媒体与设备

文本转语音

OpenClaw 可以使用 ElevenLabs、OpenAI 或 Edge TTS 将外发回复转换为音频。它可以在 OpenClaw 能够发送音频的任何地方工作；Telegram 会收到一个圆形的语音消息气泡。

支持的服务

  • ElevenLabs（主要或备用提供商）
  • OpenAI（主要或备用提供商；也用于摘要）
  • Edge TTS（主要或备用提供商；使用 node-edge-tts，无 API 密钥时的默认选择）

Edge TTS 说明

Edge TTS 通过 node-edge-tts 库使用 Microsoft Edge 的在线神经 TTS 服务。它是一个托管服务（非本地），使用微软的端点，并且不需要 API 密钥。由于 Edge TTS 是一个没有发布 SLA 或配额限制的公共网络服务，请将其视为尽力而为的服务。如果您需要保证的限制和支持，请使用 OpenAI 或 ElevenLabs。

可选密钥

如果您想使用 OpenAI 或 ElevenLabs：

  • ELEVENLABS_API_KEY（或 XI_API_KEY）
  • OPENAI_API_KEY

Edge TTS 不需要 API 密钥。如果未找到 API 密钥，OpenClaw 将默认使用 Edge TTS（除非通过 messages.tts.edge.enabled=false 禁用）。如果配置了多个提供商，将首先使用选定的提供商，其他提供商作为备用选项。自动摘要使用配置的 summaryModel（或 agents.defaults.model.primary），因此如果您启用摘要，该提供商也必须经过身份验证。

服务链接

默认启用吗？

否。自动 TTS 默认是关闭的。请在配置中使用 messages.tts.auto 或在每个会话中使用 /tts always（别名：/tts on）来启用它。Edge TTS 在 TTS 开启后默认是启用的，并且当没有 OpenAI 或 ElevenLabs API 密钥可用时会自动使用。

配置

TTS 配置位于 openclaw.json 中的 messages.tts 下。完整模式请参见 网关配置。

最小配置（启用 + 提供商）

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

OpenAI 主要，ElevenLabs 备用

{
  messages: {
    tts: {
      auto: "always",
      provider: "openai",
      summaryModel: "openai/gpt-4.1-mini",
      modelOverrides: {
        enabled: true,
      },
      openai: {
        apiKey: "openai_api_key",
        baseUrl: "https://api.openai.com/v1",
        model: "gpt-4o-mini-tts",
        voice: "alloy",
      },
      elevenlabs: {
        apiKey: "elevenlabs_api_key",
        baseUrl: "https://api.elevenlabs.io",
        voiceId: "voice_id",
        modelId: "eleven_multilingual_v2",
        seed: 42,
        applyTextNormalization: "auto",
        languageCode: "en",
        voiceSettings: {
          stability: 0.5,
          similarityBoost: 0.75,
          style: 0.0,
          useSpeakerBoost: true,
          speed: 1.0,
        },
      },
    },
  },
}

Edge TTS 主要（无 API 密钥）

{
  messages: {
    tts: {
      auto: "always",
      provider: "edge",
      edge: {
        enabled: true,
        voice: "en-US-MichelleNeural",
        lang: "en-US",
        outputFormat: "audio-24khz-48kbitrate-mono-mp3",
        rate: "+10%",
        pitch: "-5%",
      },
    },
  },
}

禁用 Edge TTS

{
  messages: {
    tts: {
      edge: {
        enabled: false,
      },
    },
  },
}

自定义限制 + 偏好路径

{
  messages: {
    tts: {
      auto: "always",
      maxTextLength: 4000,
      timeoutMs: 30000,
      prefsPath: "~/.openclaw/settings/tts.json",
    },
  },
}

