ElevenLabs - OpenClaw

OpenClaw は、テキスト読み上げに ElevenLabs、Scribe v2 によるバッチ音声テキスト変換、Scribe v2 Realtime によるストリーミング STT を使用します。

機能	OpenClaw サーフェス	デフォルト
テキスト読み上げ	`messages.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	音声通話ストリーミングまたは Google Meet `realtime.transcriptionProvider`	`scribe_v2_realtime`

認証

環境で 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 も受け付けます。

export ELEVENLABS_API_KEY="..."

テキスト読み上げ

{
  messages: {
    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向けのデフォルトとして eleven_multilingual_v2 を維持します。 Discord 音声チャンネルは、ElevenLabs が選択された voice.tts/messages.tts プロバイダーの場合、ElevenLabs のストリーミング TTS エンドポイントを使用します。再生は、OpenClaw が音声ファイル全体を先にダウンロードして書き込むのを待つのではなく、返された音声ストリームから開始されます。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、それを拒否する eleven_v3 ではこのパラメーターを省略します。

音声テキスト変換

受信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" を指定して ElevenLabs /v1/speech-to-text にマルチパート音声を送信します。言語ヒントがある場合は language_code に対応します。

ストリーミング STT

同梱の elevenlabs Plugin は、音声通話と Google Meet エージェントモードのストリーミング文字起こし向けに 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`
コミット戦略	`...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",
              },
            },
          },
        },
      },
    },
  },
}

音声通話は Twilio メディアを 8 kHz G.711 u-law として受信します。ElevenLabs 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、電話フレームはトランスコードせずに転送できます。

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

Documentation Index

​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

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