OpenClawDocs
View as MarkdownView this page as plain textOpen in ChatGPTAsk questions about this pageOpen in ClaudeAsk questions about this page

Tools

การแปลงข้อความเป็นเสียงพูด

OpenClaw แปลงการตอบกลับขาออกเป็นเสียงผ่าน ผู้ให้บริการเสียงพูด 14 ราย: ข้อความเสียงแบบเนทีฟบน Feishu, Matrix, Telegram และ WhatsApp; ไฟล์แนบเสียง บนแพลตฟอร์มอื่นทั้งหมด; และสตรีม PCM/Ulaw สำหรับระบบโทรศัพท์และ Talk

TTS คือส่วนเอาต์พุตเสียงพูดของโหมด stt-tts ของ Talk (talk.speak เรียกใช้ เส้นทางการสังเคราะห์เดียวกันนี้) เซสชัน Talk แบบ realtime ที่เป็นเนทีฟของผู้ให้บริการจะสังเคราะห์ เสียงพูดภายในผู้ให้บริการแบบเรียลไทม์แทน ส่วนเซสชัน transcription จะไม่ สังเคราะห์การตอบกลับด้วยเสียงของผู้ช่วยเลย

เริ่มต้นอย่างรวดเร็ว

  • เลือกผู้ให้บริการ

    OpenAI และ ElevenLabs เป็นตัวเลือกแบบโฮสต์ที่เชื่อถือได้มากที่สุด Microsoft และ Local CLI ทำงานได้โดยไม่ต้องใช้คีย์ API ดูรายการทั้งหมดได้ในตารางผู้ให้บริการ

  • ตั้งค่าคีย์ API

    ส่งออกตัวแปรสภาพแวดล้อมสำหรับผู้ให้บริการของคุณ (ตัวอย่างเช่น OPENAI_API_KEY, ELEVENLABS_API_KEY) Microsoft และ Local CLI ไม่ต้องใช้คีย์

  • เปิดใช้ในการกำหนดค่า

    ตั้งค่า messages.tts.auto: "always" และ messages.tts.provider:

    json5
    {  messages: {    tts: {      auto: "always",      provider: "elevenlabs",    },  },}

  • ทดลองใช้ในแชต

    /tts status แสดงสถานะปัจจุบัน ส่วน /tts audio Hello from OpenClaw ส่งการตอบกลับด้วยเสียงแบบครั้งเดียว

    • ผู้ให้บริการที่รองรับ

    ผู้ให้บริการ การยืนยันตัวตน หมายเหตุ
    Azure Speech AZURE_SPEECH_KEY + AZURE_SPEECH_REGION (รวมถึง AZURE_SPEECH_API_KEY, SPEECH_KEY, SPEECH_REGION) เอาต์พุตข้อความเสียง Ogg/Opus แบบเนทีฟและระบบโทรศัพท์
    DeepInfra DEEPINFRA_API_KEY TTS ที่เข้ากันได้กับ OpenAI ค่าเริ่มต้นคือ hexgrad/Kokoro-82M
    ElevenLabs ELEVENLABS_API_KEY หรือ XI_API_KEY การโคลนเสียง หลายภาษา กำหนดผลลัพธ์ได้แน่นอนผ่าน seed; สตรีมสำหรับการเล่นเสียงบน Discord
    Google Gemini GEMINI_API_KEY หรือ GOOGLE_API_KEY TTS แบบแบตช์ผ่าน Gemini API; รับรู้บุคลิกผ่าน promptTemplate: "audio-profile-v1"
    Gradium GRADIUM_API_KEY เอาต์พุตข้อความเสียงและระบบโทรศัพท์
    Inworld INWORLD_API_KEY API สำหรับสตรีม TTS ข้อความเสียง Opus แบบเนทีฟและ PCM สำหรับระบบโทรศัพท์
    Local CLI ไม่มี เรียกใช้คำสั่ง TTS ภายในเครื่องที่กำหนดค่าไว้
    Microsoft ไม่มี TTS ระบบประสาท Edge สาธารณะผ่าน node-edge-tts ให้บริการตามความสามารถโดยไม่มี SLA
    MiniMax MINIMAX_API_KEY (หรือ Token Plan: MINIMAX_OAUTH_TOKEN, MINIMAX_CODE_PLAN_KEY, MINIMAX_CODING_API_KEY) API T2A v2 ค่าเริ่มต้นคือ speech-2.8-hd
    OpenAI OPENAI_API_KEY ใช้สำหรับสรุปอัตโนมัติด้วย; รองรับบุคลิก instructions
    OpenRouter OPENROUTER_API_KEY (ใช้ models.providers.openrouter.apiKey ร่วมกันได้) โมเดลเริ่มต้นคือ hexgrad/kokoro-82m
    Volcengine VOLCENGINE_TTS_API_KEY หรือ BYTEPLUS_SEED_SPEECH_API_KEY (AppID/โทเค็นแบบเดิม: VOLCENGINE_TTS_APPID/_TOKEN) BytePlus Seed Speech HTTP API
    Vydra VYDRA_API_KEY ผู้ให้บริการรูปภาพ วิดีโอ และเสียงพูดร่วมกัน
    xAI XAI_API_KEY TTS แบบแบตช์ของ xAI ไม่รองรับข้อความเสียง Opus แบบเนทีฟ
    Xiaomi MiMo XIAOMI_API_KEY MiMo TTS ผ่านการเติมข้อความแชตของ Xiaomi

    หากกำหนดค่าผู้ให้บริการหลายราย ระบบจะใช้รายที่เลือกก่อน และใช้ รายอื่นเป็นตัวเลือกสำรอง การสรุปอัตโนมัติใช้ summaryModel (หรือ agents.defaults.model.primary) ดังนั้นผู้ให้บริการรายนั้นต้องผ่านการยืนยันตัวตนด้วย หากคุณยังเปิดใช้การสรุปไว้

    การกำหนดค่า

    การกำหนดค่า TTS อยู่ภายใต้ messages.tts ใน ~/.openclaw/openclaw.json เลือก พรีเซ็ตและปรับบล็อกผู้ให้บริการให้เหมาะสม ฟิลด์ speakerVoice/speakerVoiceId ที่แสดงด้านล่างเป็นฟิลด์มาตรฐาน ส่วนชื่อฟิลด์ voice/voiceId/ voiceName ของผู้ให้บริการแต่ละรายยังคงใช้ได้ในฐานะนามแฝงแบบเดิม

    Azure Speech

    json5
    {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

    json5
    {messages: {tts: {  auto: "always",  provider: "elevenlabs",  providers: {    elevenlabs: {      apiKey: "${ELEVENLABS_API_KEY}",      model: "eleven_multilingual_v2",      speakerVoiceId: "EXAVITQu4vr4xnSDxMaL",    },  },},},}

    Google Gemini

    json5
    {messages: {tts: {  auto: "always",  provider: "google",  providers: {    google: {      apiKey: "${GEMINI_API_KEY}",      model: "gemini-3.1-flash-tts-preview",      speakerVoice: "Kore",      // พรอมต์รูปแบบภาษาธรรมชาติที่เลือกใช้ได้:      // audioProfile: "พูดด้วยน้ำเสียงสงบแบบผู้ดำเนินรายการพอดแคสต์",      // speakerName: "Alex",    },  },},},}

    Gradium

    json5
    {messages: {tts: {  auto: "always",  provider: "gradium",  providers: {    gradium: {      apiKey: "${GRADIUM_API_KEY}",      speakerVoiceId: "YTpq7expH9539ERJ",    },  },},},}

    Inworld

    json5
    {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

    json5
    {messages: {tts: {  auto: "always",  provider: "tts-local-cli",  providers: {    "tts-local-cli": {      command: "say",      args: ["-o", "{{OutputPath}}", "{{Text}}"],      outputFormat: "wav",      timeoutMs: 120000,    },  },},},}

