跳轉到主要內容
OpenClaw 使用 ElevenLabs 進行文字轉語音、使用 Scribe v2 進行批次語音轉文字，並使用 Scribe v2 Realtime 進行串流 STT。此外掛已內建且 預設啟用；不需要 plugins install 步驟。
功能OpenClaw 介面預設值
文字轉語音messages.tts / talkeleven_multilingual_v2
批次語音轉文字tools.media.audioscribe_v2
串流語音轉文字語音通話串流或 Google Meet realtime.transcriptionProviderscribe_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 以使用 ElevenLabs v3 TTS。OpenClaw 仍將 eleven_multilingual_v2 作為既有安裝的預設值。 當 ElevenLabs 是所選的 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 下載完整音訊檔案。latencyTier 會對應到 ElevenLabs 的 optimize_streaming_latency 查詢參數，供接受該參數的模型使用；OpenClaw 對 eleven_v3 會省略該參數，因為它會拒絕此參數。

​
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 multipart 音訊傳送到 ElevenLabs /v1/speech-to-text，並使用 model_id: "scribe_v2"。語言提示若存在，會對應到 language_code。

​
串流 STT

內建的 elevenlabs 外掛會為語音通話和 Google Meet agent-mode 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回退到 ELEVENLABS_API_KEY / XI_API_KEY
模型...elevenlabs.modelIdscribe_v2_realtime
音訊格式...elevenlabs.audioFormatulaw_8000
取樣率...elevenlabs.sampleRate8000
提交策略...elevenlabs.commitStrategyvad
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",
              },
            },
          },
        },
      },
    },
  },
}
語音通話接收 Twilio 媒體為 8 kHz G.711 u-law。ElevenLabs realtime 提供者預設為 ulaw_8000，因此電話語音框架可不經轉碼直接轉送。
對於 Google Meet agent mode，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。

​
相關