ข้อความเป็นเสียงพูด

OpenClaw สามารถแปลงการตอบกลับขาออกเป็นเสียงได้ผ่าน ผู้ให้บริการเสียงพูด 14 ราย และส่งข้อความเสียงแบบเนทีฟบน Feishu, Matrix, Telegram และ WhatsApp, ส่งไฟล์แนบเสียงในที่อื่นทั้งหมด และส่งสตรีม PCM/Ulaw สำหรับโทรศัพท์และ Talk

TTS คือครึ่งส่วนเอาต์พุตเสียงพูดของโหมด stt-tts ของ Talk เซสชัน Talk แบบ realtime ที่เป็นเนทีฟของผู้ให้บริการจะสังเคราะห์เสียงพูดภายในผู้ให้บริการ realtime แทนการเรียกเส้นทาง TTS นี้ ส่วนเซสชัน transcription จะไม่สังเคราะห์ การตอบกลับด้วยเสียงของผู้ช่วย

เริ่มต้นอย่างรวดเร็ว

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

ผู้ให้บริการที่รองรับ

หากกำหนดค่าผู้ให้บริการไว้หลายราย ระบบจะใช้รายที่เลือกก่อน และใช้รายอื่นเป็น ตัวเลือกสำรอง การสรุปอัตโนมัติใช้ summaryModel (หรือ agents.defaults.model.primary) ดังนั้นผู้ให้บริการนั้นต้องผ่านการยืนยันตัวตนด้วย หากคุณยังเปิดใช้การสรุปไว้

การกำหนดค่า

config ของ TTS อยู่ใต้ messages.tts ใน ~/.openclaw/openclaw.json เลือก preset แล้วปรับบล็อกผู้ให้บริการ:

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

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

การแทนที่เสียงต่อเอเจนต์

ใช้ agents.list[].tts เมื่อ Agent หนึ่งควรพูดด้วยผู้ให้บริการ เสียง โมเดล บุคลิกเสียง หรือโหมด TTS อัตโนมัติที่แตกต่างกัน บล็อก Agent จะผสานแบบลึกทับ messages.tts ดังนั้นข้อมูลรับรองของผู้ให้บริการจึงอยู่ในคอนฟิกผู้ให้บริการส่วนกลางได้:

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

หากต้องการตรึงบุคลิกเสียงต่อ Agent ให้ตั้งค่า agents.list[].tts.persona ควบคู่กับคอนฟิกผู้ให้บริการ ซึ่งจะเขียนทับ messages.tts.persona ส่วนกลางสำหรับ Agent นั้นเท่านั้น

ลำดับความสำคัญสำหรับการตอบกลับอัตโนมัติ, /tts audio, /tts status และเครื่องมือ Agent tts:

1. messages.tts
2. agents.list[].tts ที่ใช้งานอยู่
3. การเขียนทับของช่องทาง เมื่อช่องทางรองรับ channels.<channel>.tts
4. การเขียนทับของบัญชี เมื่อช่องทางส่งผ่าน channels.<channel>.accounts.<id>.tts
5. ค่ากำหนด /tts ภายในเครื่องสำหรับโฮสต์นี้
6. คำสั่ง [[tts:...]] แบบอินไลน์ เมื่อเปิดใช้ การเขียนทับที่ขับเคลื่อนด้วยโมเดล

การเขียนทับของช่องทางและบัญชีใช้รูปแบบเดียวกับ messages.tts และผสานแบบลึกทับเลเยอร์ก่อนหน้า ดังนั้นข้อมูลรับรองผู้ให้บริการที่ใช้ร่วมกันจึงอยู่ใน messages.tts ได้ ขณะที่ช่องทางหรือบัญชีบอตเปลี่ยนเฉพาะเสียงผู้พูด โมเดล บุคลิกเสียง หรือโหมดอัตโนมัติ:

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

บุคลิกเสียง

บุคลิกเสียง คืออัตลักษณ์การพูดที่เสถียรและนำไปใช้ได้อย่างกำหนดซ้ำได้ในหลายผู้ให้บริการ บุคลิกเสียงสามารถเลือกผู้ให้บริการที่ต้องการ กำหนดเจตนาพรอมป์ที่ไม่ผูกกับผู้ให้บริการ และพกพาการผูกเฉพาะผู้ให้บริการสำหรับเสียง โมเดล เทมเพลตพรอมป์ seed และการตั้งค่าเสียงได้

บุคลิกเสียงขั้นต่ำ

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

บุคลิกเสียงแบบเต็มรูปแบบ (พรอมป์ที่ไม่ผูกกับผู้ให้บริการ)

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

การแก้ค่าใช้งานของบุคลิกเสียง

บุคลิกเสียงที่ใช้งานอยู่จะถูกเลือกอย่างกำหนดซ้ำได้:

1. ค่ากำหนดภายในเครื่อง /tts persona <id> หากตั้งค่าไว้
2. messages.tts.persona หากตั้งค่าไว้
3. ไม่มีบุคลิกเสียง

การเลือกผู้ให้บริการใช้ลำดับแบบค่าโดยตรงมาก่อน:

1. การเขียนทับโดยตรง (CLI, Gateway, Talk, คำสั่ง TTS ที่อนุญาต)
2. ค่ากำหนดภายในเครื่อง /tts provider <id>
3. provider ของบุคลิกเสียงที่ใช้งานอยู่
4. messages.tts.provider
5. การเลือกอัตโนมัติจาก registry

สำหรับความพยายามของผู้ให้บริการแต่ละครั้ง OpenClaw จะผสานคอนฟิกตามลำดับนี้:

1. messages.tts.providers.<id>
2. messages.tts.personas.<persona>.providers.<id>
3. การเขียนทับจากคำขอที่เชื่อถือได้
4. การเขียนทับจากคำสั่ง TTS ที่โมเดลปล่อยออกมาและได้รับอนุญาต

วิธีที่ผู้ให้บริการใช้พรอมป์บุคลิกเสียง

ฟิลด์พรอมป์บุคลิกเสียง (profile, scene, sampleContext, style, accent, pacing, constraints) เป็นแบบ ไม่ผูกกับผู้ให้บริการ ผู้ให้บริการแต่ละรายตัดสินใจเองว่าจะใช้อย่างไร:

นโยบาย fallback

fallbackPolicy ควบคุมลักษณะการทำงานเมื่อบุคลิกเสียง ไม่มีการผูก สำหรับผู้ให้บริการที่พยายามใช้:

คำขอ TTS ทั้งหมดจะล้มเหลวเฉพาะเมื่อผู้ให้บริการที่พยายามใช้ ทั้งหมด ถูกข้ามหรือล้มเหลว

การเลือกผู้ให้บริการในเซสชัน Talk จะมีขอบเขตระดับเซสชัน ไคลเอนต์ Talk ควรเลือก id ผู้ให้บริการ, id โมเดล, id เสียง และ locale จาก talk.catalog แล้วส่งผ่านคำขอเซสชัน Talk หรือคำขอ handoff การเปิดเซสชันเสียงไม่ควรแก้ไข messages.tts หรือค่าเริ่มต้นผู้ให้บริการ Talk ส่วนกลาง

คำสั่งที่ขับเคลื่อนด้วยโมเดล

ตามค่าเริ่มต้น ผู้ช่วย สามารถ ปล่อยคำสั่ง [[tts:...]] เพื่อเขียนทับเสียง โมเดล หรือความเร็วสำหรับการตอบกลับเดียว รวมถึงบล็อก [[tts:text]]...[[/tts:text]] แบบไม่บังคับสำหรับ cue เชิงสื่ออารมณ์ที่ควรปรากฏในเสียงเท่านั้น:

