文本转语音（旧路径）

文本转语音 (TTS)

OpenClaw 可以使用 ElevenLabs、Microsoft 或 OpenAI 将出站回复转换为音频。在 OpenClaw 可以发送音频的任何地方，它都能工作。

支持的服务

ElevenLabs（主要或备用提供商）
Microsoft（主要或备用提供商；当前捆绑的实现使用 node-edge-tts）
OpenAI（主要或备用提供商；也用于生成摘要）

Microsoft 语音说明

捆绑的 Microsoft 语音提供商当前通过 node-edge-tts 库使用 Microsoft Edge 的在线神经 TTS 服务。这是一个托管服务（非本地），使用 Microsoft 端点，并且不需要 API 密钥。 node-edge-tts 公开了语音配置选项和输出格式，但并非所有选项都受该服务支持。使用 edge 的旧版配置和指令输入仍然有效，并被标准化为 microsoft。

由于此路径是一个没有发布 SLA 或配额的公共 Web 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

Microsoft 语音不需要 API 密钥。

如果配置了多个提供商，则优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），因此如果您启用了摘要，该提供商也必须经过身份验证。

服务链接

默认情况下是否启用？

否。Auto‑TTS 默认为关闭。在配置中使用 messages.tts.auto 启用它，或者在每个会话中使用 /tts always（别名：/tts on）启用。

当未设置 messages.tts.provider 时，OpenClaw 会按照注册表自动选择顺序选择第一个配置的语音提供商。

配置

TTS 配置位于 openclaw.json 中的 messages.tts 下。完整架构请参见 Gateway(网关) 配置。

最小配置（启用 + 提供商）

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

OpenAI 主用，ElevenLabs 备用

{
  messages: {
    tts: {
      auto: "always",
      provider: "openai",
      summaryModel: "openai/gpt-4.1-mini",
      modelOverrides: {
        enabled: true,
      },
      providers: {
        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,
          },
        },
      },
    },
  },
}

Microsoft 优先（无 API 密钥）

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

禁用 Microsoft 语音

{
  messages: {
    tts: {
      providers: {
        microsoft: {
          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以音频回复

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

对长回复禁用自动摘要

{
  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 仅在收到传入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：旧版切换开关（医生会将其迁移到 auto）。
mode："final"（默认）或 "all"（包括工具/块回复）。
provider：语音提供商 ID，例如 "elevenlabs"、"microsoft" 或 "openai"（自动进行回退）。
如果 provider 未设置，OpenClaw 将按注册表自动选择顺序使用第一个配置的语音提供商。
旧版 provider: "edge" 仍然有效，并且会被规范化为 microsoft。
summaryModel：用于自动摘要的可选低成本模型；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（提供商切换为可选择加入）。
providers.<id>：由语音提供商 ID 键控的提供商自有设置。
旧的直接提供商模块（messages.tts.openai、messages.tts.elevenlabs、messages.tts.microsoft、messages.tts.edge）会在加载时自动迁移到 messages.tts.providers.<id>。
maxTextLength：TTS 输入的硬性上限（字符）。如果超出，/tts audio 将失败。
timeoutMs：请求超时（毫秒）。
prefsPath：覆盖本地首选项 JSON 路径（提供商/limit/summary）。
apiKey 值会回退到环境变量（ELEVENLABS_API_KEY/XI_API_KEY、OPENAI_API_KEY）。
providers.elevenlabs.baseUrl：覆盖 ElevenLabs API 基础 URL。
providers.openai.baseUrl：覆盖 OpenAI TTS 端点。
- 解析顺序：messages.tts.providers.openai.baseUrl -> OPENAI_TTS_BASE_URL -> https://api.openai.com/v1
- 非默认值将被视为兼容 OpenAI 的 TTS 端点，因此接受自定义模型和语音名称。
providers.elevenlabs.voiceSettings：
- stability、similarityBoost、style：0..1
- useSpeakerBoost：true|false
- speed：0.5..2.0（1.0 = 正常）
providers.elevenlabs.applyTextNormalization：auto|on|off
providers.elevenlabs.languageCode：2字母 ISO 639-1 代码（例如 en、de）
providers.elevenlabs.seed：整数 0..4294967295（尽力确定性）
providers.microsoft.enabled：允许使用 Microsoft 语音（默认 true；无需 API 密钥）。
providers.microsoft.voice：Microsoft 神经语音名称（例如 en-US-MichelleNeural）。
providers.microsoft.lang：语言代码（例如 en-US）。
providers.microsoft.outputFormat：Microsoft 输出格式（例如 audio-24khz-48kbitrate-mono-mp3）。
- 有关有效值，请参阅 Microsoft 语音输出格式；并非所有格式都受内置的 Edge 支持传输支持。
providers.microsoft.rate / providers.microsoft.pitch / providers.microsoft.volume：百分比字符串（例如 +10%、-5%）。
providers.microsoft.saveSubtitles：在音频文件旁边写入 JSON 字幕。
providers.microsoft.proxy：Microsoft 语音请求的代理 URL。
providers.microsoft.timeoutMs：请求超时覆盖（毫秒）。
edge.*：相同 Microsoft 设置的旧版别名。

