OpenClaw verwendet ElevenLabs für Text-to-Speech, Batch-Spracherkennung mit Scribe
v2 und Streaming-STT mit Scribe v2 Realtime.
| Funktion | OpenClaw-Oberfläche | Standard |
|---|
| Text-to-Speech | messages.tts / talk | eleven_multilingual_v2 |
| Batch-Spracherkennung | tools.media.audio | scribe_v2 |
| Streaming-Spracherkennung | Voice-Call-Streaming oder Google Meet realtime.transcriptionProvider | scribe_v2_realtime |
Authentifizierung
Setzen Sie ELEVENLABS_API_KEY in der Umgebung. XI_API_KEY wird ebenfalls für
Kompatibilität mit vorhandenen ElevenLabs-Tools akzeptiert.
export ELEVENLABS_API_KEY="..."
Text-to-Speech
{
messages: {
tts: {
providers: {
elevenlabs: {
apiKey: "${ELEVENLABS_API_KEY}",
speakerVoiceId: "pMsXgVXv3BLzUgSXRplE",
modelId: "eleven_multilingual_v2",
},
},
},
},
}
modelId auf eleven_v3, um ElevenLabs v3 TTS zu verwenden. OpenClaw behält
eleven_multilingual_v2 als Standard für vorhandene Installationen bei.
Discord-Sprachkanäle verwenden den Streaming-TTS-Endpunkt von ElevenLabs, wenn ElevenLabs
der ausgewählte voice.tts-/messages.tts-Provider ist. Die Wiedergabe startet aus dem
zurückgegebenen Audiostream, statt zuerst darauf zu warten, dass OpenClaw die gesamte
Audiodatei herunterlädt und schreibt. latencyTier wird für Modelle, die dies akzeptieren,
dem ElevenLabs-Abfrageparameter optimize_streaming_latency zugeordnet; OpenClaw
lässt diesen Parameter für eleven_v3 weg, da es ihn ablehnt.
Spracherkennung
Verwenden Sie Scribe v2 für eingehende Audioanhänge und kurze aufgezeichnete Sprachsegmente:
{
tools: {
media: {
audio: {
enabled: true,
models: [{ provider: "elevenlabs", model: "scribe_v2" }],
},
},
},
}
model_id: "scribe_v2" an ElevenLabs /v1/speech-to-text. Sprachhinweise werden, falls vorhanden, language_code zugeordnet.
Streaming-STT
Das gebündelte elevenlabs-Plugin registriert Scribe v2 Realtime für Voice Call und
Streaming-Transkription im Google-Meet-Agentenmodus.
| Einstellung | Konfigurationspfad | Standard |
|---|
| API-Schlüssel | plugins.entries.voice-call.config.streaming.providers.elevenlabs.apiKey | Fällt auf ELEVENLABS_API_KEY / XI_API_KEY zurück |
| Modell | ...elevenlabs.modelId | scribe_v2_realtime |
| Audioformat | ...elevenlabs.audioFormat | ulaw_8000 |
| Abtastrate | ...elevenlabs.sampleRate | 8000 |
| Commit-Strategie | ...elevenlabs.commitStrategy | vad |
| Sprache | ...elevenlabs.languageCode | (nicht gesetzt) |
{
plugins: {
entries: {
"voice-call": {
config: {
streaming: {
enabled: true,
provider: "elevenlabs",
providers: {
elevenlabs: {
apiKey: "${ELEVENLABS_API_KEY}",
audioFormat: "ulaw_8000",
commitStrategy: "vad",
languageCode: "en",
},
},
},
},
},
},
},
}
Voice Call empfängt Twilio-Medien als 8 kHz G.711 u-law. Der ElevenLabs-Realtime-
Provider verwendet standardmäßig ulaw_8000, sodass Telefonie-Frames ohne
Transkodierung weitergeleitet werden können.
plugins.entries.google-meet.config.realtime.transcriptionProvider auf
"elevenlabs" und konfigurieren denselben Provider-Block unter
plugins.entries.google-meet.config.realtime.providers.elevenlabs.
Verwandte Themen
