Providers

เสียงพูด Azure

Azure Speech เป็นผู้ให้บริการแปลงข้อความเป็นเสียงพูดของ Azure AI Speech ที่รวมมาให้ OpenClaw เรียกใช้ Azure Speech REST API โดยตรงด้วย SSML เพื่อสังเคราะห์ MP3 สำหรับ การตอบกลับมาตรฐาน, Ogg/Opus แบบเนทีฟสำหรับข้อความเสียง และ mulaw 8 kHz สำหรับ ช่องทางโทรศัพท์ เช่น Voice Call คำขอจะส่งรูปแบบเอาต์พุตที่ผู้ให้บริการเป็นเจ้าของ ผ่านส่วนหัว X-Microsoft-OutputFormat

รายละเอียด	ค่า
ID ผู้ให้บริการ	`azure-speech` (นามแฝง: `azure`)
เว็บไซต์	Azure AI Speech
เอกสาร	การแปลงข้อความเป็นเสียงพูดด้วย Speech REST
การยืนยันตัวตน	`AZURE_SPEECH_KEY` ร่วมกับ `AZURE_SPEECH_REGION`
เสียงเริ่มต้น	`en-US-JennyNeural`
เอาต์พุตไฟล์เริ่มต้น	`audio-24khz-48kbitrate-mono-mp3`
ไฟล์ข้อความเสียงเริ่มต้น	`ogg-24khz-16bit-mono-opus`

เริ่มต้นใช้งาน

สร้างทรัพยากร Azure Speech

ในพอร์ทัล Azure ให้สร้างทรัพยากร Speech คัดลอก KEY 1 จาก Resource Management > Keys and Endpoint แล้วคัดลอกตำแหน่งที่ตั้งของทรัพยากร เช่น eastus

Code

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

เลือก Azure Speech ใน messages.tts

json5

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

ส่งข้อความ

ส่งการตอบกลับผ่านช่องทางที่เชื่อมต่ออยู่ช่องทางใดก็ได้ OpenClaw จะสังเคราะห์เสียง ด้วย Azure Speech และส่ง MP3 สำหรับเสียงมาตรฐาน หรือ Ogg/Opus เมื่อ ช่องทางต้องการข้อความเสียง

ตัวเลือกการกำหนดค่า

ตัวเลือกทั้งหมดอยู่ภายใต้ messages.tts.providers["azure-speech"]

ตัวเลือก	คำอธิบาย
`apiKey`	คีย์ทรัพยากร Azure Speech หากไม่ได้ตั้งค่าจะใช้ `AZURE_SPEECH_KEY`, `AZURE_SPEECH_API_KEY` หรือ `SPEECH_KEY` แทน
`region`	ภูมิภาคของทรัพยากร Azure Speech หากไม่ได้ตั้งค่าจะใช้ `AZURE_SPEECH_REGION` หรือ `SPEECH_REGION` แทน
`endpoint`	การแทนที่ปลายทาง Azure Speech ที่กำหนดหรือไม่ก็ได้ หากไม่ได้ตั้งค่าจะใช้ `AZURE_SPEECH_ENDPOINT` ที่เชื่อถือได้แทน
`baseUrl`	การแทนที่ URL ฐานของ Azure Speech ที่กำหนดหรือไม่ก็ได้
`voice`	ShortName ของเสียง Azure (ค่าเริ่มต้น `en-US-JennyNeural`) นามแฝงแบบเดิม: `voiceId`
`lang`	รหัสภาษา SSML (ค่าเริ่มต้น `en-US`)
`outputFormat`	รูปแบบเอาต์พุตไฟล์เสียง (ค่าเริ่มต้น `audio-24khz-48kbitrate-mono-mp3`)
`voiceNoteOutputFormat`	รูปแบบเอาต์พุตข้อความเสียง (ค่าเริ่มต้น `ogg-24khz-16bit-mono-opus`)
`timeoutMs`	การแทนที่ระยะหมดเวลาของคำขอเป็นมิลลิวินาที หากไม่ได้ตั้งค่าจะใช้ `messages.tts.timeoutMs` ส่วนกลางแทน

ระบบจะถือว่าผู้ให้บริการได้รับการกำหนดค่าแล้วเมื่อตั้งค่า apiKey พร้อมกับหนึ่งใน region, endpoint หรือ baseUrl ระบบจะตรวจสอบตัวแปรสภาพแวดล้อมเป็นทางเลือกสำรอง เฉพาะสำหรับคีย์การกำหนดค่าที่ยังไม่ได้ตั้งค่าเท่านั้น ไฟล์ .env ของเวิร์กสเปซไม่สามารถตั้งค่า AZURE_SPEECH_ENDPOINT ได้ ให้ใช้สภาพแวดล้อมของกระบวนการ, dotenv ของรันไทม์ส่วนกลาง หรือการกำหนดค่าอย่างชัดเจนสำหรับการกำหนดเส้นทางปลายทาง

หมายเหตุ

การยืนยันตัวตน

Azure Speech ใช้คีย์ทรัพยากร Speech ไม่ใช่คีย์ Azure OpenAI โดยจะส่งคีย์ เป็น Ocp-Apim-Subscription-Key; OpenClaw จะอนุมาน https://<region>.tts.speech.microsoft.com จาก region เว้นแต่จะ ระบุ endpoint หรือ baseUrl

ชื่อเสียง

ใช้ค่า ShortName ของเสียง Azure Speech เช่น en-US-JennyNeural ผู้ให้บริการที่รวมมาให้สามารถแสดงรายการเสียงผ่าน ทรัพยากร Speech เดียวกัน และกรองเสียงที่ทำเครื่องหมายว่าเลิกสนับสนุน เลิกใช้งาน หรือปิดใช้งานออก

เอาต์พุตเสียง

Azure รองรับรูปแบบเอาต์พุต เช่น audio-24khz-48kbitrate-mono-mp3, ogg-24khz-16bit-mono-opus และ riff-24khz-16bit-mono-pcm OpenClaw จะขอ Ogg/Opus สำหรับเป้าหมาย voice-note เพื่อให้ช่องทางส่ง บับเบิลเสียงแบบเนทีฟได้โดยไม่ต้องแปลงเป็น MP3 เพิ่มเติม และบังคับใช้ raw-8khz-8bit-mono-mulaw สำหรับเป้าหมายโทรศัพท์

นามแฝง

ระบบยอมรับ azure เป็นนามแฝงของผู้ให้บริการสำหรับการกำหนดค่าที่มีอยู่ แต่การกำหนดค่าใหม่ ควรใช้ azure-speech เพื่อหลีกเลี่ยงความสับสนกับผู้ให้บริการโมเดล Azure OpenAI