    Microsoft (ไม่ต้องใช้คีย์)

    json5
    {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

    json5
    {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

    json5
    {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

    json5
    {messages: {tts: {  auto: "always",  provider: "openrouter",  providers: {    openrouter: {      apiKey: "${OPENROUTER_API_KEY}",      model: "hexgrad/kokoro-82m",      speakerVoice: "af_alloy",      responseFormat: "mp3",    },  },},},}

    Volcengine

    json5
    {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

    json5
    {messages: {tts: {  auto: "always",  provider: "xai",  providers: {    xai: {      apiKey: "${XAI_API_KEY}",      speakerVoiceId: "eve",      language: "en",      responseFormat: "mp3",    },  },},},}

    Xiaomi MiMo

    json5
    {messages: {tts: {  auto: "always",  provider: "xiaomi",  providers: {    xiaomi: {      apiKey: "${XIAOMI_API_KEY}",      model: "mimo-v2.5-tts",      speakerVoice: "mimo_default",      format: "mp3",    },  },},},}

    สำหรับ Xiaomi mimo-v2.5-tts-voicedesign ให้ละ speakerVoice และตั้งค่า style เป็น พรอมต์ออกแบบเสียง OpenClaw จะส่งพรอมต์นั้นเป็นข้อความ TTS user และจะไม่ส่ง audio.voice สำหรับโมเดล voicedesign

    การกำหนดค่าเสียงเฉพาะเอเจนต์

    ใช้ agents.list[].tts เมื่อเอเจนต์หนึ่งควรพูดโดยใช้ผู้ให้บริการ เสียง โมเดล บุคลิก หรือโหมด TTS อัตโนมัติที่แตกต่างกัน บล็อกเอเจนต์จะผสานแบบลึกทับ messages.tts ดังนั้นข้อมูลประจำตัวของผู้ให้บริการจึงยังคงอยู่ในการกำหนดค่าผู้ให้บริการส่วนกลางได้:

    json5
    {  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" },          },        },      },    ],  },}

    หากต้องการตรึงบุคลิกเฉพาะเอเจนต์ ให้ตั้งค่า agents.list[].tts.persona ควบคู่กับการกำหนดค่า ผู้ให้บริการ ซึ่งจะมีผลแทน messages.tts.persona ส่วนกลางสำหรับเอเจนต์นั้นเท่านั้น

    ลำดับความสำคัญสำหรับการตอบกลับอัตโนมัติ /tts audio, /tts status และ เครื่องมือเอเจนต์ tts:

    1. messages.tts
    2. agents.list[].tts ที่ใช้งานอยู่
    3. การกำหนดค่าแทนของช่อง เมื่อช่องรองรับ channels.<channel>.tts
    4. การกำหนดค่าแทนของบัญชี เมื่อช่องส่งผ่าน channels.<channel>.accounts.<id>.tts
    5. ค่ากำหนด /tts ภายในเครื่องสำหรับโฮสต์นี้
    6. คำสั่ง [[tts:...]] แบบอินไลน์ เมื่อเปิดใช้การกำหนดค่าแทนโดยโมเดล

    การกำหนดค่าแทนของช่องและบัญชีใช้รูปแบบเดียวกับ messages.tts และ ผสานแบบลึกทับเลเยอร์ก่อนหน้า ดังนั้นข้อมูลประจำตัวของผู้ให้บริการที่ใช้ร่วมกันจึงยังคงอยู่ใน messages.tts ได้ ขณะที่ช่องหรือบัญชีบอตเปลี่ยนเฉพาะเสียงผู้พูด โมเดล บุคลิก หรือโหมดอัตโนมัติ:

    json5
    {  messages: {    tts: {      provider: "openai",      providers: {        openai: { apiKey: "${OPENAI_API_KEY}", model: "gpt-4o-mini-tts" },      },    },  },  channels: {    feishu: {      accounts: {        english: {          tts: {            providers: {              openai: { speakerVoice: "shimmer" },            },          },        },      },    },  },}

    บุคลิก

    บุคลิก คืออัตลักษณ์การพูดที่คงที่ ซึ่งสามารถนำไปใช้กับผู้ให้บริการต่าง ๆ ได้อย่างแน่นอน บุคลิกสามารถกำหนดผู้ให้บริการที่ต้องการ ระบุเจตนาของพรอมต์ที่ไม่ขึ้นกับผู้ให้บริการ และเก็บการเชื่อมโยงเฉพาะผู้ให้บริการสำหรับเสียง โมเดล เทมเพลตพรอมต์ ซีด และการตั้งค่าเสียง

    บุคลิกขั้นต่ำ

    json5
    {  messages: {    tts: {      auto: "always",      persona: "narrator",      personas: {        narrator: {          label: "ผู้บรรยาย",          provider: "elevenlabs",          providers: {            elevenlabs: {              speakerVoiceId: "EXAVITQu4vr4xnSDxMaL",              modelId: "eleven_multilingual_v2",            },          },        },      },    },  },}

    บุคลิกแบบเต็ม (พรอมต์ที่ไม่ขึ้นกับผู้ให้บริการ)

    json5
    {  messages: {    tts: {      auto: "always",      persona: "alfred",      personas: {        alfred: {          label: "Alfred",          description: "ผู้บรรยายแบบพ่อบ้านชาวอังกฤษที่สุขุม อบอุ่น",          provider: "google",          fallbackPolicy: "preserve-persona",          prompt: {            profile: "พ่อบ้านชาวอังกฤษผู้ปราดเปรื่อง สุขุม มีไหวพริบ อบอุ่น มีเสน่ห์ แสดงอารมณ์อย่างชัดเจน และไม่พูดแบบทั่วไป",            scene: "ห้องทำงานเงียบสงบยามดึก การบรรยายผ่านไมโครโฟนระยะใกล้สำหรับผู้ควบคุมที่ไว้วางใจ",            sampleContext: "ผู้พูดกำลังตอบคำขอทางเทคนิคส่วนตัวอย่างกระชับ มั่นใจ และอบอุ่นแบบสุขุม",            style: "ประณีต เรียบขรึม และแฝงความขบขันเล็กน้อย",            accent: "ภาษาอังกฤษสำเนียงบริติช",            pacing: "ดำเนินจังหวะอย่างพอดี พร้อมเว้นช่วงสั้น ๆ เพื่อสร้างอารมณ์",            constraints: ["อย่าอ่านค่าการกำหนดค่าออกเสียง", "อย่าอธิบายบุคลิก"],          },          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,              },            },          },        },      },    },  },}

    การเลือกบุคลิก

    บุคลิกที่ใช้งานอยู่จะถูกเลือกอย่างแน่นอน:

    1. ค่ากำหนด /tts persona <id> ภายในเครื่อง หากตั้งไว้
    2. messages.tts.persona หากตั้งไว้
    3. ไม่มีบุคลิก

    การเลือกผู้ให้บริการจะพิจารณาค่าที่ระบุตรงก่อน:

    1. การกำหนดค่าแทนโดยตรง (CLI, Gateway, Talk, คำสั่ง TTS ที่อนุญาต)
    2. ค่ากำหนด /tts provider <id> ภายในเครื่อง
    3. provider ของบุคลิกที่ใช้งานอยู่
    4. messages.tts.provider
    5. การเลือกอัตโนมัติจากรีจิสทรี

    สำหรับการลองใช้ผู้ให้บริการแต่ละครั้ง OpenClaw จะผสานการกำหนดค่าตามลำดับนี้:

    1. messages.tts.providers.<id>
    2. messages.tts.personas.<persona>.providers.<id>
    3. การกำหนดค่าแทนจากคำขอที่เชื่อถือได้
    4. การกำหนดค่าแทนจากคำสั่ง TTS ที่โมเดลสร้างและได้รับอนุญาต

    วิธีที่ผู้ให้บริการใช้พรอมต์บุคลิก

    ฟิลด์พรอมต์บุคลิก (profile, scene, sampleContext, style, accent, pacing, constraints) ไม่ขึ้นกับผู้ให้บริการ ผู้ให้บริการแต่ละรายจะตัดสินใจว่าจะ ใช้ฟิลด์เหล่านี้อย่างไร:

    Google Gemini

    รวมฟิลด์พรอมต์บุคลิกไว้ในโครงสร้างพรอมต์ TTS ของ Gemini เฉพาะเมื่อ การกำหนดค่าผู้ให้บริการ Google ที่มีผลตั้งค่า promptTemplate: "audio-profile-v1" หรือ personaPrompt ฟิลด์เดิม audioProfile และ speakerName จะยังคงถูกเติมไว้ด้านหน้าเป็นข้อความพรอมต์เฉพาะของ Google แท็กเสียงแบบอินไลน์ เช่น [whispers] หรือ [laughs] ภายในบล็อก [[tts:text]] จะได้รับการคงไว้ ในบทถอดเสียง Gemini โดย OpenClaw จะไม่สร้างแท็กเหล่านี้

    OpenAI

    แมปฟิลด์พรอมต์บุคลิกไปยังฟิลด์ instructions ของคำขอ เฉพาะเมื่อ ไม่มีการกำหนดค่า instructions ของ OpenAI อย่างชัดเจน instructions ที่ระบุไว้อย่างชัดเจนจะมีความสำคัญสูงสุดเสมอ

    ผู้ให้บริการอื่น

    ใช้เฉพาะการเชื่อมโยงบุคลิกเฉพาะผู้ให้บริการภายใต้ personas.<id>.providers.<provider> ฟิลด์พรอมต์บุคลิกจะถูกละเว้น เว้นแต่ผู้ให้บริการจะติดตั้งการแมปพรอมต์บุคลิกของตนเอง

    นโยบายการใช้ตัวเลือกสำรอง

    fallbackPolicy ควบคุมการทำงานเมื่อบุคลิก ไม่มีการเชื่อมโยง สำหรับ ผู้ให้บริการที่กำลังลองใช้:

    นโยบาย การทำงาน
    preserve-persona ค่าเริ่มต้น ฟิลด์พรอมต์ที่ไม่ขึ้นกับผู้ให้บริการยังคงพร้อมใช้งาน ผู้ให้บริการอาจใช้หรือละเว้นฟิลด์เหล่านี้
    provider-defaults บุคลิกจะถูกละเว้นจากการเตรียมพรอมต์สำหรับการลองครั้งนั้น ผู้ให้บริการใช้ค่าเริ่มต้นที่เป็นกลางของตน ขณะที่ดำเนินการใช้ผู้ให้บริการอื่นเป็นตัวเลือกสำรองต่อไป
    fail ข้ามการลองใช้ผู้ให้บริการรายนั้นด้วย reasonCode: "not_configured" และ personaBinding: "missing" โดยยังคงลองใช้ผู้ให้บริการสำรองรายอื่น

    คำขอ TTS ทั้งหมดจะล้มเหลวเฉพาะเมื่อผู้ให้บริการที่ลองใช้ ทุกราย ถูกข้าม หรือล้มเหลว

    การเลือกผู้ให้บริการของเซสชัน Talk มีขอบเขตเฉพาะเซสชัน ไคลเอนต์ Talk ควรเลือก รหัสผู้ให้บริการ รหัสโมเดล รหัสเสียง และโลแคลจาก talk.catalog แล้วส่ง ค่าเหล่านั้นผ่านเซสชัน Talk หรือคำขอส่งต่อ การเปิดเซสชันเสียงไม่ควร แก้ไข messages.tts หรือค่าเริ่มต้นของผู้ให้บริการ Talk ส่วนกลาง

    คำสั่งที่ขับเคลื่อนโดยโมเดล

    ตามค่าเริ่มต้น ผู้ช่วย สามารถ สร้างคำสั่ง [[tts:...]] เพื่อกำหนดค่าแทน เสียง โมเดล หรือความเร็วสำหรับการตอบกลับครั้งเดียว รวมถึงบล็อก [[tts:text]]...[[/tts:text]] ซึ่งเป็นทางเลือกสำหรับสัญญาณแสดงอารมณ์ที่ควรปรากฏ ในเสียงเท่านั้น:

    text
    จัดให้แล้ว [[tts:speakerVoiceId=pMsXgVXv3BLzUgSXRplE model=eleven_v3 speed=1.1]][[tts:text]](หัวเราะ) อ่านเพลงอีกครั้งหนึ่ง[[/tts:text]]

    เมื่อ messages.tts.auto เป็น "tagged" จำเป็นต้องมีคำสั่ง เพื่อเรียกใช้ เสียง การส่งมอบบล็อกแบบสตรีมจะลบคำสั่งออกจากข้อความที่มองเห็นได้ก่อนที่ ช่องจะได้รับ แม้คำสั่งจะถูกแบ่งอยู่ในบล็อกที่ต่อเนื่องกันก็ตาม

    provider=... จะถูกละเว้น เว้นแต่ modelOverrides.allowProvider: true เมื่อ การตอบกลับประกาศ provider=... คีย์อื่นในคำสั่งนั้นจะถูกแยกวิเคราะห์ โดยผู้ให้บริการรายนั้นเท่านั้น คีย์ที่ไม่รองรับจะถูกลบและรายงานเป็นคำเตือน ของคำสั่ง TTS

    คีย์คำสั่งที่ใช้ได้:

    • provider (รหัสผู้ให้บริการที่ลงทะเบียน ต้องใช้ allowProvider: true)
    • speakerVoice / speakerVoiceId (นามแฝงเดิม: voice, voiceName, voice_name, google_voice, voiceId)
    • model / google_model
    • stability, similarityBoost, style, speed, useSpeakerBoost
    • vol / volume (ระดับเสียง MiniMax, (0, 10])
    • pitch (ระดับเสียงสูงต่ำแบบจำนวนเต็มของ MiniMax ตั้งแต่ −12 ถึง 12 โดยค่าทศนิยมจะถูกตัดทิ้ง)
    • emotion (แท็กอารมณ์ของ Volcengine)
    • applyTextNormalization (auto|on|off)
    • languageCode (ISO 639-1)
    • seed

    ปิดใช้การกำหนดค่าแทนโดยโมเดลทั้งหมด:

    json5
    { messages: { tts: { modelOverrides: { enabled: false } } } }

    อนุญาตให้สลับผู้ให้บริการโดยยังคงกำหนดค่าตัวเลือกอื่นได้:

    json5
    { messages: { tts: { modelOverrides: { enabled: true, allowProvider: true, allowSeed: false } } } }

    คำสั่งเครื่องหมายทับ

    คำสั่งเดียว /tts บน Discord นั้น OpenClaw จะลงทะเบียน /voice ด้วย เนื่องจาก /tts เป็นคำสั่งในตัวของ Discord โดยข้อความ /tts ... ยังคงใช้ได้

    text
    /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>

    หมายเหตุเกี่ยวกับการทำงาน:

    • /tts on เขียนค่ากำหนด TTS ภายในเครื่องไปยัง always; /tts off เขียนค่าไปยัง off
    • /tts chat on|off|default เขียนการกำหนดค่าแทน TTS อัตโนมัติที่มีขอบเขตเฉพาะเซสชันสำหรับแชตปัจจุบัน
    • /tts persona <id> เขียนค่ากำหนดบุคลิกภายในเครื่อง ส่วน /tts persona off จะล้างค่า
    • /tts latest อ่านการตอบกลับล่าสุดของผู้ช่วยจากบทถอดเสียงของเซสชันปัจจุบันและส่งเป็นเสียงหนึ่งครั้ง โดยเก็บเฉพาะแฮชของการตอบกลับนั้นไว้ในรายการเซสชันเพื่อป้องกันการส่งเสียงซ้ำ
    • /tts audio สร้างการตอบกลับด้วยเสียงแบบครั้งเดียว (ไม่ เปิดหรือปิด TTS)
    • /tts limit <chars> ยอมรับค่า 100–4096 (4096 คือค่าสูงสุดของคำบรรยาย/ข้อความ Telegram) โดยค่าที่อยู่นอกช่วงนี้จะถูกปฏิเสธ
    • limit และ summary จะถูกเก็บไว้ใน ค่ากำหนดภายในเครื่อง ไม่ใช่การกำหนดค่าหลัก
    • /tts status รวมข้อมูลวินิจฉัยการใช้ตัวเลือกสำรองสำหรับการลองครั้งล่าสุด ได้แก่ Fallback: <primary> -> <used>, Attempts: ... และรายละเอียดของแต่ละการลอง (provider:outcome(reasonCode) latency)
    • /status แสดงโหมด TTS ที่ใช้งานอยู่ พร้อมผู้ให้บริการ โมเดล เสียง และข้อมูลเมตาของปลายทางแบบกำหนดเองที่ผ่านการกรองแล้วเมื่อเปิดใช้ TTS