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

เมื่อ messages.tts.auto เป็น "tagged" ต้องมีคำสั่ง เพื่อทริกเกอร์เสียง การส่งบล็อกแบบสตรีมจะตัดคำสั่งออกจากข้อความที่มองเห็นได้ก่อนที่ช่องทางจะเห็น แม้จะถูกแบ่งข้ามบล็อกที่อยู่ติดกันก็ตาม

provider=... จะถูกละเว้น เว้นแต่ modelOverrides.allowProvider: true เมื่อการตอบกลับประกาศ provider=... คีย์อื่นในคำสั่งนั้นจะถูกแยกวิเคราะห์โดยผู้ให้บริการนั้นเท่านั้น คีย์ที่ไม่รองรับจะถูกตัดออกและรายงานเป็นคำเตือนคำสั่ง TTS

คีย์คำสั่งที่ใช้ได้:

• provider (id ผู้ให้บริการที่ลงทะเบียนแล้ว; ต้องใช้ allowProvider: true)
• speakerVoice / speakerVoiceId (alias แบบเดิม: voice, voiceName, voice_name, google_voice, voiceId)
• model / google_model
• stability, similarityBoost, style, speed, useSpeakerBoost
• vol / volume (ระดับเสียง MiniMax, 0–10)
• pitch (pitch จำนวนเต็มของ MiniMax, −12 ถึง 12; ค่าทศนิยมจะถูกตัดทิ้ง)
• emotion (แท็กอารมณ์ Volcengine)
• applyTextNormalization (auto|on|off)
• languageCode (ISO 639-1)
• seed

ปิดใช้การเขียนทับจากโมเดลทั้งหมด:

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

อนุญาตให้สลับผู้ให้บริการขณะที่ยังคงกำหนด knob อื่นได้:

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

คำสั่ง Slash

คำสั่งเดียว /tts บน Discord นั้น OpenClaw ยังลงทะเบียน /voice ด้วย เพราะ /tts เป็นคำสั่งในตัวของ Discord ส่วนข้อความ /tts ... ยังใช้งานได้

/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>

หมายเหตุลักษณะการทำงาน:

• /tts on เขียนค่ากำหนด TTS ภายในเครื่องเป็น always; /tts off เขียนเป็น off
• /tts chat on|off|default เขียนการเขียนทับ TTS อัตโนมัติระดับเซสชันสำหรับแชตปัจจุบัน
• /tts persona <id> เขียนค่ากำหนดบุคลิกเสียงภายในเครื่อง; /tts persona off ล้างค่านั้น
• /tts latest อ่านคำตอบล่าสุดของผู้ช่วยจากทรานสคริปต์เซสชันปัจจุบันและส่งเป็นเสียงหนึ่งครั้ง โดยเก็บเฉพาะ hash ของคำตอบนั้นในรายการเซสชันเพื่อระงับการส่งเสียงซ้ำ
• /tts audio สร้างการตอบกลับเสียงแบบครั้งเดียว (ไม่ได้เปิด TTS)
• limit และ summary ถูกเก็บใน ค่ากำหนดภายในเครื่อง ไม่ใช่คอนฟิกหลัก
• /tts status รวมข้อมูลวินิจฉัย fallback สำหรับความพยายามล่าสุด เช่น Fallback: <primary> -> <used>, Attempts: ... และรายละเอียดต่อความพยายาม (provider:outcome(reasonCode) latency)
• /status แสดงโหมด TTS ที่ใช้งานอยู่ พร้อมผู้ให้บริการ โมเดล เสียง และเมตาดาต้า endpoint แบบกำหนดเองที่ผ่านการทำให้ปลอดภัยแล้ว เมื่อเปิดใช้ TTS

ค่ากำหนดต่อผู้ใช้

คำสั่ง Slash เขียนการเขียนทับภายในเครื่องไปยัง prefsPath ค่าเริ่มต้นคือ ~/.openclaw/settings/tts.json; เขียนทับด้วยตัวแปร env OPENCLAW_TTS_PREFS หรือ messages.tts.prefsPath

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

รูปแบบเอาต์พุต (คงที่)

การส่งเสียง TTS ขับเคลื่อนด้วยความสามารถของช่องทาง Plugin ของช่องทางประกาศว่า TTS แบบเสียงพูดควรขอเป้าหมาย native voice-note จากผู้ให้บริการ หรือคงการสังเคราะห์แบบ audio-file ปกติไว้และเพียงทำเครื่องหมายเอาต์พุตที่เข้ากันได้สำหรับการส่งแบบเสียง

