Início rápido

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

Provedores compatíveis

Se vários provedores estiverem configurados, o selecionado é usado primeiro e os outros são opções de fallback. O resumo automático usa summaryModel (ou agents.defaults.model.primary), então esse provedor também deve estar autenticado se você mantiver os resumos ativados.

Configuração

A configuração de TTS fica em messages.tts em ~/.openclaw/openclaw.json. Escolha uma predefinição e adapte o bloco do provedor:

{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",    },  },},},}

Para Xiaomi mimo-v2.5-tts-voicedesign, omita speakerVoice e defina style como o prompt de design de voz. O OpenClaw envia esse prompt como a mensagem user do TTS e não envia audio.voice para o modelo voicedesign.

Substituições de voz por agente

Use agents.list[].tts quando um agente deve falar com um provedor, voz, modelo, persona ou modo de TTS automático diferente. O bloco do agente faz mesclagem profunda sobre messages.tts, então as credenciais do provedor podem permanecer na configuração global do provedor:

{  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" },          },        },      },    ],  },}

Para fixar uma persona por agente, defina agents.list[].tts.persona junto com a configuração do provedor — isso substitui a messages.tts.persona global apenas para esse agente.

Ordem de precedência para respostas automáticas, /tts audio, /tts status e a ferramenta de agente tts:

1. messages.tts
2. agents.list[].tts ativo
3. substituição de canal, quando o canal oferece suporte a channels.<channel>.tts
4. substituição de conta, quando o canal passa channels.<channel>.accounts.<id>.tts
5. preferências locais de /tts para este host
6. diretivas inline [[tts:...]] quando substituições por modelo estão habilitadas

Substituições de canal e conta usam o mesmo formato de messages.tts e fazem mesclagem profunda sobre as camadas anteriores, então credenciais compartilhadas do provedor podem permanecer em messages.tts enquanto um canal ou conta de bot altera apenas a voz do falante, o modelo, a persona ou o modo automático:

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

Personas

Uma persona é uma identidade falada estável que pode ser aplicada de forma determinística entre provedores. Ela pode preferir um provedor, definir uma intenção de prompt neutra em relação a provedores e carregar vínculos específicos de provedor para vozes, modelos, modelos de prompt, sementes e configurações de voz.

Persona mínima

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

Persona completa (prompt neutro em relação ao provedor)

{  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,              },            },          },        },      },    },  },}

Resolução de persona

A persona ativa é selecionada de forma determinística:

1. Preferência local /tts persona <id>, se definida.
2. messages.tts.persona, se definida.
3. Nenhuma persona.

A seleção de provedor executa primeiro as opções explícitas:

1. Substituições diretas (CLI, Gateway, Talk, diretivas TTS permitidas).
2. Preferência local /tts provider <id>.
3. provider da persona ativa.
4. messages.tts.provider.
5. Seleção automática do registro.

Para cada tentativa de provedor, o OpenClaw mescla configurações nesta ordem:

1. messages.tts.providers.<id>
2. messages.tts.personas.<persona>.providers.<id>
3. Substituições de solicitação confiáveis
4. Substituições de diretiva TTS permitidas emitidas pelo modelo

Como os provedores usam prompts de persona

Campos de prompt de persona (profile, scene, sampleContext, style, accent, pacing, constraints) são neutros em relação ao provedor. Cada provedor decide como usá-los:

Política de fallback

fallbackPolicy controla o comportamento quando uma persona não tem vínculo para o provedor tentado:

A solicitação TTS inteira só falha quando todos os provedores tentados são ignorados ou falham.

A seleção de provedor de sessão Talk é escopada à sessão. Um cliente Talk deve escolher IDs de provedor, IDs de modelo, IDs de voz e localidades em talk.catalog e passá-los pela sessão Talk ou solicitação de handoff. Abrir uma sessão de voz não deve alterar messages.tts nem os padrões globais do provedor Talk.

Diretivas orientadas por modelo

Por padrão, o assistente pode emitir diretivas [[tts:...]] para substituir voz, modelo ou velocidade para uma única resposta, além de um bloco opcional [[tts:text]]...[[/tts:text]] para pistas expressivas que devem aparecer apenas no áudio:

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

Quando messages.tts.auto é "tagged", diretivas são obrigatórias para acionar áudio. A entrega de blocos em streaming remove diretivas do texto visível antes que o canal as veja, mesmo quando divididas em blocos adjacentes.

provider=... é ignorado, a menos que modelOverrides.allowProvider: true. Quando uma resposta declara provider=..., as outras chaves nessa diretiva são analisadas apenas por esse provedor; chaves não compatíveis são removidas e relatadas como avisos de diretiva TTS.