    ค่ากำหนดเฉพาะผู้ใช้

    คำสั่งเครื่องหมายทับจะเขียนการกำหนดค่าแทนภายในเครื่องไปยัง prefsPath ค่าเริ่มต้นคือ ~/.openclaw/settings/tts.json สามารถกำหนดค่าแทนด้วยตัวแปรสภาพแวดล้อม OPENCLAW_TTS_PREFS หรือ messages.tts.prefsPath

    ฟิลด์ที่จัดเก็บ ผล
    auto การแทนที่ auto-TTS ภายในเครื่อง (always, off, …)
    provider การแทนที่ผู้ให้บริการหลักภายในเครื่อง
    persona การแทนที่บุคลิกภายในเครื่อง
    maxLength เกณฑ์การสรุป/ตัดทอน (ค่าเริ่มต้น 1500 อักขระ, ช่วง /tts limit 100–4096)
    summarize ตัวสลับการสรุป (ค่าเริ่มต้น true)

    ค่าเหล่านี้จะแทนที่การกำหนดค่าที่มีผลจาก messages.tts รวมกับบล็อก agents.list[].tts ที่ใช้งานอยู่สำหรับโฮสต์นั้น

    รูปแบบเอาต์พุต

    การส่งเสียง TTS ขับเคลื่อนตามความสามารถของช่องทาง Plugin ของช่องทางจะประกาศ ว่า TTS แบบเสียงพูดควรขอเป้าหมาย voice-note แบบเนทีฟจากผู้ให้บริการหรือ คงการสังเคราะห์ audio-file ตามปกติไว้ และช่องทางจะแปลงรหัส เอาต์พุตที่ไม่ใช่แบบเนทีฟก่อนส่งหรือไม่

    เป้าหมาย รูปแบบ
    Feishu / Matrix / Telegram / WhatsApp การตอบกลับด้วยข้อความเสียงจะใช้ Opus เป็นหลัก (opus_48000_64 จาก ElevenLabs, opus จาก OpenAI) 48 kHz / 64 kbps ให้สมดุลระหว่างความชัดเจนและขนาด
    ช่องทางอื่นๆ MP3 (mp3_44100_128 จาก ElevenLabs, mp3 จาก OpenAI) 44.1 kHz / 128 kbps เป็นสมดุลเริ่มต้นสำหรับเสียงพูด
    Talk / โทรศัพท์ PCM แบบเนทีฟของผู้ให้บริการ (Inworld 22050 Hz, Google 24 kHz) หรือ ulaw_8000 จาก Gradium สำหรับโทรศัพท์

    หมายเหตุแยกตามผู้ให้บริการ:

    • การแปลงรหัสของ Feishu / WhatsApp: เมื่อการตอบกลับด้วยข้อความเสียงมาในรูปแบบ MP3/WebM/WAV/M4A หรือไฟล์อื่นที่น่าจะเป็นไฟล์เสียง Plugin ของช่องทางจะแปลงรหัสเป็น Ogg/Opus 48 kHz ด้วย ffmpeg (libopus, 64 kbps) ก่อนส่งข้อความเสียงแบบเนทีฟ WhatsApp ส่งผลลัพธ์ผ่านเพย์โหลด audio ของ Baileys พร้อม ptt: true และ audio/ogg; codecs=opus หากการแปลงรหัสล้มเหลว: Feishu จะดักจับข้อผิดพลาดและเปลี่ยนไปส่งไฟล์ต้นฉบับเป็นไฟล์แนบทั่วไป ส่วน WhatsApp ไม่มีทางเลือกสำรอง ดังนั้นการส่งจะล้มเหลวแทนการโพสต์เพย์โหลด PTT ที่ไม่เข้ากัน
    • MiniMax: MP3 (โมเดล speech-2.8-hd, อัตราการสุ่มตัวอย่าง 32 kHz) สำหรับไฟล์แนบเสียงทั่วไป และจะแปลงรหัสเป็น Opus 48 kHz ด้วย ffmpeg สำหรับเป้าหมายข้อความเสียงที่ช่องทางประกาศ
    • Xiaomi MiMo: ใช้ MP3 เป็นค่าเริ่มต้น หรือ WAV เมื่อตั้งค่าไว้ และจะแปลงรหัสเป็น Opus 48 kHz ด้วย ffmpeg สำหรับเป้าหมายข้อความเสียงที่ช่องทางประกาศ
    • CLI ภายในเครื่อง: ใช้ outputFormat ที่กำหนดค่าไว้ เป้าหมายข้อความเสียงจะถูกแปลงเป็น Ogg/Opus และเอาต์พุตโทรศัพท์จะถูกแปลงเป็น PCM ดิบแบบโมโน 16 kHz ด้วย ffmpeg
    • Google Gemini: ส่งคืน PCM ดิบ 24 kHz OpenClaw จะห่อหุ้มเป็น WAV สำหรับไฟล์แนบเสียง แปลงรหัสเป็น Opus 48 kHz สำหรับเป้าหมายข้อความเสียง และส่งคืน PCM โดยตรงสำหรับ Talk/โทรศัพท์
    • Gradium: WAV สำหรับไฟล์แนบเสียง, Opus สำหรับเป้าหมายข้อความเสียง และ ulaw_8000 ที่ 8 kHz สำหรับโทรศัพท์
    • Inworld: MP3 สำหรับไฟล์แนบเสียงทั่วไป, OGG_OPUS แบบเนทีฟสำหรับเป้าหมายข้อความเสียง และ PCM ดิบที่ 22050 Hz สำหรับ Talk/โทรศัพท์
    • xAI: ใช้ MP3 เป็นค่าเริ่มต้น การสังเคราะห์ไฟล์เสียงอาจใช้ mp3, wav, pcm, mulaw หรือ alaw สำหรับทั้งเอาต์พุตแบบบัฟเฟอร์และแบบสตรีม เป้าหมายข้อความเสียงใช้ MP3 สำหรับการสตรีมและทางเลือกสำรองแบบบัฟเฟอร์ เนื่องจากเอาต์พุต pcm, mulaw และ alaw ของ xAI เป็นเสียงดิบที่ไม่มีส่วนหัว การสังเคราะห์แบบบัฟเฟอร์ใช้ปลายทาง REST แบบแบตช์ /v1/tts ของ xAI ส่วน textToSpeechStream ใช้ wss://api.x.ai/v1/tts แบบเนทีฟ นี่ไม่ใช่สัญญาเสียงแบบเรียลไทม์ ไม่รองรับรูปแบบข้อความเสียง Opus แบบเนทีฟ
    • Microsoft: ใช้ microsoft.outputFormat (ค่าเริ่มต้น audio-24khz-48kbitrate-mono-mp3)
      • ทรานสปอร์ตที่รวมมาให้รองรับ outputFormat แต่บริการไม่ได้มีทุกรูปแบบให้ใช้งาน
      • ค่ารูปแบบเอาต์พุตเป็นไปตามรูปแบบเอาต์พุตของ Microsoft Speech (รวมถึง Ogg/WebM Opus)
      • Telegram sendVoice รองรับ OGG/MP3/M4A ให้ใช้ OpenAI/ElevenLabs หากต้องการรับประกันข้อความเสียงแบบ Opus
      • หากรูปแบบเอาต์พุตของ Microsoft ที่กำหนดค่าไว้ล้มเหลว OpenClaw จะลองใหม่ด้วย MP3
      • เมื่อไม่ได้ตั้งค่าการแทนที่เสียงอย่างชัดเจนและใช้เสียงภาษาอังกฤษเริ่มต้น OpenClaw จะสลับเป็นเสียงนิวรัลภาษาจีนโดยอัตโนมัติ (zh-CN-XiaoxiaoNeural, โลเคล zh-CN) หากข้อความตอบกลับมีอักขระ CJK เป็นส่วนใหญ่