• ช่องทางที่รองรับข้อความเสียง: การตอบกลับแบบข้อความเสียงจะเลือกใช้ Opus เป็นหลัก (opus_48000_64 จาก ElevenLabs, opus จาก OpenAI)
  • 48kHz / 64kbps เป็นจุดสมดุลที่ดีสำหรับข้อความเสียง
• Feishu / WhatsApp: เมื่อสร้างการตอบกลับแบบข้อความเสียงเป็น MP3/WebM/WAV/M4A หรือไฟล์อื่นที่น่าจะเป็นไฟล์เสียง Plugin ของช่องทางจะแปลงรหัสเป็น Ogg/Opus 48kHz ด้วย ffmpeg ก่อนส่งข้อความเสียงแบบเนทีฟ WhatsApp ส่งผลลัพธ์ผ่าน payload audio ของ Baileys พร้อม ptt: true และ audio/ogg; codecs=opus หากการแปลงล้มเหลว Feishu จะได้รับไฟล์ต้นฉบับ เป็นไฟล์แนบ ส่วนการส่งของ WhatsApp จะล้มเหลวแทนที่จะโพสต์ payload PTT ที่เข้ากันไม่ได้
• ช่องทางอื่น: MP3 (mp3_44100_128 จาก ElevenLabs, mp3 จาก OpenAI)
  • 44.1kHz / 128kbps เป็นสมดุลเริ่มต้นสำหรับความชัดเจนของเสียงพูด
• MiniMax: MP3 (โมเดล speech-2.8-hd, อัตราสุ่มตัวอย่าง 32kHz) สำหรับไฟล์แนบเสียงปกติ สำหรับเป้าหมายข้อความเสียงที่ช่องทางประกาศไว้ OpenClaw จะแปลงรหัส MP3 ของ MiniMax เป็น Opus 48kHz ด้วย ffmpeg ก่อนส่งมอบเมื่อช่องทางประกาศว่ารองรับการแปลงรหัส
• Xiaomi MiMo: MP3 โดยค่าเริ่มต้น หรือ WAV เมื่อกำหนดค่าไว้ สำหรับเป้าหมายข้อความเสียงที่ช่องทางประกาศไว้ OpenClaw จะแปลงรหัสเอาต์พุตของ Xiaomi เป็น Opus 48kHz ด้วย ffmpeg ก่อนส่งมอบเมื่อช่องทางประกาศว่ารองรับการแปลงรหัส
• CLI ในเครื่อง: ใช้ outputFormat ที่กำหนดค่าไว้ เป้าหมายข้อความเสียงจะถูกแปลงเป็น Ogg/Opus และเอาต์พุตโทรศัพท์จะถูกแปลงเป็น PCM โมโนดิบ 16 kHz ด้วย ffmpeg
• Google Gemini: Gemini API TTS ส่งคืน PCM ดิบ 24kHz OpenClaw ห่อหุ้มเป็น WAV สำหรับไฟล์แนบเสียง แปลงรหัสเป็น Opus 48kHz สำหรับเป้าหมายข้อความเสียง และส่งคืน PCM โดยตรงสำหรับ Talk/โทรศัพท์
• Gradium: WAV สำหรับไฟล์แนบเสียง, Opus สำหรับเป้าหมายข้อความเสียง และ ulaw_8000 ที่ 8 kHz สำหรับโทรศัพท์
• Inworld: MP3 สำหรับไฟล์แนบเสียงปกติ, OGG_OPUS แบบเนทีฟสำหรับเป้าหมายข้อความเสียง และ PCM ดิบที่ 22050 Hz สำหรับ Talk/โทรศัพท์
• xAI: MP3 โดยค่าเริ่มต้น; responseFormat อาจเป็น mp3, wav, pcm, mulaw หรือ alaw OpenClaw ใช้ endpoint TTS แบบ batch REST ของ xAI และส่งคืนไฟล์แนบเสียงที่สมบูรณ์; WebSocket TTS แบบสตรีมของ xAI ไม่ได้ถูกใช้โดยเส้นทางผู้ให้บริการนี้ เส้นทางนี้ไม่รองรับรูปแบบข้อความเสียง Opus แบบเนทีฟ
• Microsoft: ใช้ microsoft.outputFormat (ค่าเริ่มต้น audio-24khz-48kbitrate-mono-mp3)
  • ทรานสปอร์ตที่รวมมาด้วยรับ outputFormat แต่บริการไม่ได้มีทุกรูปแบบให้ใช้
  • ค่ารูปแบบเอาต์พุตเป็นไปตามรูปแบบเอาต์พุต Microsoft Speech (รวมถึง Ogg/WebM Opus)
  • Telegram sendVoice รับ OGG/MP3/M4A; ใช้ OpenAI/ElevenLabs หากคุณต้องการ ข้อความเสียง Opus ที่รับประกันได้
  • หากรูปแบบเอาต์พุต Microsoft ที่กำหนดค่าไว้ล้มเหลว OpenClaw จะลองใหม่ด้วย MP3

