ElevenLabs - OpenClaw

OpenClaw 使用 ElevenLabs 進行文字轉語音、透過 Scribe v2 進行批次語音轉文字，以及透過 Scribe v2 Realtime 進行串流 STT。

功能	OpenClaw 介面	預設值
文字轉語音	`messages.tts` / `talk`	`eleven_multilingual_v2`
批次語音轉文字	`tools.media.audio`	`scribe_v2`
串流語音轉文字	Voice Call 串流或 Google Meet `realtime.transcriptionProvider`	`scribe_v2_realtime`

驗證

在環境中設定 ELEVENLABS_API_KEY。也接受 XI_API_KEY，以相容既有的 ElevenLabs 工具。

export ELEVENLABS_API_KEY="..."

文字轉語音

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

將 modelId 設為 eleven_v3 即可使用 ElevenLabs v3 TTS。OpenClaw 仍將 eleven_multilingual_v2 保留為既有安裝的預設值。當 ElevenLabs 是選定的 voice.tts/messages.tts 提供者時，Discord 語音頻道會使用 ElevenLabs 的串流 TTS 端點。播放會從傳回的音訊串流開始，而不是先等待 OpenClaw 下載並寫入整個音訊檔案。對於接受該參數的模型，latencyTier 會對應至 ElevenLabs 的 optimize_streaming_latency 查詢參數；OpenClaw 會針對 eleven_v3 省略該參數，因為它會拒絕該參數。

語音轉文字

針對傳入音訊附件和短錄音語音片段使用 Scribe v2：

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

OpenClaw 會將多部分音訊傳送至 ElevenLabs /v1/speech-to-text，並使用 model_id: "scribe_v2"。語言提示存在時會對應至 language_code。

串流 STT

內建的 elevenlabs Plugin 會為 Voice Call 和 Google Meet agent 模式串流轉錄註冊 Scribe v2 Realtime。

設定	設定路徑	預設值
API 金鑰	`plugins.entries.voice-call.config.streaming.providers.elevenlabs.apiKey`	回退至 `ELEVENLABS_API_KEY` / `XI_API_KEY`
模型	`...elevenlabs.modelId`	`scribe_v2_realtime`
音訊格式	`...elevenlabs.audioFormat`	`ulaw_8000`
取樣率	`...elevenlabs.sampleRate`	`8000`
提交策略	`...elevenlabs.commitStrategy`	`vad`
語言	`...elevenlabs.languageCode`	（未設定）

{
  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 會以 8 kHz G.711 u-law 接收 Twilio 媒體。ElevenLabs 即時提供者預設為 ulaw_8000，因此電話語音影格可以不經轉碼直接轉送。

若使用 Google Meet agent 模式，請將 plugins.entries.google-meet.config.realtime.transcriptionProvider 設為 "elevenlabs"，並在 plugins.entries.google-meet.config.realtime.providers.elevenlabs 下設定相同的提供者區塊。

Documentation Index

​驗證

​文字轉語音

​語音轉文字

​串流 STT

​相關

驗證

文字轉語音

語音轉文字

串流 STT

相關