    รูปแบบเอาต์พุตของ OpenAI และ ElevenLabs จะคงที่ตามช่องทางดังที่ระบุไว้ข้างต้น

    ลักษณะการทำงานของ auto-TTS

    เมื่อเปิดใช้งาน messages.tts.auto OpenClaw จะ:

    • ข้าม TTS หากการตอบกลับมีสื่อแบบมีโครงสร้างอยู่แล้ว
    • ข้ามการตอบกลับที่สั้นมาก (น้อยกว่า 10 อักขระ)
    • สรุปการตอบกลับที่ยาวเมื่อเปิดใช้การสรุป โดยใช้ summaryModel (หรือ agents.defaults.model.primary)
    • แนบเสียงที่สร้างขึ้นกับการตอบกลับ
    • ใน mode: "final" จะยังคงส่ง TTS แบบเสียงเท่านั้นสำหรับการตอบกลับสุดท้ายแบบสตรีม หลังจากสตรีมข้อความเสร็จสิ้น สื่อที่สร้างขึ้นจะผ่านการปรับสื่อของช่องทาง แบบเดียวกับไฟล์แนบการตอบกลับทั่วไป

    หากการตอบกลับยาวเกิน maxLength OpenClaw จะไม่ข้ามเสียงไปเลย:

    • เปิดการสรุป (ค่าเริ่มต้น) และมีโมเดลสรุปให้ใช้งาน: สรุป ข้อความให้เหลือประมาณ maxLength อักขระ แล้วสังเคราะห์เสียงจากบทสรุป
    • ปิดการสรุป, การสรุปล้มเหลว หรือไม่มีคีย์ API สำหรับ โมเดลสรุป: ตัดทอนข้อความให้เหลือ maxLength อักขระ แล้วสังเคราะห์เสียงจาก ข้อความที่ตัดทอนแล้ว
    text
    การตอบกลับ -> เปิดใช้ TTS หรือไม่?  ไม่  -> ส่งข้อความ  ใช่ -> มีสื่อ / สั้นหรือไม่?          ใช่ -> ส่งข้อความ          ไม่  -> ความยาว > ขีดจำกัดหรือไม่?                   ไม่  -> TTS -> แนบเสียง                   ใช่ -> เปิดใช้การสรุปและพร้อมใช้งานหรือไม่?                            ไม่  -> ตัดทอน -> TTS -> แนบเสียง                            ใช่ -> สรุป -> TTS -> แนบเสียง

    ข้อมูลอ้างอิงฟิลด์

    messages.tts.* ระดับบนสุด
    auto"off" | "always" | "inbound" | "tagged"

    โหมด auto-TTS โดย inbound จะส่งเสียงเฉพาะหลังจากได้รับข้อความเสียงขาเข้า ส่วน tagged จะส่งเสียงเฉพาะเมื่อการตอบกลับมีคำสั่ง [[tts:...]] หรือบล็อก [[tts:text]]

    enabledboolean

    ตัวสลับแบบเดิม openclaw doctor --fix จะย้ายค่านี้ไปยัง auto

    mode"final" | "all"default: final

    "all" รวมการตอบกลับจากเครื่องมือ/บล็อก นอกเหนือจากการตอบกลับสุดท้าย

    providerstring

    ID ผู้ให้บริการเสียงพูด เมื่อไม่ได้ตั้งค่า OpenClaw จะใช้ผู้ให้บริการรายแรกที่กำหนดค่าไว้ตามลำดับการเลือกอัตโนมัติในรีจิสทรี provider: "edge" แบบเดิมจะถูกเขียนใหม่เป็น "microsoft" โดย openclaw doctor --fix

    personastring

    ID บุคลิกที่ใช้งานอยู่จาก personas โดยจะปรับให้เป็นตัวพิมพ์เล็ก

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InBlcnNvbmFzLjxpZA " type="object"> อัตลักษณ์เสียงพูดที่คงที่ ฟิลด์: label, description, provider, fallbackPolicy, prompt, providers.<provider> ดูบุคลิก

    summaryModelstring

    โมเดลราคาประหยัดสำหรับการสรุปอัตโนมัติ ค่าเริ่มต้นคือ agents.defaults.model.primary รองรับ provider/model หรือนามแฝงโมเดลที่กำหนดค่าไว้

    modelOverridesobject

    อนุญาตให้โมเดลส่งคำสั่ง TTS โดย enabled มีค่าเริ่มต้นเป็น true และ allowProvider มีค่าเริ่มต้นเป็น false

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InByb3ZpZGVycy48aWQ " type="object"> การตั้งค่าที่ผู้ให้บริการเป็นเจ้าของ โดยใช้ ID ผู้ให้บริการเสียงพูดเป็นคีย์ บล็อกโดยตรงแบบเดิม (messages.tts.openai, .elevenlabs, .microsoft, .edge) จะถูกเขียนใหม่โดย openclaw doctor --fix ให้คอมมิตเฉพาะ messages.tts.providers.<id>

    maxTextLengthnumberdefault: 4096

    ขีดจำกัดสูงสุดแบบตายตัวสำหรับจำนวนอักขระอินพุต TTS โดย /tts audio, tts.convert และ tts.speak จะล้มเหลวหากเกินขีดจำกัด

    timeoutMsnumberdefault: 30000

    ระยะหมดเวลาของคำขอเป็นมิลลิวินาที หากตั้งค่า timeoutMs ต่อการเรียก (เครื่องมือเอเจนต์, Gateway) ค่านี้จะมีผลเหนือกว่า มิฉะนั้น messages.tts.timeoutMs ที่กำหนดค่าไว้อย่างชัดเจนจะมีผลเหนือกว่าค่าเริ่มต้นของผู้ให้บริการที่ Plugin กำหนด

    prefsPathstring

    แทนที่พาธ JSON ของค่ากำหนดภายในเครื่อง (ผู้ให้บริการ/ขีดจำกัด/การสรุป) ค่าเริ่มต้น ~/.openclaw/settings/tts.json

    ฟิลด์ apiKey ของผู้ให้บริการอาจเป็นสตริงดิบหรือ SecretRefs ระหว่างการเริ่มต้น Gateway แบบ cold หาก TTS SecretRef ไม่พร้อมใช้งาน ความสามารถ TTS ในตัวจะถูกทำเครื่องหมายว่า กำหนดค่าแล้วแต่ไม่พร้อมใช้งาน แทนที่จะหยุด Gateway จากนั้น tts.speak จะส่งคืน UNAVAILABLE พร้อมเหตุผล SECRET_SURFACE_UNAVAILABLE และจะไม่มีการส่งคำขอไปยัง ผู้ให้บริการ สถานะและ doctor จะแสดงเจ้าของ TTS ที่อยู่ในสถานะเสื่อมประสิทธิภาพและพาธการกำหนดค่าของเจ้าของนั้น การอ้างอิงที่ระบุไว้อย่างชัดเจนจะยังคงอยู่ในสแนปช็อตรันไทม์ ดังนั้นข้อมูลประจำตัวจากสภาพแวดล้อมหรือโปรไฟล์ จึงไม่สามารถเลือกบัญชีอื่นโดยไม่แจ้งให้ทราบ การโหลดซ้ำและการตรวจสอบล่วงหน้าก่อนเขียนการกำหนดค่า จะใช้นโยบายการลดระดับที่รับรู้เจ้าของ: เจ้าของ TTS ที่มีสิทธิ์และไม่เปลี่ยนแปลง อาจเก็บข้อมูลประจำตัวที่ใช้งานได้ดีล่าสุดไว้ในสถานะล้าสมัย ขณะที่ความล้มเหลวใหม่หรือที่เปลี่ยนแปลง จะเข้าสู่สถานะ cold โดยไม่ขัดขวางเจ้าของที่ทำงานปกติ การอ้างอิงที่มีโครงสร้างไม่ถูกต้อง และค่าที่ได้รับการแก้ไขแล้วยังคงทำให้การเริ่มต้นล้มเหลวหรือปฏิเสธการอัปเดต

