تبدیل متن به گفتار

OpenClaw می‌تواند پاسخ‌های خروجی را با ۱۴ ارائه‌دهنده گفتار به صوت تبدیل کند و پیام‌های صوتی بومی را در Feishu، Matrix، Telegram و WhatsApp، پیوست‌های صوتی را در سایر جاها، و جریان‌های PCM/Ulaw را برای تلفنی و Talk تحویل دهد.

TTS نیمه خروجی گفتارِ حالت stt-tts در Talk است. نشست‌های Talk با realtime بومیِ ارائه‌دهنده، گفتار را داخل ارائه‌دهنده بلادرنگ تولید می‌کنند، به‌جای اینکه این مسیر TTS را فراخوانی کنند، در حالی که نشست‌های transcription پاسخ صوتی دستیار را تولید نمی‌کنند.

# شروع سریع

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

# ارائه‌دهندگان پشتیبانی‌شده

اگر چند ارائه‌دهنده پیکربندی شده باشند، ارائه‌دهنده انتخاب‌شده ابتدا استفاده می‌شود و سایر موارد گزینه‌های جایگزین هستند. خلاصه‌سازی خودکار از summaryModel (یا agents.defaults.model.primary) استفاده می‌کند، بنابراین اگر خلاصه‌ها را فعال نگه می‌دارید، آن ارائه‌دهنده نیز باید احراز هویت شده باشد.

# پیکربندی

پیکربندی TTS زیر messages.tts در ~/.openclaw/openclaw.json قرار دارد. یک پیش‌تنظیم انتخاب کنید و بلوک ارائه‌دهنده را تطبیق دهید:

{
messages: {
tts: {
  auto: "always",
  provider: "azure-speech",
  providers: {
    "azure-speech": {
      apiKey: "${AZURE_SPEECH_KEY}",
      region: "eastus",
      voice: "en-US-JennyNeural",
      lang: "en-US",
      outputFormat: "audio-24khz-48kbitrate-mono-mp3",
      voiceNoteOutputFormat: "ogg-24khz-16bit-mono-opus",
    },
  },
},
},
}

{
messages: {
tts: {
  auto: "always",
  provider: "elevenlabs",
  providers: {
    elevenlabs: {
      apiKey: "${ELEVENLABS_API_KEY}",
      model: "eleven_multilingual_v2",
      voiceId: "EXAVITQu4vr4xnSDxMaL",
    },
  },
},
},
}

{
messages: {
tts: {
  auto: "always",
  provider: "google",
  providers: {
    google: {
      apiKey: "${GEMINI_API_KEY}",
      model: "gemini-3.1-flash-tts-preview",
      voiceName: "Kore",
      // Optional natural-language style prompts:
      // audioProfile: "Speak in a calm, podcast-host tone.",
      // speakerName: "Alex",
    },
  },
},
},
}

{
messages: {
tts: {
  auto: "always",
  provider: "gradium",
  providers: {
    gradium: {
      apiKey: "${GRADIUM_API_KEY}",
      voiceId: "YTpq7expH9539ERJ",
    },
  },
},
},
}

{
messages: {
tts: {
  auto: "always",
  provider: "inworld",
  providers: {
    inworld: {
      apiKey: "${INWORLD_API_KEY}",
      modelId: "inworld-tts-1.5-max",
      voiceId: "Sarah",
      temperature: 0.7,
    },
  },
},
},
}

{
messages: {
tts: {
  auto: "always",
  provider: "tts-local-cli",
  providers: {
    "tts-local-cli": {
      command: "say",
      args: ["-o", "{{OutputPath}}", "{{Text}}"],
      outputFormat: "wav",
      timeoutMs: 120000,
    },
  },
},
},
}

{
messages: {
tts: {
  auto: "always",
  provider: "microsoft",
  providers: {
    microsoft: {
      enabled: true,
      voice: "en-US-MichelleNeural",
      lang: "en-US",
      outputFormat: "audio-24khz-48kbitrate-mono-mp3",
      rate: "+0%",
      pitch: "+0%",
    },
  },
},
},
}

{
messages: {
tts: {
  auto: "always",
  provider: "minimax",
  providers: {
    minimax: {
      apiKey: "${MINIMAX_API_KEY}",
      model: "speech-2.8-hd",
      voiceId: "English_expressive_narrator",
      speed: 1.0,
      vol: 1.0,
      pitch: 0,
    },
  },
},
},
}

{
messages: {
tts: {
  auto: "always",
  provider: "openai",
  summaryModel: "openai/gpt-4.1-mini",
  modelOverrides: { enabled: true },
  providers: {
    openai: {
      apiKey: "${OPENAI_API_KEY}",
      model: "gpt-4o-mini-tts",
      voice: "alloy",
    },
    elevenlabs: {
      apiKey: "${ELEVENLABS_API_KEY}",
      model: "eleven_multilingual_v2",
      voiceId: "EXAVITQu4vr4xnSDxMaL",
      voiceSettings: { stability: 0.5, similarityBoost: 0.75, style: 0.0, useSpeakerBoost: true, speed: 1.0 },
      applyTextNormalization: "auto",
      languageCode: "en",
    },
  },
},
},
}

{
messages: {
tts: {
  auto: "always",
  provider: "openrouter",
  providers: {
    openrouter: {
      apiKey: "${OPENROUTER_API_KEY}",
      model: "hexgrad/kokoro-82m",
      voice: "af_alloy",
      responseFormat: "mp3",
    },
  },
},
},
}

