ElevenLabs

OpenClaw использует ElevenLabs для преобразования текста в речь, пакетного распознавания речи с помощью Scribe v2 и потокового распознавания речи с помощью Scribe v2 Realtime. Плагин входит в комплект и включён по умолчанию; шаг plugins install не требуется.

Возможность	Интерфейс OpenClaw	Значение по умолчанию
Преобразование текста в речь	`messages.tts` / `talk`	`eleven_multilingual_v2`
Пакетное распознавание речи	`tools.media.audio`	`scribe_v2`
Потоковое распознавание речи	Потоковая передача Voice Call или Google Meet `realtime.transcriptionProvider`	`scribe_v2_realtime`

Аутентификация

Задайте ELEVENLABS_API_KEY в окружении. XI_API_KEY также поддерживается для совместимости с существующими инструментами ElevenLabs.

export ELEVENLABS_API_KEY="..."

Преобразование текста в речь

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

Задайте modelId равным eleven_v3, чтобы использовать ElevenLabs v3 TTS. OpenClaw сохраняет eleven_multilingual_v2 в качестве значения по умолчанию для существующих установок. Голосовые каналы Discord используют потоковую конечную точку TTS ElevenLabs, когда ElevenLabs выбран в качестве провайдера voice.tts/messages.tts: воспроизведение начинается из возвращённого аудиопотока, не дожидаясь, пока OpenClaw сначала загрузит весь аудиофайл. latencyTier сопоставляется с параметром запроса ElevenLabs optimize_streaming_latency для моделей, которые его поддерживают; OpenClaw не передаёт этот параметр для eleven_v3, поскольку эта модель его отклоняет.

Распознавание речи

Используйте Scribe v2 для входящих аудиовложений и коротких записанных голосовых фрагментов:

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

OpenClaw отправляет аудио в формате multipart в ElevenLabs /v1/speech-to-text с model_id: "scribe_v2". Подсказки языка при наличии сопоставляются с language_code.

Потоковое распознавание речи

Входящий в комплект плагин elevenlabs регистрирует Scribe v2 Realtime для потоковой транскрипции Voice Call и Google Meet в режиме агента.

Настройка	Путь конфигурации	Значение по умолчанию
Ключ API	`plugins.entries.voice-call.config.streaming.providers.elevenlabs.apiKey`	Резервно используются `ELEVENLABS_API_KEY` / `XI_API_KEY`
Модель	`...elevenlabs.modelId`	`scribe_v2_realtime`
Формат аудио	`...elevenlabs.audioFormat`	`ulaw_8000`
Частота дискретизации	`...elevenlabs.sampleRate`	`8000`
Стратегия фиксации	`...elevenlabs.commitStrategy`	`vad`
Язык	`...elevenlabs.languageCode`	(не задано)

{
  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 получает медиаданные Twilio в формате 8 кГц G.711 u-law. Провайдер реального времени ElevenLabs по умолчанию использует ulaw_8000, поэтому кадры телефонии можно передавать без перекодирования.

Для режима агента Google Meet задайте plugins.entries.google-meet.config.realtime.transcriptionProvider равным "elevenlabs" и настройте тот же блок провайдера в plugins.entries.google-meet.config.realtime.providers.elevenlabs.

Overview

Concepts and configuration

Providers

Аутентификация

Преобразование текста в речь

Распознавание речи

Потоковое распознавание речи

См. также

​Аутентификация

​Преобразование текста в речь

​Распознавание речи

​Потоковое распознавание речи

​См. также

Аутентификация

Преобразование текста в речь

Распознавание речи

Потоковое распознавание речи

См. также