    Azure Speech

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImFwaUtleSIgdHlwZT0ic3RyaW5nIg สภาพแวดล้อม: AZURE_SPEECH_KEY, AZURE_SPEECH_API_KEY หรือ SPEECH_KEY OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InJlZ2lvbiIgdHlwZT0ic3RyaW5nIg ภูมิภาค Azure Speech (เช่น eastus) สภาพแวดล้อม: AZURE_SPEECH_REGION หรือ SPEECH_REGION OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImVuZHBvaW50IiB0eXBlPSJzdHJpbmci การแทนที่ปลายทาง Azure Speech ที่ไม่บังคับ (นามแฝง baseUrl) OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InNwZWFrZXJWb2ljZSIgdHlwZT0ic3RyaW5nIg ShortName ของเสียง Azure ค่าเริ่มต้น en-US-JennyNeural นามแฝงแบบเดิม: voice OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImxhbmciIHR5cGU9InN0cmluZyI รหัสภาษา SSML ค่าเริ่มต้น en-US OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9Im91dHB1dEZvcm1hdCIgdHlwZT0ic3RyaW5nIg Azure X-Microsoft-OutputFormat สำหรับเสียงมาตรฐาน ค่าเริ่มต้น audio-24khz-48kbitrate-mono-mp3 OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InZvaWNlTm90ZU91dHB1dEZvcm1hdCIgdHlwZT0ic3RyaW5nIg Azure X-Microsoft-OutputFormat สำหรับเอาต์พุตข้อความเสียง ค่าเริ่มต้น ogg-24khz-16bit-mono-opus OPENCLAW_DOCS_MARKER:paramClose:

    ElevenLabs

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImFwaUtleSIgdHlwZT0ic3RyaW5nIg ใช้ ELEVENLABS_API_KEY หรือ XI_API_KEY เป็นค่าทดแทน OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9Im1vZGVsIiB0eXBlPSJzdHJpbmci รหัสโมเดล ค่าเริ่มต้นคือ eleven_multilingual_v2 รหัสแบบเดิม eleven_turbo_v2_5/eleven_turbo_v2 จะถูกปรับให้เป็นโมเดล flash ที่ตรงกัน OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InNwZWFrZXJWb2ljZUlkIiB0eXBlPSJzdHJpbmci รหัสเสียงของ ElevenLabs ค่าเริ่มต้นคือ pMsXgVXv3BLzUgSXRplE นามแฝงแบบเดิม: voiceId OPENCLAW_DOCS_MARKER:paramClose:

    voiceSettingsobject

    stability, similarityBoost, style (แต่ละค่าคือ 0..1 โดยมีค่าเริ่มต้นเป็น 0.5/0.75/0), useSpeakerBoost (true|false ค่าเริ่มต้นคือ true), speed (0.5..2.0 ค่าเริ่มต้นคือ 1.0)

    applyTextNormalization"auto" | "on" | "off"

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9Imxhbmd1YWdlQ29kZSIgdHlwZT0ic3RyaW5nIg ISO 639-1 แบบ 2 ตัวอักษร (เช่น en, de) OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InNlZWQiIHR5cGU9Im51bWJlciI จำนวนเต็ม 0..4294967295 เพื่อให้ผลลัพธ์คงที่เท่าที่ระบบจะทำได้ OPENCLAW_DOCS_MARKER:paramClose:

    baseUrlstring
    Google Gemini

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImFwaUtleSIgdHlwZT0ic3RyaW5nIg ใช้ GEMINI_API_KEY / GOOGLE_API_KEY เป็นค่าทดแทน หากละไว้ TTS สามารถใช้ models.providers.google.apiKey ซ้ำก่อนใช้ค่าทดแทนจากสภาพแวดล้อม OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9Im1vZGVsIiB0eXBlPSJzdHJpbmci โมเดล TTS ของ Gemini ค่าเริ่มต้นคือ gemini-3.1-flash-tts-preview OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InNwZWFrZXJWb2ljZSIgdHlwZT0ic3RyaW5nIg ชื่อเสียงสำเร็จรูปของ Gemini ค่าเริ่มต้นคือ Kore นามแฝงแบบเดิม: voiceName, voice OPENCLAW_DOCS_MARKER:paramClose:

    audioProfilestring
    speakerNamestring

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InByb21wdFRlbXBsYXRlIiB0eXBlPSciYXVkaW8tcHJvZmlsZS12MSIn ตั้งเป็น audio-profile-v1 เพื่อครอบฟิลด์พรอมต์บุคลิกที่ใช้งานอยู่ด้วยโครงสร้างพรอมต์ TTS ของ Gemini ที่ให้ผลลัพธ์คงที่ OPENCLAW_DOCS_MARKER:paramClose:

    personaPromptstring

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImJhc2VVcmwiIHR5cGU9InN0cmluZyI ยอมรับเฉพาะ https://generativelanguage.googleapis.com OPENCLAW_DOCS_MARKER:paramClose:

    Gradium

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImFwaUtleSIgdHlwZT0ic3RyaW5nIg สภาพแวดล้อม: GRADIUM_API_KEY OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImJhc2VVcmwiIHR5cGU9InN0cmluZyI URL ของ API Gradium แบบ HTTPS บน api.gradium.ai ค่าเริ่มต้นคือ https://api.gradium.ai OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InNwZWFrZXJWb2ljZUlkIiB0eXBlPSJzdHJpbmci ค่าเริ่มต้นคือ Emma (YTpq7expH9539ERJ) นามแฝงแบบเดิม: voiceId OPENCLAW_DOCS_MARKER:paramClose:

    Inworld

    Inworld หลัก

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImFwaUtleSIgdHlwZT0ic3RyaW5nIg สภาพแวดล้อม: INWORLD_API_KEY OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImJhc2VVcmwiIHR5cGU9InN0cmluZyI ค่าเริ่มต้นคือ https://api.inworld.ai OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9Im1vZGVsSWQiIHR5cGU9InN0cmluZyI ค่าเริ่มต้นคือ inworld-tts-1.5-max ตัวเลือกอื่น: inworld-tts-1.5-mini, inworld-tts-1-max, inworld-tts-1 OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InNwZWFrZXJWb2ljZUlkIiB0eXBlPSJzdHJpbmci ค่าเริ่มต้นคือ Sarah นามแฝงแบบเดิม: voiceId OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InRlbXBlcmF0dXJlIiB0eXBlPSJudW1iZXIi ค่า temperature สำหรับการสุ่ม 0..2 (ไม่รวม 0) OPENCLAW_DOCS_MARKER:paramClose:

