ElevenLabs

OpenClaw は、テキスト読み上げ、Scribe v2 によるバッチ音声テキスト変換、および Scribe v2 Realtime によるストリーミング STT に ElevenLabs を使用します。この Plugin は同梱され、デフォルトで有効になっているため、plugins install の手順は不要です。

機能	OpenClaw の機能	デフォルト
テキスト読み上げ	`tts` / `talk`	`eleven_multilingual_v2`
バッチ音声テキスト変換	`tools.media.audio`	`scribe_v2`
ストリーミング音声テキスト変換	Voice Call ストリーミングまたは Google Meet `realtime.transcriptionProvider`	`scribe_v2_realtime`

認証

環境に ELEVENLABS_API_KEY を設定します。既存の ElevenLabs ツールとの互換性のため、XI_API_KEY も使用できます。

export ELEVENLABS_API_KEY="..."

テキスト読み上げ

{
  tts: {
    providers: {
      elevenlabs: {
        apiKey: "${ELEVENLABS_API_KEY}",
        voiceId: "pMsXgVXv3BLzUgSXRplE",
        modelId: "eleven_multilingual_v2",
      },
    },
  },
}

ElevenLabs v3 TTS を使用するには、modelId を eleven_v3 に設定します。OpenClaw は既存のインストール環境向けに eleven_multilingual_v2 をデフォルトとして維持します。 ElevenLabs が選択された voice.tts/tts プロバイダーの場合、Discord の音声チャンネルは ElevenLabs のストリーミング TTS エンドポイントを使用します。OpenClaw が音声ファイル全体を先にダウンロードするのを待たず、返された音声ストリームから再生を開始します。 latencyTier は、それを受け付けるモデルでは ElevenLabs の optimize_streaming_latency クエリパラメーターに対応します。OpenClaw は、このパラメーターを拒否する eleven_v3 では省略します。

音声テキスト変換

受信した音声添付ファイルと短い録音音声セグメントには、Scribe v2 を使用します。

{
  tools: {
    media: {
      audio: {
        enabled: true,
        models: [{ provider: "elevenlabs", model: "scribe_v2" }],
      },
    },
  },
}

OpenClaw は、model_id: "scribe_v2" を使用してマルチパート音声を ElevenLabs の /v1/speech-to-text に送信します。言語ヒントがある場合は、language_code に対応付けられます。

ストリーミング STT

同梱の elevenlabs Plugin は、Voice Call と Google Meet のエージェントモードのストリーミング文字起こし用に Scribe v2 Realtime を登録します。

設定	設定パス	デフォルト
API キー	`plugins.entries.voice-call.config.streaming.providers.elevenlabs.apiKey`	`ELEVENLABS_API_KEY` / `XI_API_KEY` にフォールバック
モデル	`...elevenlabs.modelId`	`scribe_v2_realtime`
音声形式	`...elevenlabs.audioFormat`	`ulaw_8000`
サンプルレート	`...elevenlabs.sampleRate`	`8000`
コミット方式	`...elevenlabs.commitStrategy`	`vad`
言語	`...elevenlabs.languageCode`	（未設定）

{
  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 は、Twilio メディアを 8 kHz G.711 u-law として受信します。ElevenLabs のリアルタイムプロバイダーはデフォルトで ulaw_8000 を使用するため、電話通信用フレームをトランスコードせずに転送できます。

Google Meet のエージェントモードでは、 plugins.entries.google-meet.config.realtime.transcriptionProvider を "elevenlabs" に設定し、 plugins.entries.google-meet.config.realtime.providers.elevenlabs の下に同じプロバイダーブロックを設定します。

Overview

Concepts and configuration

Providers

認証

テキスト読み上げ

音声テキスト変換

ストリーミング STT

関連項目

​認証

​テキスト読み上げ

​音声テキスト変換

​ストリーミング STT

​関連項目

認証

テキスト読み上げ

音声テキスト変換

ストリーミング STT

関連項目