Chaves de diretiva disponíveis:

• provider (ID de provedor registrado; requer allowProvider: true)
• speakerVoice / speakerVoiceId (aliases legados: voice, voiceName, voice_name, google_voice, voiceId)
• model / google_model
• stability, similarityBoost, style, speed, useSpeakerBoost
• vol / volume (volume MiniMax, 0–10)
• pitch (pitch inteiro MiniMax, −12 a 12; valores fracionários são truncados)
• emotion (tag de emoção Volcengine)
• applyTextNormalization (auto|on|off)
• languageCode (ISO 639-1)
• seed

Desabilitar substituições por modelo completamente:

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

Permitir troca de provedor mantendo outros controles configuráveis:

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

Comandos slash

Comando único /tts. No Discord, o OpenClaw também registra /voice porque /tts é um comando integrado do Discord — texto /tts ... ainda funciona.

/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>

Observações de comportamento:

• /tts on grava a preferência local de TTS como always; /tts off grava como off.
• /tts chat on|off|default grava uma substituição de TTS automático escopada à sessão para o chat atual.
• /tts persona <id> grava a preferência local de persona; /tts persona off a limpa.
• /tts latest lê a resposta mais recente do assistente na transcrição da sessão atual e a envia como áudio uma vez. Ele armazena apenas um hash dessa resposta na entrada da sessão para suprimir envios de voz duplicados.
• /tts audio gera uma resposta de áudio avulsa (não alterna TTS para ativado).
• limit e summary são armazenados nas preferências locais, não na configuração principal.
• /tts status inclui diagnósticos de fallback da tentativa mais recente — Fallback: <primary> -> <used>, Attempts: ... e detalhe por tentativa (provider:outcome(reasonCode) latency).
• /status mostra o modo TTS ativo, além do provedor, modelo, voz e metadados sanitizados de endpoint personalizado configurados quando TTS está habilitado.

Preferências por usuário

Comandos slash gravam substituições locais em prefsPath. O padrão é ~/.openclaw/settings/tts.json; substitua com a variável de ambiente OPENCLAW_TTS_PREFS ou messages.tts.prefsPath.

Essas preferências substituem a configuração efetiva de messages.tts mais o bloco agents.list[].tts ativo para esse host.

Formatos de saída (fixos)

A entrega de voz TTS é orientada por capacidade do canal. Plugins de canal anunciam se TTS em estilo de voz deve pedir aos provedores um destino nativo voice-note ou manter a síntese normal audio-file e apenas marcar a saída compatível para entrega de voz.

• Canais compatíveis com notas de voz: respostas de nota de voz preferem Opus (opus_48000_64 da ElevenLabs, opus da OpenAI).
  • 48 kHz / 64 kbps é um bom equilíbrio para mensagens de voz.
• Feishu / WhatsApp: quando uma resposta de nota de voz é produzida como MP3/WebM/WAV/M4A ou outro arquivo provavelmente de áudio, o Plugin do canal a transcodifica para Ogg/Opus a 48 kHz com ffmpeg antes de enviar a mensagem de voz nativa. O WhatsApp envia o resultado por meio do payload audio da Baileys com ptt: true e audio/ogg; codecs=opus. Se a conversão falhar, o Feishu recebe o arquivo original como anexo; o envio do WhatsApp falha em vez de publicar um payload PTT incompatível.
• Outros canais: MP3 (mp3_44100_128 da ElevenLabs, mp3 da OpenAI).
  • 44,1 kHz / 128 kbps é o equilíbrio padrão para clareza de fala.
• MiniMax: MP3 (modelo speech-2.8-hd, taxa de amostragem de 32 kHz) para anexos de áudio comuns. Para destinos de nota de voz anunciados pelo canal, o OpenClaw transcodifica o MP3 da MiniMax para Opus a 48 kHz com ffmpeg antes da entrega quando o canal anuncia transcodificação.
• Xiaomi MiMo: MP3 por padrão, ou WAV quando configurado. Para destinos de nota de voz anunciados pelo canal, o OpenClaw transcodifica a saída da Xiaomi para Opus a 48 kHz com ffmpeg antes da entrega quando o canal anuncia transcodificação.
• CLI local: usa o outputFormat configurado. Destinos de nota de voz são convertidos para Ogg/Opus e a saída de telefonia é convertida para PCM mono bruto de 16 kHz com ffmpeg.
• Google Gemini: o TTS da API Gemini retorna PCM bruto de 24 kHz. O OpenClaw o encapsula como WAV para anexos de áudio, transcodifica para Opus a 48 kHz para destinos de nota de voz e retorna PCM diretamente para Talk/telefonia.
• Gradium: WAV para anexos de áudio, Opus para destinos de nota de voz e ulaw_8000 a 8 kHz para telefonia.
• Inworld: MP3 para anexos de áudio comuns, OGG_OPUS nativo para destinos de nota de voz e PCM bruto a 22050 Hz para Talk/telefonia.
• xAI: MP3 por padrão; responseFormat pode ser mp3, wav, pcm, mulaw ou alaw. O OpenClaw usa o endpoint TTS REST em lote da xAI e retorna um anexo de áudio completo; o WebSocket de TTS por streaming da xAI não é usado por este caminho de provedor. O formato Opus nativo de nota de voz não é compatível com este caminho.
• Microsoft: usa microsoft.outputFormat (padrão audio-24khz-48kbitrate-mono-mp3).
  • O transporte incluído aceita um outputFormat, mas nem todos os formatos estão disponíveis no serviço.
  • Valores de formato de saída seguem os formatos de saída do Microsoft Speech (incluindo Ogg/WebM Opus).
  • O sendVoice do Telegram aceita OGG/MP3/M4A; use OpenAI/ElevenLabs se precisar de mensagens de voz Opus garantidas.
  • Se o formato de saída configurado da Microsoft falhar, o OpenClaw tenta novamente com MP3.