    CLI ภายในเครื่อง (tts-local-cli)
    commandstring

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImFyZ3MiIHR5cGU9InN0cmluZ1tdIg อาร์กิวเมนต์ของคำสั่ง รองรับตัวยึดตำแหน่ง {{Text}}, {{OutputPath}}, {{OutputDir}}, {{OutputBase}} OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9Im91dHB1dEZvcm1hdCIgdHlwZT0nIm1wMyIgfCAib3B1cyIgfCAid2F2Iic รูปแบบเอาต์พุตที่คาดไว้จาก CLI ค่าเริ่มต้นคือ mp3 สำหรับไฟล์เสียงแนบ OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InRpbWVvdXRNcyIgdHlwZT0ibnVtYmVyIg ระยะหมดเวลาของคำสั่งเป็นมิลลิวินาที ค่าเริ่มต้นคือ 120000 OPENCLAW_DOCS_MARKER:paramClose:

    cwdstring
    envRecord<string, string��-���`���Q�1����4

    stdout ของคำสั่งและเสียงที่สร้างหรือแปลงแล้วจำกัดไว้ที่ 50 MiB ส่วน stderr สำหรับการวินิจฉัยจำกัดไว้ที่ 1 MiB OpenClaw จะยุติคำสั่งและทำให้การสังเคราะห์ล้มเหลวเมื่อเกินขีดจำกัดใดขีดจำกัดหนึ่ง

    Microsoft (ไม่ต้องใช้คีย์ API)
    enabledbooleandefault: true

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InNwZWFrZXJWb2ljZSIgdHlwZT0ic3RyaW5nIg ชื่อเสียงนิวรัลของ Microsoft (เช่น en-US-MichelleNeural) นามแฝงแบบเดิม: voice หากกำลังใช้เสียงภาษาอังกฤษเริ่มต้นและข้อความตอบกลับมีอักขระ CJK เป็นส่วนใหญ่ OpenClaw จะสลับเป็น zh-CN-XiaoxiaoNeural โดยอัตโนมัติ OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImxhbmciIHR5cGU9InN0cmluZyI รหัสภาษา (เช่น en-US) OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9Im91dHB1dEZvcm1hdCIgdHlwZT0ic3RyaW5nIg รูปแบบเอาต์พุตของ Microsoft ค่าเริ่มต้นคือ audio-24khz-48kbitrate-mono-mp3 การรับส่งข้อมูลที่ใช้ Edge ซึ่งรวมมาให้ไม่รองรับทุกรูปแบบ OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InJhdGUgLyBwaXRjaCAvIHZvbHVtZSIgdHlwZT0ic3RyaW5nIg สตริงเปอร์เซ็นต์ (เช่น +10%, -5%) OPENCLAW_DOCS_MARKER:paramClose:

    saveSubtitlesboolean
    proxystring
    timeoutMsnumber

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImVkZ2UuKiIgdHlwZT0ib2JqZWN0IiBkZXByZWNhdGVk นามแฝงแบบเดิม เรียกใช้ openclaw doctor --fix เพื่อเขียนการกำหนดค่าที่บันทึกไว้ใหม่เป็น providers.microsoft OPENCLAW_DOCS_MARKER:paramClose:

    MiniMax

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImFwaUtleSIgdHlwZT0ic3RyaW5nIg ใช้ MINIMAX_API_KEY เป็นค่าทดแทน การตรวจสอบสิทธิ์ Token Plan ผ่าน MINIMAX_OAUTH_TOKEN, MINIMAX_CODE_PLAN_KEY หรือ MINIMAX_CODING_API_KEY OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImJhc2VVcmwiIHR5cGU9InN0cmluZyI ค่าเริ่มต้นคือ https://api.minimax.io สภาพแวดล้อม: MINIMAX_API_HOST OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9Im1vZGVsIiB0eXBlPSJzdHJpbmci ค่าเริ่มต้นคือ speech-2.8-hd สภาพแวดล้อม: MINIMAX_TTS_MODEL OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InNwZWFrZXJWb2ljZUlkIiB0eXBlPSJzdHJpbmci ค่าเริ่มต้นคือ English_expressive_narrator สภาพแวดล้อม: MINIMAX_TTS_VOICE_ID นามแฝงแบบเดิม: voiceId OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InNwZWVkIiB0eXBlPSJudW1iZXIi 0.5..2.0 ค่าเริ่มต้นคือ 1.0 OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InZvbCIgdHlwZT0ibnVtYmVyIg (0, 10] ค่าเริ่มต้นคือ 1.0 OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InBpdGNoIiB0eXBlPSJudW1iZXIi จำนวนเต็ม -12..12 ค่าเริ่มต้นคือ 0 ค่าที่เป็นเศษส่วนจะถูกตัดทิ้งก่อนส่งคำขอ OPENCLAW_DOCS_MARKER:paramClose:

    OpenAI

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImFwaUtleSIgdHlwZT0ic3RyaW5nIg ใช้ OPENAI_API_KEY เป็นค่าทดแทน OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9Im1vZGVsIiB0eXBlPSJzdHJpbmci รหัสโมเดล TTS ของ OpenAI ค่าเริ่มต้นคือ gpt-4o-mini-tts OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InNwZWFrZXJWb2ljZSIgdHlwZT0ic3RyaW5nIg ชื่อเสียง (เช่น alloy, cedar) ค่าเริ่มต้นคือ coral นามแฝงแบบเดิม: voice OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9Imluc3RydWN0aW9ucyIgdHlwZT0ic3RyaW5nIg ฟิลด์ instructions ของ OpenAI ที่ระบุอย่างชัดเจน เมื่อตั้งค่าแล้ว ฟิลด์พรอมต์บุคลิกจะไม่ถูกแมปโดยอัตโนมัติ OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImV4dHJhQm9keSAvIGV4dHJhX2JvZHkiIHR5cGU9IlJlY29yZDxzdHJpbmcsIHVua25vd24 ">ฟิลด์ JSON เพิ่มเติมที่ผสานเข้าในเนื้อหาคำขอ /audio/speech หลังฟิลด์ TTS ของ OpenAI ที่สร้างขึ้น ใช้สำหรับปลายทางที่เข้ากันได้กับ OpenAI เช่น Kokoro ซึ่งต้องใช้คีย์เฉพาะผู้ให้บริการอย่าง lang; ระบบจะละเว้นคีย์ต้นแบบที่ไม่ปลอดภัย OPENCLAW_DOCS_MARKER:paramClose:

    baseUrlstring

    แทนที่ปลายทาง TTS ของ OpenAI ลำดับการแก้ค่า: การกำหนดค่า → OPENAI_TTS_BASE_URL → https://api.openai.com/v1 ค่าที่ไม่ใช่ค่าเริ่มต้นจะถือเป็นปลายทาง TTS ที่เข้ากันได้กับ OpenAI จึงยอมรับชื่อโมเดลและชื่อเสียงแบบกำหนดเอง และ speed จะไม่ตรวจสอบช่วง 0.25..4.0 อีกต่อไป

    OpenRouter

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImFwaUtleSIgdHlwZT0ic3RyaW5nIg สภาพแวดล้อม: OPENROUTER_API_KEY สามารถใช้ models.providers.openrouter.apiKey ซ้ำได้ OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImJhc2VVcmwiIHR5cGU9InN0cmluZyI ค่าเริ่มต้นคือ https://openrouter.ai/api/v1 ระบบจะปรับ https://openrouter.ai/v1 แบบเดิมให้เป็นรูปแบบมาตรฐาน OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9Im1vZGVsIiB0eXBlPSJzdHJpbmci ค่าเริ่มต้นคือ hexgrad/kokoro-82m นามแฝง: modelId OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InNwZWFrZXJWb2ljZSIgdHlwZT0ic3RyaW5nIg ค่าเริ่มต้นคือ af_alloy นามแฝงแบบเดิม: voice, voiceId OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InJlc3BvbnNlRm9ybWF0IiB0eXBlPScibXAzIiB8ICJwY20iJw ค่าเริ่มต้นคือ mp3 OPENCLAW_DOCS_MARKER:paramClose:

    speednumber
    Volcengine (BytePlus Seed Speech)

