Skip to main content
OpenClaw 使用 ElevenLabs 进行文本转语音，使用 Scribe v2 进行批量语音转文本，并使用 Scribe v2 Realtime 进行流式 STT。该插件已内置并默认启用；不需要执行 plugins install 步骤。
能力OpenClaw 暴露面默认值
文本转语音messages.tts / talkeleven_multilingual_v2
批量语音转文本tools.media.audioscribe_v2
流式语音转文本Voice Call 流式传输或 Google Meet realtime.transcriptionProviderscribe_v2_realtime

​
身份验证

在环境中设置 ELEVENLABS_API_KEY。也接受 XI_API_KEY，以兼容现有的 ElevenLabs 工具。 
export ELEVENLABS_API_KEY="..."

​
文本转语音

{
  messages: {
    tts: {
      providers: {
        elevenlabs: {
          apiKey: "${ELEVENLABS_API_KEY}",
          voiceId: "pMsXgVXv3BLzUgSXRplE",
          modelId: "eleven_multilingual_v2",
        },
      },
    },
  },
}
将 modelId 设置为 eleven_v3 以使用 ElevenLabs v3 TTS。OpenClaw 将 eleven_multilingual_v2 保留为现有安装的默认值。 当 ElevenLabs 是所选的 voice.tts/messages.tts 提供商时，Discord 语音频道会使用 ElevenLabs 的流式 TTS 端点：播放会从返回的音频流开始，而不是先等待 OpenClaw 下载完整音频文件。对于接受该参数的模型，latencyTier 会映射到 ElevenLabs 的 optimize_streaming_latency 查询参数；OpenClaw 会为 eleven_v3 省略该参数，因为它会拒绝该参数。

​
语音转文本

对传入的音频附件和较短的录制语音片段使用 Scribe v2： 
{
  tools: {
    media: {
      audio: {
        enabled: true,
        models: [{ provider: "elevenlabs", model: "scribe_v2" }],
      },
    },
  },
}
OpenClaw 会将 multipart 音频发送到 ElevenLabs /v1/speech-to-text，并带上 model_id: "scribe_v2"。存在语言提示时，它们会映射到 language_code。

​
流式 STT

内置的 elevenlabs 插件会为 Voice Call 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 keyplugins.entries.voice-call.config.streaming.providers.elevenlabs.apiKey回退到 ELEVENLABS_API_KEY / XI_API_KEY
模型...elevenlabs.modelIdscribe_v2_realtime
音频格式...elevenlabs.audioFormatulaw_8000
采样率...elevenlabs.sampleRate8000
提交策略...elevenlabs.commitStrategyvad
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",
              },
            },
          },
        },
      },
    },
  },
}
Voice Call 会接收 Twilio 媒体作为 8 kHz G.711 u-law。ElevenLabs realtime 提供商默认使用 ulaw_8000，因此电话语音帧可以无需转码直接转发。
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。

​
相关内容