Przejdź do głównej treści

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 używa ElevenLabs do zamiany tekstu na mowę, wsadowej zamiany mowy na tekst za pomocą Scribe v2 oraz strumieniowego STT za pomocą Scribe v2 Realtime.
FunkcjaPowierzchnia OpenClawDomyślne
Zamiana tekstu na mowęmessages.tts / talkeleven_multilingual_v2
Wsadowa zamiana mowy na teksttools.media.audioscribe_v2
Strumieniowa zamiana mowy na tekststrumieniowanie Voice Call lub Google Meet realtime.transcriptionProviderscribe_v2_realtime

​
Uwierzytelnianie

Ustaw ELEVENLABS_API_KEY w środowisku. XI_API_KEY jest także akceptowany dla zgodności z istniejącymi narzędziami ElevenLabs. 
export ELEVENLABS_API_KEY="..."

​
Zamiana tekstu na mowę

{
  messages: {
    tts: {
      providers: {
        elevenlabs: {
          apiKey: "${ELEVENLABS_API_KEY}",
          voiceId: "pMsXgVXv3BLzUgSXRplE",
          modelId: "eleven_multilingual_v2",
        },
      },
    },
  },
}
Ustaw modelId na eleven_v3, aby użyć ElevenLabs v3 TTS. OpenClaw zachowuje eleven_multilingual_v2 jako domyślną wartość dla istniejących instalacji. Kanały głosowe Discord używają strumieniowego punktu końcowego TTS ElevenLabs, gdy ElevenLabs jest wybranym dostawcą voice.tts/messages.tts. Odtwarzanie zaczyna się od 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 akceptują; 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" }],
      },
    },
  },
}
OpenClaw wysyła wieloczęściowe audio do ElevenLabs /v1/speech-to-text z model_id: "scribe_v2". Wskazówki językowe są mapowane na language_code, gdy są obecne.

​
Strumieniowe STT

Dołączony Plugin elevenlabs rejestruje Scribe v2 Realtime dla strumieniowej transkrypcji Voice Call i Google Meet w trybie agenta.
UstawienieŚcieżka konfiguracjiDomyślne
Klucz APIplugins.entries.voice-call.config.streaming.providers.elevenlabs.apiKeyUżywa zastępczo ELEVENLABS_API_KEY / XI_API_KEY
Model...elevenlabs.modelIdscribe_v2_realtime
Format audio...elevenlabs.audioFormatulaw_8000
Częstotliwość próbkowania...elevenlabs.sampleRate8000
Strategia zatwierdzania...elevenlabs.commitStrategyvad
Język...elevenlabs.languageCode(nieustawione)
{
  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 mogą być przekazywane bez transkodowania.
W trybie agenta Google Meet ustaw 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