仅在收到入站语音消息后回复音频

{
  messages: {
    tts: {
      auto: "inbound",
    },
  },
}

禁用长回复的自动摘要

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

然后运行：

/tts summary off

字段说明

  • auto: 自动 TTS 模式（off、always、inbound、tagged）。
    • inbound 仅在收到入站语音消息后发送音频。
    • tagged 仅在回复包含 [[tts]] 标签时发送音频。
  • enabled: 旧版开关（doctor 会将其迁移到 auto）。
  • mode: "final"（默认）或 "all"（包括工具/块回复）。
  • provider: "elevenlabs"、"openai" 或 "edge"（备用是自动的）。
  • 如果 provider 未设置，OpenClaw 优先选择 openai（如果有密钥），然后是 elevenlabs（如果有密钥），否则是 edge。
  • summaryModel: 用于自动摘要的可选廉价模型；默认为 agents.defaults.model.primary。
    • 接受 provider/model 或已配置的模型别名。
  • modelOverrides: 允许模型发出 TTS 指令（默认开启）。
    • allowProvider 默认为 false（提供商切换是选择加入的）。
  • maxTextLength: TTS 输入的硬性上限（字符数）。如果超过，/tts audio 会失败。
  • timeoutMs: 请求超时（毫秒）。
  • prefsPath: 覆盖本地偏好 JSON 路径（提供商/限制/摘要）。
  • apiKey 值回退到环境变量（ELEVENLABS_API_KEY/XI_API_KEY、OPENAI_API_KEY）。
  • elevenlabs.baseUrl: 覆盖 ElevenLabs API 基础 URL。
  • openai.baseUrl: 覆盖 OpenAI TTS 端点。
    • 解析顺序：messages.tts.openai.baseUrl -> OPENAI_TTS_BASE_URL -> https://api.openai.com/v1
    • 非默认值被视为 OpenAI 兼容的 TTS 端点，因此接受自定义模型和语音名称。
  • elevenlabs.voiceSettings:
    • stability、similarityBoost、style: 0..1
    • useSpeakerBoost: true|false
    • speed: 0.5..2.0（1.0 = 正常）
  • elevenlabs.applyTextNormalization: auto|on|off
  • elevenlabs.languageCode: 2 字母 ISO 639-1（例如 en、de）
  • elevenlabs.seed: 整数 0..4294967295（尽力保证确定性）
  • edge.enabled: 允许使用 Edge TTS（默认 true；无需 API 密钥）。
  • edge.voice: Edge 神经语音名称（例如 en-US-MichelleNeural）。
  • edge.lang: 语言代码（例如 en-US）。
  • edge.outputFormat: Edge 输出格式（例如 audio-24khz-48kbitrate-mono-mp3）。
    • 有关有效值，请参阅微软语音输出格式；并非所有格式都被 Edge 支持。
  • edge.rate / edge.pitch / edge.volume: 百分比字符串（例如 +10%、-5%）。
  • edge.saveSubtitles: 在音频文件旁边写入 JSON 字幕。
  • edge.proxy: Edge TTS 请求的代理 URL。
  • edge.timeoutMs: 请求超时覆盖（毫秒）。

模型驱动的覆盖（默认开启）

默认情况下，模型可以为单次回复发出 TTS 指令。当 messages.tts.auto 为 tagged 时，这些指令是触发音频所必需的。启用后，模型可以发出 [[tts:...]] 指令来覆盖单次回复的语音，以及可选的 [[tts:text]]...[[/tts:text]] 块来提供仅应出现在音频中的表达性标签（笑声、歌唱提示等）。除非 modelOverrides.allowProvider: true，否则 provider=... 指令将被忽略。示例回复负载：

Here you go.

