Saltar al contenido principal

Documentation Index

Fetch the complete documentation index at: https://docs2.openclaw.ai/llms.txt

Use this file to discover all available pages before exploring further.

OpenClaw usa ElevenLabs para conversión de texto a voz, conversión de voz a texto por lotes con Scribe v2 y STT en streaming con Scribe v2 Realtime.
CapacidadSuperficie de OpenClawPredeterminado
Conversión de texto a vozmessages.tts / talkeleven_multilingual_v2
Conversión de voz a texto por lotestools.media.audioscribe_v2
Conversión de voz a texto en streamingStreaming de Voice Call o realtime.transcriptionProvider de Google Meetscribe_v2_realtime

​
Autenticación

Define ELEVENLABS_API_KEY en el entorno. XI_API_KEY también se acepta por compatibilidad con las herramientas existentes de ElevenLabs. 
export ELEVENLABS_API_KEY="..."

​
Conversión de texto a voz

{
  messages: {
    tts: {
      providers: {
        elevenlabs: {
          apiKey: "${ELEVENLABS_API_KEY}",
          voiceId: "pMsXgVXv3BLzUgSXRplE",
          modelId: "eleven_multilingual_v2",
        },
      },
    },
  },
}
Define modelId como eleven_v3 para usar TTS v3 de ElevenLabs. OpenClaw mantiene eleven_multilingual_v2 como valor predeterminado para las instalaciones existentes. Los canales de voz de Discord usan el endpoint de TTS en streaming de ElevenLabs cuando ElevenLabs es el proveedor voice.tts/messages.tts seleccionado. La reproducción comienza desde el flujo de audio devuelto en lugar de esperar a que OpenClaw descargue y escriba primero todo el archivo de audio. latencyTier se asigna al parámetro de consulta optimize_streaming_latency de ElevenLabs para los modelos que lo aceptan; OpenClaw omite ese parámetro para eleven_v3, que lo rechaza.

​
Conversión de voz a texto

Usa Scribe v2 para adjuntos de audio entrantes y segmentos cortos de voz grabada: 
{
  tools: {
    media: {
      audio: {
        enabled: true,
        models: [{ provider: "elevenlabs", model: "scribe_v2" }],
      },
    },
  },
}
OpenClaw envía audio multipart a /v1/speech-to-text de ElevenLabs con model_id: "scribe_v2". Las sugerencias de idioma se asignan a language_code cuando están presentes.

​
STT en streaming

El Plugin elevenlabs incluido registra Scribe v2 Realtime para Voice Call y transcripción en streaming en modo agente de Google Meet.
AjusteRuta de configuraciónPredeterminado
Clave de APIplugins.entries.voice-call.config.streaming.providers.elevenlabs.apiKeyRecurre a ELEVENLABS_API_KEY / XI_API_KEY
Modelo...elevenlabs.modelIdscribe_v2_realtime
Formato de audio...elevenlabs.audioFormatulaw_8000
Frecuencia de muestreo...elevenlabs.sampleRate8000
Estrategia de confirmación...elevenlabs.commitStrategyvad
Idioma...elevenlabs.languageCode(sin definir)
{
  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 recibe medios de Twilio como G.711 u-law a 8 kHz. El proveedor en tiempo real de ElevenLabs usa ulaw_8000 de forma predeterminada, por lo que los fotogramas de telefonía se pueden reenviar sin transcodificación.
Para el modo agente de Google Meet, define plugins.entries.google-meet.config.realtime.transcriptionProvider como "elevenlabs" y configura el mismo bloque de proveedor en plugins.entries.google-meet.config.realtime.providers.elevenlabs.

​
Relacionado