模型驱动的覆盖（默认开启）

默认情况下，模型可以为单个回复发出 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:...]] 指令来覆盖单个回复的语音，以及一个可选的 [[tts:text]]...[[/tts:text]] 块，用于提供应仅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（注册的语音提供商 ID，例如 openai、elevenlabs 或 microsoft；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（在允许切换提供商的同时保持其他旋钮可配置）：

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

按用户偏好设置

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）。

存储字段：

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

这些将覆盖该主机的 messages.tts.*。

输出格式（固定）

飞书 / Matrix / Telegram / WhatsApp：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方案。
其他渠道：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值。
Microsoft：使用 microsoft.outputFormat（默认 audio-24khz-48kbitrate-mono-mp3）。
- 内置传输接受 outputFormat，但并非所有格式都从该服务可用。
- 输出格式值遵循 Microsoft 语音输出格式（包括 Ogg/WebM Opus）。
- Telegram sendVoice 接受 OGG/MP3/M4A；如果需要保证 Opus 语音消息，请使用 OpenAI/ElevenLabs。
- 如果配置的 Microsoft 输出格式失败，OpenClaw 将重试使用 MP3。

OpenAI/ElevenLabs 输出格式按渠道固定（见上文）。

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 个字符）。
当使用 agents.defaults.model.primary （或 summaryModel）启用时，会对长回复进行摘要。
将生成的音频附加到回复中。

如果回复超过 maxLength 且摘要功能关闭（或没有用于摘要模型的 API 密钥），将跳过音频并发送正常的文本回复。

流程图

Reply -> TTS enabled?
  no  -> send text
  yes -> has media / MEDIA: / short?
          yes -> send text
          no  -> length > limit?
                   no  -> TTS -> attach audio
                   yes -> summary enabled?
                            no  -> send text
                            yes -> summarize (summaryModel or agents.defaults.model.primary)
                                      -> TTS -> attach audio

斜杠命令用法

只有一个命令：/tts。有关启用的详细信息，请参阅斜杠命令。

Discord 注意：/tts 是 Discord 的内置命令，因此 OpenClaw 在此处将 /voice 注册为本机命令。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

注意事项：

命令需要经过授权的发件人（白名单/所有者规则仍然适用）。
必须启用 commands.text 或本机命令注册。
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 存储在本地首选项中，而不是主配置中。
/tts audio 生成一次性音频回复（不会打开 TTS）。
/tts status 包括最新尝试的回退可见性：
- 成功回退：Fallback: <primary> -> <used> 加上 Attempts: ...
- 失败：Error: ... 加上 Attempts: ...
- 详细诊断：Attempt details: provider:outcome(reasonCode) latency
OpenAI 和 ElevenLabs API 失败现在包括解析的提供商错误详细信息和请求 ID（当提供商返回时），这些信息会显示在 TTS 错误/日志中。

Agent 工具

tts 工具将文本转换为语音并返回音频附件以供回复传递。当渠道是飞书、Matrix、Telegram 或 WhatsApp 时，音频将作为语音消息而不是文件附件发送。

Gateway(网关) RPC

Gateway(网关) 方法：

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