ElevenLabs

OpenClaw 使用 ElevenLabs 进行文本转语音、通过 Scribe v2 进行批量语音转文本，以及通过 Scribe v2 Realtime 进行流式 STT。该插件已内置且默认启用；无需执行 plugins install 步骤。

能力	OpenClaw 功能界面	默认值
文本转语音	`tts` / `talk`	`eleven_multilingual_v2`
批量语音转文本	`tools.media.audio`	`scribe_v2`
流式语音转文本	语音通话流式传输或 Google Meet `realtime.transcriptionProvider`	`scribe_v2_realtime`

身份验证

在环境中设置 ELEVENLABS_API_KEY。为兼容现有 ElevenLabs 工具，也接受 XI_API_KEY。

export ELEVENLABS_API_KEY="..."

文本转语音

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

将 modelId 设置为 eleven_v3 即可使用 ElevenLabs v3 TTS。对于现有安装，OpenClaw 仍将 eleven_multilingual_v2 保持为默认值。当 ElevenLabs 是所选的 voice.tts/tts 提供商时，Discord 语音频道会使用 ElevenLabs 的流式 TTS 端点：播放直接从返回的音频流开始，而不是先等待 OpenClaw 下载完整音频文件。对于支持该参数的模型，latencyTier 会映射到 ElevenLabs 的 optimize_streaming_latency 查询参数；对于会拒绝该参数的 eleven_v3，OpenClaw 会省略此参数。

语音转文本

对入站音频附件和短时录制语音片段使用 Scribe v2：

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

OpenClaw 使用 model_id: "scribe_v2" 将 multipart 音频发送到 ElevenLabs /v1/speech-to-text。如果存在语言提示，则会映射到 language_code。

流式 STT

内置的 elevenlabs 插件为语音通话和 Google Meet Agent 模式流式转录注册 Scribe v2 Realtime。

设置	配置路径	默认值
API 密钥	`plugins.entries.voice-call.config.streaming.providers.elevenlabs.apiKey`	回退到 `ELEVENLABS_API_KEY` / `XI_API_KEY`
模型	`...elevenlabs.modelId`	`scribe_v2_realtime`
音频格式	`...elevenlabs.audioFormat`	`ulaw_8000`
采样率	`...elevenlabs.sampleRate`	`8000`
提交策略	`...elevenlabs.commitStrategy`	`vad`
语言	`...elevenlabs.languageCode`	（未设置）

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

语音通话以 8 kHz G.711 μ-law 格式接收 Twilio 媒体。ElevenLabs 实时提供商默认为 ulaw_8000，因此可以直接转发电话音频帧，无需转码。

对于 Google Meet Agent 模式，将 plugins.entries.google-meet.config.realtime.transcriptionProvider 设置为 "elevenlabs"，并在 plugins.entries.google-meet.config.realtime.providers.elevenlabs 下配置相同的提供商块。

概览

模型概念

提供商

身份验证

文本转语音

语音转文本

流式 STT

相关内容

​身份验证

​文本转语音

​语音转文本

​流式 STT

​相关内容

身份验证

文本转语音

语音转文本

流式 STT

相关内容