รูปแบบเอาต์พุต OpenAI/ElevenLabs ถูกกำหนดตายตัวต่อช่องทาง (ดูด้านบน)

พฤติกรรม Auto-TTS

เมื่อเปิดใช้งาน messages.tts.auto OpenClaw จะ:

• ข้าม TTS หากการตอบกลับมีสื่อแบบมีโครงสร้างอยู่แล้ว
• ข้ามการตอบกลับที่สั้นมาก (ต่ำกว่า 10 อักขระ)
• สรุปการตอบกลับยาวเมื่อเปิดใช้งานการสรุป โดยใช้ summaryModel (หรือ agents.defaults.model.primary)
• แนบเสียงที่สร้างขึ้นเข้ากับการตอบกลับ
• ใน mode: "final" ยังคงส่ง TTS แบบเสียงเท่านั้นสำหรับการตอบกลับสุดท้ายแบบสตรีม หลังจากสตรีมข้อความเสร็จสิ้น; สื่อที่สร้างขึ้นจะผ่านการปรับรูปแบบสื่อของช่องทางเดียวกัน กับไฟล์แนบการตอบกลับปกติ

หากการตอบกลับเกิน maxLength และปิดการสรุปอยู่ (หรือไม่มี API key สำหรับ โมเดลสรุป) ระบบจะข้ามเสียงและส่งการตอบกลับข้อความปกติ

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

รูปแบบเอาต์พุตตามช่องทาง

หมายเหตุตามผู้ให้บริการ:

• การแปลงรหัส Feishu / WhatsApp: เมื่อการตอบกลับแบบบันทึกเสียงมาถึงในรูปแบบ MP3/WebM/WAV/M4A Plugin ของช่องทางจะแปลงรหัสเป็น 48 kHz Ogg/Opus ด้วย ffmpeg WhatsApp ส่งผ่าน Baileys ด้วย ptt: true และ audio/ogg; codecs=opus หากการแปลงล้มเหลว: Feishu จะถอยกลับไปแนบไฟล์ต้นฉบับ; การส่ง WhatsApp จะล้มเหลวแทนที่จะโพสต์ payload PTT ที่เข้ากันไม่ได้
• MiniMax / Xiaomi MiMo: ค่าเริ่มต้นเป็น MP3 (32 kHz สำหรับ MiniMax speech-2.8-hd); แปลงรหัสเป็น 48 kHz Opus สำหรับเป้าหมายแบบบันทึกเสียงผ่าน ffmpeg
• CLI ในเครื่อง: ใช้ outputFormat ที่กำหนดค่าไว้ เป้าหมายแบบบันทึกเสียงจะถูกแปลงเป็น Ogg/Opus และเอาต์พุตโทรศัพท์เป็น PCM โมโนดิบ 16 kHz
• Google Gemini: ส่งคืน PCM ดิบ 24 kHz OpenClaw ห่อเป็น WAV สำหรับไฟล์แนบ แปลงรหัสเป็น 48 kHz Opus สำหรับเป้าหมายแบบบันทึกเสียง และส่งคืน PCM โดยตรงสำหรับ Talk/โทรศัพท์
• Inworld: ไฟล์แนบ MP3, บันทึกเสียงแบบเนทีฟ OGG_OPUS, PCM ดิบ 22050 Hz สำหรับ Talk/โทรศัพท์
• xAI: ค่าเริ่มต้นเป็น MP3; responseFormat อาจเป็น mp3|wav|pcm|mulaw|alaw ใช้ endpoint REST แบบแบตช์ของ xAI — ไม่ได้ ใช้ TTS แบบ WebSocket สตรีมมิง ไม่รองรับรูปแบบบันทึกเสียง Opus แบบเนทีฟ
• Microsoft: ใช้ microsoft.outputFormat (ค่าเริ่มต้น audio-24khz-48kbitrate-mono-mp3) sendVoice ของ Telegram ยอมรับ OGG/MP3/M4A; ใช้ OpenAI/ElevenLabs หากคุณต้องการข้อความเสียง Opus ที่รับประกันได้ หากรูปแบบ Microsoft ที่กำหนดค่าไว้ล้มเหลว OpenClaw จะลองใหม่ด้วย MP3

