ElevenLabs

O OpenClaw usa o ElevenLabs para conversão de texto em fala, conversão de fala em texto em lote com o Scribe v2 e STT por streaming com o Scribe v2 Realtime. O plugin vem incluído e habilitado por padrão; nenhuma etapa plugins install é necessária.

Recurso	Superfície do OpenClaw	Padrão
Conversão de texto em fala	`messages.tts` / `talk`	`eleven_multilingual_v2`
Conversão de fala em texto em lote	`tools.media.audio`	`scribe_v2`
Conversão de fala em texto por streaming	Streaming de chamadas de voz ou `realtime.transcriptionProvider` do Google Meet	`scribe_v2_realtime`

Autenticação

Defina ELEVENLABS_API_KEY no ambiente. XI_API_KEY também é aceita para compatibilidade com as ferramentas existentes do ElevenLabs.

export ELEVENLABS_API_KEY="..."

Conversão de texto em fala

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

Defina modelId como eleven_v3 para usar a TTS v3 do ElevenLabs. O OpenClaw mantém eleven_multilingual_v2 como padrão para instalações existentes. Os canais de voz do Discord usam o endpoint de TTS por streaming do ElevenLabs quando o ElevenLabs é o provedor voice.tts/messages.tts selecionado: a reprodução começa a partir do fluxo de áudio retornado, em vez de esperar que o OpenClaw baixe primeiro todo o arquivo de áudio. latencyTier corresponde ao parâmetro de consulta optimize_streaming_latency do ElevenLabs para os modelos que o aceitam; o OpenClaw omite esse parâmetro para eleven_v3, que o rejeita.

Conversão de fala em texto

Use o Scribe v2 para anexos de áudio recebidos e segmentos curtos de voz gravados:

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

O OpenClaw envia o áudio multipartes para /v1/speech-to-text do ElevenLabs com model_id: "scribe_v2". Quando presentes, as indicações de idioma correspondem a language_code.

STT por streaming

O plugin elevenlabs incluído registra o Scribe v2 Realtime para a transcrição por streaming de chamadas de voz e do modo agente do Google Meet.

Configuração	Caminho de configuração	Padrão
Chave de API	`plugins.entries.voice-call.config.streaming.providers.elevenlabs.apiKey`	Usa `ELEVENLABS_API_KEY` / `XI_API_KEY` como alternativa
Modelo	`...elevenlabs.modelId`	`scribe_v2_realtime`
Formato de áudio	`...elevenlabs.audioFormat`	`ulaw_8000`
Taxa de amostragem	`...elevenlabs.sampleRate`	`8000`
Estratégia de confirmação	`...elevenlabs.commitStrategy`	`vad`
Idioma	`...elevenlabs.languageCode`	(não definido)

{
  plugins: {
    entries: {
      "voice-call": {
        config: {
          streaming: {
            enabled: true,
            provider: "elevenlabs",
            providers: {
              elevenlabs: {
                apiKey: "${ELEVENLABS_API_KEY}",
                audioFormat: "ulaw_8000",
                commitStrategy: "vad",
                languageCode: "en",
              },
            },
          },
        },
      },
    },
  },
}

As chamadas de voz recebem mídia do Twilio como G.711 u-law de 8 kHz. O provedor em tempo real do ElevenLabs usa ulaw_8000 por padrão, portanto os quadros de telefonia podem ser encaminhados sem transcodificação.

Para o modo agente do Google Meet, defina plugins.entries.google-meet.config.realtime.transcriptionProvider como "elevenlabs" e configure o mesmo bloco de provedor em plugins.entries.google-meet.config.realtime.providers.elevenlabs.

Overview

Concepts and configuration

Providers

Autenticação

Conversão de texto em fala

Conversão de fala em texto

STT por streaming

Relacionados

​Autenticação

​Conversão de texto em fala

​Conversão de fala em texto

​STT por streaming

​Relacionados

Autenticação

Conversão de texto em fala

Conversão de fala em texto

STT por streaming

Relacionados