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

可用的指令键（启用时）：

  • provider (openai | elevenlabs | edge，需要 allowProvider: true)
  • voice (OpenAI 语音) 或 voiceId (ElevenLabs)
  • model (OpenAI TTS 模型或 ElevenLabs 模型 id)
  • stability、similarityBoost、style、speed、useSpeakerBoost
  • applyTextNormalization (auto|on|off)
  • languageCode (ISO 639-1)
  • seed

禁用所有模型覆盖：

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

可选允许列表（启用提供商切换，同时保持其他旋钮可配置）：

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

用户偏好

斜杠命令将本地覆盖写入 prefsPath（默认：~/.openclaw/settings/tts.json，可通过 OPENCLAW_TTS_PREFS 或 messages.tts.prefsPath 覆盖）。存储的字段：

  • enabled
  • provider
  • maxLength（摘要阈值；默认 1500 字符）
  • summarize（默认 true）

这些会覆盖该主机的 messages.tts.* 设置。

输出格式（固定）

  • Telegram: Opus 语音消息（来自 ElevenLabs 的 opus_48000_64，来自 OpenAI 的 opus）。
    • 48kHz / 64kbps 是语音消息的良好折衷，并且是圆形气泡所必需的。
  • 其他频道: MP3（来自 ElevenLabs 的 mp3_44100_128，来自 OpenAI 的 mp3）。
    • 44.1kHz / 128kbps 是语音清晰度的默认平衡点。
  • Edge TTS: 使用 edge.outputFormat（默认 audio-24khz-48kbitrate-mono-mp3）。
    • node-edge-tts 接受 outputFormat，但并非所有格式都从 Edge 服务可用。
    • 输出格式值遵循微软语音输出格式（包括 Ogg/WebM Opus）。
    • Telegram 的 sendVoice 接受 OGG/MP3/M4A；如果您需要保证的 Opus 语音消息，请使用 OpenAI/ElevenLabs。
    • 如果配置的 Edge 输出格式失败，OpenClaw 将使用 MP3 重试。

OpenAI/ElevenLabs 格式是固定的；Telegram 期望 Opus 以获得语音消息 UX。

自动 TTS 行为

启用后，OpenClaw：

  • 如果回复已包含媒体或 MEDIA: 指令，则跳过 TTS。
  • 跳过非常短的回复（< 10 字符）。
  • 启用时，使用 agents.defaults.model.primary（或 summaryModel）对长回复进行摘要。
  • 将生成的音频附加到回复中。

如果回复超过 maxLength 且摘要关闭（或摘要模型没有 API 密钥），则跳过音频并发送正常的文本回复。

流程图

回复 -> TTS 启用？
  否  -> 发送文本
  是  -> 有媒体 / MEDIA: / 短？
          是  -> 发送文本
          否  -> 长度 > 限制？
                   否  -> TTS -> 附加音频
                   是  -> 摘要启用？
                            否  -> 发送文本
                            是  -> 摘要 (summaryModel 或 agents.defaults.model.primary)
                                      -> TTS -> 附加音频

斜杠命令用法

只有一个命令：/tts。有关启用详情，请参见 斜杠命令。Discord 注意：/tts 是 Discord 的内置命令，因此 OpenClaw 在那里注册 /voice 作为原生命令。文本 /tts ... 仍然有效。

/tts off
/tts always
/tts inbound
/tts tagged
/tts status
/tts provider openai
/tts limit 2000
/tts summary off
/tts audio Hello from OpenClaw

注意：

  • 命令需要授权发送者（允许列表/所有者规则仍然适用）。
  • 必须启用 commands.text 或原生命令注册。
  • off|always|inbound|tagged 是每个会话的切换开关（/tts on 是 /tts always 的别名）。
  • limit 和 summary 存储在本地偏好中，而不是主配置中。
  • /tts audio 生成一次性音频回复（不切换 TTS 开启）。

智能体工具

tts 工具将文本转换为语音并返回一个 MEDIA: 路径。当结果与 Telegram 兼容时，该工具包含 [[audio_as_voice]]，以便 Telegram 发送语音气泡。

网关 RPC

网关方法：

  • tts.status
  • tts.enable
  • tts.disable
  • tts.convert
  • tts.setProvider
  • tts.providers

位置命令