OpenClaw używa ElevenLabs do zamiany tekstu na mowę, wsadowej zamiany mowy na tekst za pomocą Scribe
v2 oraz strumieniowego STT za pomocą Scribe v2 Realtime.
| Możliwość | Interfejs OpenClaw | Domyślne |
|---|
| Zamiana tekstu na mowę | messages.tts / talk | eleven_multilingual_v2 |
| Wsadowa zamiana mowy na tekst | tools.media.audio | scribe_v2 |
| Strumieniowa zamiana mowy na tekst | Strumieniowanie Voice Call lub Google Meet realtime.transcriptionProvider | scribe_v2_realtime |
Uwierzytelnianie
Ustaw ELEVENLABS_API_KEY w środowisku. XI_API_KEY jest również akceptowany w celu
zgodności z istniejącymi narzędziami ElevenLabs.
export ELEVENLABS_API_KEY="..."
Zamiana tekstu na mowę
{
messages: {
tts: {
providers: {
elevenlabs: {
apiKey: "${ELEVENLABS_API_KEY}",
speakerVoiceId: "pMsXgVXv3BLzUgSXRplE",
modelId: "eleven_multilingual_v2",
},
},
},
},
}
modelId na eleven_v3, aby użyć ElevenLabs v3 TTS. OpenClaw zachowuje
eleven_multilingual_v2 jako wartość domyślną dla istniejących instalacji.
Kanały głosowe Discord używają strumieniowego punktu końcowego TTS ElevenLabs, gdy ElevenLabs jest
wybranym dostawcą voice.tts/messages.tts. Odtwarzanie rozpoczyna się ze
zwróconego strumienia audio zamiast czekać, aż OpenClaw najpierw pobierze i zapisze
cały plik audio. latencyTier mapuje się na parametr zapytania ElevenLabs
optimize_streaming_latency dla modeli, które go obsługują; OpenClaw
pomija ten parametr dla eleven_v3, który go odrzuca.
Zamiana mowy na tekst
Użyj Scribe v2 dla przychodzących załączników audio i krótkich nagranych segmentów głosowych:
{
tools: {
media: {
audio: {
enabled: true,
models: [{ provider: "elevenlabs", model: "scribe_v2" }],
},
},
},
}
/v1/speech-to-text z
model_id: "scribe_v2". Wskazówki językowe mapują się na language_code, gdy są obecne.
Strumieniowe STT
Dołączony Plugin elevenlabs rejestruje Scribe v2 Realtime dla strumieniowej transkrypcji w trybie agenta
Voice Call i Google Meet.
| Ustawienie | Ścieżka konfiguracji | Domyślne |
|---|
| Klucz API | plugins.entries.voice-call.config.streaming.providers.elevenlabs.apiKey | Wraca do ELEVENLABS_API_KEY / XI_API_KEY |
| Model | ...elevenlabs.modelId | scribe_v2_realtime |
| Format audio | ...elevenlabs.audioFormat | ulaw_8000 |
| Częstotliwość próbkowania | ...elevenlabs.sampleRate | 8000 |
| Strategia zatwierdzania | ...elevenlabs.commitStrategy | vad |
| Język | ...elevenlabs.languageCode | (nie ustawiono) |
{
plugins: {
entries: {
"voice-call": {
config: {
streaming: {
enabled: true,
provider: "elevenlabs",
providers: {
elevenlabs: {
apiKey: "${ELEVENLABS_API_KEY}",
audioFormat: "ulaw_8000",
commitStrategy: "vad",
languageCode: "en",
},
},
},
},
},
},
},
}
Voice Call odbiera multimedia Twilio jako 8 kHz G.711 u-law. Dostawca czasu rzeczywistego
ElevenLabs domyślnie używa ulaw_8000, więc ramki telefoniczne można przekazywać bez
transkodowania.
plugins.entries.google-meet.config.realtime.transcriptionProvider na
"elevenlabs" i skonfiguruj ten sam blok dostawcy pod
plugins.entries.google-meet.config.realtime.providers.elevenlabs.
Powiązane