รูปแบบเอาต์พุตของ OpenAI และ ElevenLabs ถูกกำหนดตายตัวตามช่องทางดังที่แสดงไว้ข้างต้น

อ้างอิงฟิลด์

เครื่องมือเอเจนต์

เครื่องมือ tts จะแปลงข้อความเป็นเสียงและส่งคืนไฟล์แนบเสียงสำหรับการส่งคำตอบ บน Feishu, Matrix, Telegram และ WhatsApp เสียงจะถูกส่งเป็นข้อความเสียงแทนที่จะเป็นไฟล์แนบ Feishu และ WhatsApp สามารถแปลงเอาต์พุต TTS ที่ไม่ใช่ Opus บนเส้นทางนี้ได้เมื่อมี ffmpeg.

WhatsApp ส่งเสียงผ่าน Baileys เป็นโน้ตเสียง PTT (audio พร้อม ptt: true) และส่งข้อความที่มองเห็นได้ แยกต่างหาก จากเสียง PTT เพราะไคลเอนต์ไม่ได้แสดงคำบรรยายบนโน้ตเสียงอย่างสม่ำเสมอ.

เครื่องมือยอมรับฟิลด์ channel และ timeoutMs ที่ไม่บังคับ; timeoutMs คือเวลาหมดเวลาคำขอผู้ให้บริการต่อการเรียกเป็นมิลลิวินาที ค่าต่อการเรียกจะเขียนทับ messages.tts.timeoutMs; เวลาหมดเวลา TTS ที่กำหนดค่าไว้จะเขียนทับค่าเริ่มต้นของผู้ให้บริการที่เขียนโดย Plugin ใดๆ.

Gateway RPC

ลิงก์บริการ

• คู่มือแปลงข้อความเป็นเสียงของ OpenAI
• ข้อมูลอ้างอิง Audio API ของ OpenAI
• การแปลงข้อความเป็นเสียงด้วย Azure Speech REST
• ผู้ให้บริการ Azure Speech
• การแปลงข้อความเป็นเสียงของ ElevenLabs
• การยืนยันตัวตนของ ElevenLabs
• Gradium
• API TTS ของ Inworld
• API MiniMax T2A v2
• API HTTP ของ Volcengine TTS
• การสังเคราะห์เสียงพูดของ Xiaomi MiMo
• node-edge-tts
• รูปแบบเอาต์พุตเสียงพูดของ Microsoft
• การแปลงข้อความเป็นเสียงของ xAI

ที่เกี่ยวข้อง

• ภาพรวมสื่อ
• การสร้างเพลง
• การสร้างวิดีโอ
• คำสั่งแบบสแลช
• Plugin การโทรด้วยเสียง