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImFwaUtleSIgdHlwZT0ic3RyaW5nIg สภาพแวดล้อม: VOLCENGINE_TTS_API_KEY หรือ BYTEPLUS_SEED_SPEECH_API_KEY OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InJlc291cmNlSWQiIHR5cGU9InN0cmluZyI ค่าเริ่มต้นคือ seed-tts-1.0 สภาพแวดล้อม: VOLCENGINE_TTS_RESOURCE_ID ใช้ seed-tts-2.0 เมื่อโปรเจกต์มีสิทธิ์ใช้ TTS 2.0 OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImFwcEtleSIgdHlwZT0ic3RyaW5nIg ส่วนหัวคีย์แอป ค่าเริ่มต้นคือ aGjiRDfUWi สภาพแวดล้อม: VOLCENGINE_TTS_APP_KEY OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImJhc2VVcmwiIHR5cGU9InN0cmluZyI แทนที่ปลายทาง HTTP ของ Seed Speech TTS สภาพแวดล้อม: VOLCENGINE_TTS_BASE_URL OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InNwZWFrZXJWb2ljZSIgdHlwZT0ic3RyaW5nIg ประเภทเสียง ค่าเริ่มต้นคือ en_female_anna_mars_bigtts สภาพแวดล้อม: VOLCENGINE_TTS_VOICE นามแฝงแบบเดิม: voice OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InNwZWVkUmF0aW8iIHR5cGU9Im51bWJlciI อัตราส่วนความเร็วดั้งเดิมของผู้ให้บริการ 0.2..3 OPENCLAW_DOCS_MARKER:paramClose:

    emotionstring

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImFwcElkIC8gdG9rZW4gLyBjbHVzdGVyIiB0eXBlPSJzdHJpbmciIGRlcHJlY2F0ZWQ ฟิลด์ Volcengine Speech Console แบบเดิม สภาพแวดล้อม: VOLCENGINE_TTS_APPID, VOLCENGINE_TTS_TOKEN, VOLCENGINE_TTS_CLUSTER (ค่าเริ่มต้นคือ volcano_tts) OPENCLAW_DOCS_MARKER:paramClose:

    xAI

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImFwaUtleSIgdHlwZT0ic3RyaW5nIg สภาพแวดล้อม: XAI_API_KEY OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImJhc2VVcmwiIHR5cGU9InN0cmluZyI ค่าเริ่มต้นคือ https://api.x.ai/v1 สภาพแวดล้อม: XAI_BASE_URL OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InNwZWFrZXJWb2ljZUlkIiB0eXBlPSJzdHJpbmci ค่าเริ่มต้นคือ eve เมื่อมีการตรวจสอบสิทธิ์ openclaw infer tts voices --provider xai จะดึงแค็ตตาล็อกที่มีมาให้ในปัจจุบัน หากไม่มีการตรวจสอบสิทธิ์ จะแสดงรายการค่าทดแทนแบบออฟไลน์ ได้แก่ ara, eve, leo, rex และ sal รหัสเสียงแบบกำหนดเองของบัญชีจะถูกส่งต่อแม้ไม่มีอยู่ในรายการที่มีมาให้ นามแฝงแบบเดิม: voiceId OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9Imxhbmd1YWdlIiB0eXBlPSJzdHJpbmci รหัสภาษา BCP-47 หรือ auto ค่าเริ่มต้นคือ en OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InJlc3BvbnNlRm9ybWF0IiB0eXBlPScibXAzIiB8ICJ3YXYiIHwgInBjbSIgfCAibXVsYXciIHwgImFsYXciJw ค่าเริ่มต้นคือ mp3 OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InNwZWVkIiB0eXBlPSJudW1iZXIi แทนที่ความเร็วด้วยค่าดั้งเดิมของผู้ให้บริการ 0.7..1.5 OPENCLAW_DOCS_MARKER:paramClose:

    Xiaomi MiMo

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImFwaUtleSIgdHlwZT0ic3RyaW5nIg ตัวแปรสภาพแวดล้อม: XIAOMI_API_KEY. OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImJhc2VVcmwiIHR5cGU9InN0cmluZyI ค่าเริ่มต้น https://api.xiaomimimo.com/v1. ตัวแปรสภาพแวดล้อม: XIAOMI_BASE_URL. OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9Im1vZGVsIiB0eXBlPSJzdHJpbmci ค่าเริ่มต้น mimo-v2.5-tts. ตัวแปรสภาพแวดล้อม: XIAOMI_TTS_MODEL. รองรับ mimo-v2.5-tts-voicedesign ด้วย OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InNwZWFrZXJWb2ljZSIgdHlwZT0ic3RyaW5nIg ค่าเริ่มต้น mimo_default สำหรับโมเดลเสียงสำเร็จรูป ตัวแปรสภาพแวดล้อม: XIAOMI_TTS_VOICE. นามแฝงแบบเดิม: voice. ไม่ส่งสำหรับ mimo-v2.5-tts-voicedesign. OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9ImZvcm1hdCIgdHlwZT0nIm1wMyIgfCAid2F2Iic ค่าเริ่มต้น mp3. ตัวแปรสภาพแวดล้อม: XIAOMI_TTS_FORMAT. OPENCLAW_DOCS_MARKER:paramClose:

    OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InN0eWxlIiB0eXBlPSJzdHJpbmci คำสั่งรูปแบบภาษาธรรมชาติที่ระบุหรือไม่ก็ได้ โดยส่งเป็นข้อความของผู้ใช้และจะไม่ถูกอ่านออกเสียง สำหรับ mimo-v2.5-tts-voicedesign ค่านี้คือพรอมต์ออกแบบเสียง หากไม่ระบุ OpenClaw จะกำหนดค่าเริ่มต้นให้ OPENCLAW_DOCS_MARKER:paramClose:

    เครื่องมือของเอเจนต์

    เครื่องมือ tts จะแปลงข้อความเป็นเสียงและส่งคืนไฟล์แนบเสียงสำหรับ การส่งคำตอบ ใน Feishu, Matrix, Telegram และ WhatsApp เสียงจะถูก ส่งเป็นข้อความเสียงแทนไฟล์แนบ Feishu และ WhatsApp สามารถแปลงเอาต์พุต TTS ที่ไม่ใช่ Opus ในเส้นทางนี้ได้เมื่อมี ffmpeg พร้อมใช้งาน

    WhatsApp ส่งเสียงผ่าน Baileys เป็นข้อความเสียง PTT (audio พร้อม ptt: true) และส่งข้อความที่มองเห็นได้ แยกต่างหาก จากเสียง PTT เนื่องจาก ไคลเอนต์แสดงคำบรรยายบนข้อความเสียงไม่สม่ำเสมอ

    เครื่องมือยอมรับฟิลด์ channel และ timeoutMs ซึ่งระบุหรือไม่ก็ได้ ส่วน timeoutMs คือ ระยะหมดเวลาของคำขอไปยังผู้ให้บริการต่อการเรียกหนึ่งครั้งในหน่วยมิลลิวินาที ค่าต่อการเรียกจะแทนที่ messages.tts.timeoutMs; ระยะหมดเวลา TTS ที่กำหนดค่าไว้จะแทนที่ ค่าเริ่มต้นของผู้ให้บริการที่ Plugin กำหนดไว้ทั้งหมด

    RPC ของ Gateway

    เมธอด วัตถุประสงค์
    tts.status อ่านสถานะ TTS ปัจจุบันและความพยายามครั้งล่าสุด
    tts.enable ตั้งค่ากำหนดอัตโนมัติภายในเครื่องเป็น always
    tts.disable ตั้งค่ากำหนดอัตโนมัติภายในเครื่องเป็น off
    tts.convert แปลงข้อความ → เสียงแบบครั้งเดียว
    tts.setProvider ตั้งค่าผู้ให้บริการที่ต้องการภายในเครื่อง
    tts.personas แสดงรายการบุคลิกที่กำหนดค่าไว้และบุคลิกที่ใช้งานอยู่
    tts.setPersona ตั้งค่าบุคลิกที่ต้องการภายในเครื่อง
    tts.providers แสดงรายการผู้ให้บริการที่กำหนดค่าไว้และสถานะ

    ลิงก์บริการ

    ที่เกี่ยวข้อง

    Was this useful?
    On this page

    On this page