Synteza mowy (TTS) w OpenClaw

Wprowadzenie

OpenClaw umozliwia konwersje odpowiedzi agentow na audio za posrednictwem dostawcow: ElevenLabs, Microsoft, MiniMax i OpenAI. Funkcjonalnosc dziala we wszystkich kanalach obslugujacych transmisje audio.

Obslugiwani dostawcy

• ElevenLabs — zaawansowana synteza mowy, klucz: ELEVENLABS_API_KEY lub XI_API_KEY
• Microsoft — korzysta z node-edge-tts, nie wymaga klucza API. Uzywa neuronowej uslugi TTS Microsoft Edge jako best-effort bez gwarantowanego SLA.
• MiniMax — API T2A v2, klucz: MINIMAX_API_KEY
• OpenAI — obsluguje takze streszczenia, klucz: OPENAI_API_KEY

Domyslne zachowanie

TTS jest domyslnie wylaczone. Nalezy je wlaczyc w konfiguracji (messages.tts.auto) lub lokalnie poleceniem /tts on. Gdy dostawca nie jest ustawiony, OpenClaw wybiera pierwszego skonfigurowanego dostawce mowy w kolejnosci autoselection.

Konfiguracja

{
  messages: {
    tts: {
      auto: "always",
      provider: "elevenlabs"
    }
  }
}

Tryby auto-TTS

• off — wylaczone
• always — konwertuje wszystkie odpowiedzi
• inbound — audio tylko w odpowiedzi na wiadomosci glosowe
• tagged — wymaga znacznikow [[tts]] w odpowiedziach

Dyrektywy sterowane modelem

Modele moga emitowac znaczniki [[tts:...]] do dostosowywania parametrow audio per odpowiedz, w tym wyboru glosu, predkosci i ustawien stabilnosci. Przelaczanie dostawcy przez dyrektywy wymaga jawnego wlaczenia przez allowProvider: true.

Formaty wyjsciowe

• Feishu / Matrix / Telegram / WhatsApp — format Opus (48 kHz / 64 kbps)
• Inne kanaly — MP3 (44,1 kHz / 128 kbps)
• MiniMax — tylko MP3
• Microsoft — konfigurowalny przez parametr outputFormat

Komendy slash

Komenda /tts (lub /voice na Discordzie) obsluguje:

• on / off — wlacz/wylacz
• status — raport statusu
• provider [nazwa] — zmiana dostawcy
• limit [znaki] — regulacja limitu
• summary on|off — kontrola streszczania
• audio [tekst] — jednorazowa konwersja tekstu