Os formatos de saída da OpenAI/ElevenLabs são fixos por canal (veja acima).

Comportamento de TTS automático

Quando messages.tts.auto está habilitado, o OpenClaw:

• Ignora TTS se a resposta já contiver mídia estruturada.
• Ignora respostas muito curtas (menos de 10 caracteres).
• Resume respostas longas quando resumos estão habilitados, usando summaryModel (ou agents.defaults.model.primary).
• Anexa o áudio gerado à resposta.
• Em mode: "final", ainda envia TTS somente de áudio para respostas finais transmitidas por streaming após a conclusão do stream de texto; a mídia gerada passa pela mesma normalização de mídia do canal que anexos normais de resposta.

Se a resposta exceder maxLength e o resumo estiver desativado (ou não houver chave de API para o modelo de resumo), o áudio é ignorado e a resposta de texto normal é enviada.

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

Formatos de saída por canal

Observações por provedor:

• Transcodificação Feishu / WhatsApp: quando uma resposta de nota de voz chega como MP3/WebM/WAV/M4A, o Plugin do canal transcodifica para Ogg/Opus a 48 kHz com ffmpeg. O WhatsApp envia pela Baileys com ptt: true e audio/ogg; codecs=opus. Se a conversão falhar: o Feishu recorre a anexar o arquivo original; o envio do WhatsApp falha em vez de publicar um payload PTT incompatível.
• MiniMax / Xiaomi MiMo: MP3 padrão (32 kHz para MiniMax speech-2.8-hd); transcodificado para Opus a 48 kHz para destinos de nota de voz via ffmpeg.
• CLI local: usa o outputFormat configurado. Destinos de nota de voz são convertidos para Ogg/Opus e a saída de telefonia para PCM mono bruto de 16 kHz.
• Google Gemini: retorna PCM bruto de 24 kHz. O OpenClaw encapsula como WAV para anexos, transcodifica para Opus a 48 kHz para destinos de nota de voz e retorna PCM diretamente para Talk/telefonia.
• Inworld: anexos MP3, nota de voz OGG_OPUS nativa, PCM bruto a 22050 Hz para Talk/telefonia.
• xAI: MP3 por padrão; responseFormat pode ser mp3|wav|pcm|mulaw|alaw. Usa o endpoint REST em lote da xAI — TTS por WebSocket em streaming não é usado. O formato Opus nativo de nota de voz não é compatível.
• Microsoft: usa microsoft.outputFormat (padrão audio-24khz-48kbitrate-mono-mp3). O sendVoice do Telegram aceita OGG/MP3/M4A; use OpenAI/ElevenLabs se precisar de mensagens de voz Opus garantidas. Se o formato configurado da Microsoft falhar, o OpenClaw tenta novamente com MP3.

Os formatos de saída da OpenAI e da ElevenLabs são fixos por canal conforme listado acima.

Referência de campos

Ferramenta do agente

A ferramenta tts converte texto em fala e retorna um anexo de áudio para entrega da resposta. No Feishu, Matrix, Telegram e WhatsApp, o áudio é entregue como uma mensagem de voz em vez de um anexo de arquivo. Feishu e WhatsApp podem transcodificar a saída TTS não Opus neste caminho quando ffmpeg está disponível.

O WhatsApp envia áudio pelo Baileys como uma nota de voz PTT (audio com ptt: true) e envia texto visível separadamente do áudio PTT porque os clientes não renderizam legendas de forma consistente em notas de voz.

A ferramenta aceita os campos opcionais channel e timeoutMs; timeoutMs é um tempo limite de solicitação ao provedor por chamada, em milissegundos. Valores por chamada substituem messages.tts.timeoutMs; tempos limite de TTS configurados substituem qualquer padrão de provedor criado por plugin.

RPC do Gateway

Links de serviço

• Guia de texto para fala da OpenAI
• Referência da API de áudio da OpenAI
• Texto para fala REST do Azure Speech
• Provedor Azure Speech
• Texto para fala da ElevenLabs
• Autenticação da ElevenLabs
• Gradium
• API TTS da Inworld
• API MiniMax T2A v2
• API HTTP TTS da Volcengine
• Síntese de fala Xiaomi MiMo
• node-edge-tts
• Formatos de saída do Microsoft Speech
• Texto para fala da xAI

Relacionados

• Visão geral de mídia
• Geração de música
• Geração de vídeo
• Comandos de barra
• Plugin de chamada de voz