{
messages: {
tts: {
  auto: "always",
  provider: "volcengine",
  providers: {
    volcengine: {
      apiKey: "${VOLCENGINE_TTS_API_KEY}",
      resourceId: "seed-tts-1.0",
      voice: "en_female_anna_mars_bigtts",
    },
  },
},
},
}

{
messages: {
tts: {
  auto: "always",
  provider: "xai",
  providers: {
    xai: {
      apiKey: "${XAI_API_KEY}",
      voiceId: "eve",
      language: "en",
      responseFormat: "mp3",
    },
  },
},
},
}

{
messages: {
tts: {
  auto: "always",
  provider: "xiaomi",
  providers: {
    xiaomi: {
      apiKey: "${XIAOMI_API_KEY}",
      model: "mimo-v2.5-tts",
      voice: "mimo_default",
      format: "mp3",
    },
  },
},
},
}

# بازنویسی‌های صدای هر عامل

وقتی یک عامل باید با ارائه‌دهنده، صدا، مدل، شخصیت یا حالت TTS خودکار متفاوتی صحبت کند، از agents.list[].tts استفاده کنید. بلوک عامل به‌صورت عمیق روی messages.tts ادغام می‌شود، بنابراین اعتبارنامه‌های ارائه‌دهنده می‌توانند در پیکربندی سراسری ارائه‌دهنده باقی بمانند:

{
  messages: {
    tts: {
      auto: "always",
      provider: "elevenlabs",
      providers: {
        elevenlabs: { apiKey: "${ELEVENLABS_API_KEY}", model: "eleven_multilingual_v2" },
      },
    },
  },
  agents: {
    list: [
      {
        id: "reader",
        tts: {
          providers: {
            elevenlabs: { voiceId: "EXAVITQu4vr4xnSDxMaL" },
          },
        },
      },
    ],
  },
}

برای ثابت کردن شخصیت هر عامل، agents.list[].tts.persona را کنار پیکربندی ارائه‌دهنده تنظیم کنید — این مقدار messages.tts.persona سراسری را فقط برای همان عامل بازنویسی می‌کند.

ترتیب تقدم برای پاسخ‌های خودکار، /tts audio، /tts status و ابزار عامل tts:

1. messages.tts
2. agents.list[].tts فعال
3. بازنویسی کانال، وقتی کانال از channels.<channel>.tts پشتیبانی می‌کند
4. بازنویسی حساب، وقتی کانال channels.<channel>.accounts.<id>.tts را می‌گذراند
5. ترجیحات محلی /tts برای این میزبان
6. دستورالعمل‌های درون‌خطی [[tts:...]] وقتی بازنویسی‌های مدل فعال باشند

بازنویسی‌های کانال و حساب از همان ساختار messages.tts استفاده می‌کنند و به‌صورت عمیق روی لایه‌های قبلی ادغام می‌شوند، بنابراین اعتبارنامه‌های مشترک ارائه‌دهنده می‌توانند در messages.tts بمانند، در حالی که یک کانال یا حساب بات فقط صدا، مدل، پرسونا، یا حالت خودکار را تغییر می‌دهد:

{
  messages: {
    tts: {
      provider: "openai",
      providers: {
        openai: { apiKey: "${OPENAI_API_KEY}", model: "gpt-4o-mini-tts" },
      },
    },
  },
  channels: {
    feishu: {
      accounts: {
        english: {
          tts: {
            providers: {
              openai: { voice: "shimmer" },
            },
          },
        },
      },
    },
  },
}

# پرسوناها

یک پرسونا هویت گفتاری پایداری است که می‌تواند به‌صورت قطعی در میان ارائه‌دهندگان اعمال شود. می‌تواند یک ارائه‌دهنده را ترجیح دهد، نیت پرامپت مستقل از ارائه‌دهنده را تعریف کند، و اتصال‌های ویژه ارائه‌دهنده را برای صداها، مدل‌ها، قالب‌های پرامپت، seedها و تنظیمات صدا همراه داشته باشد.

# پرسونای حداقلی

{
  messages: {
    tts: {
      auto: "always",
      persona: "narrator",
      personas: {
        narrator: {
          label: "Narrator",
          provider: "elevenlabs",
          providers: {
            elevenlabs: { voiceId: "EXAVITQu4vr4xnSDxMaL", modelId: "eleven_multilingual_v2" },
          },
        },
      },
    },
  },
}

# پرسونای کامل (پرامپت مستقل از ارائه‌دهنده)

{
  messages: {
    tts: {
      auto: "always",
      persona: "alfred",
      personas: {
        alfred: {
          label: "Alfred",
          description: "Dry, warm British butler narrator.",
          provider: "google",
          fallbackPolicy: "preserve-persona",
          prompt: {
            profile: "A brilliant British butler. Dry, witty, warm, charming, emotionally expressive, never generic.",
            scene: "A quiet late-night study. Close-mic narration for a trusted operator.",
            sampleContext: "The speaker is answering a private technical request with concise confidence and dry warmth.",
            style: "Refined, understated, lightly amused.",
            accent: "British English.",
            pacing: "Measured, with short dramatic pauses.",
            constraints: ["Do not read configuration values aloud.", "Do not explain the persona."],
          },
          providers: {
            google: {
              model: "gemini-3.1-flash-tts-preview",
              voiceName: "Algieba",
              promptTemplate: "audio-profile-v1",
            },
            openai: { model: "gpt-4o-mini-tts", voice: "cedar" },
            elevenlabs: {
              voiceId: "voice_id",
              modelId: "eleven_multilingual_v2",
              seed: 42,
              voiceSettings: {
                stability: 0.65,
                similarityBoost: 0.8,
                style: 0.25,
                useSpeakerBoost: true,
                speed: 0.95,
              },
            },
          },
        },
      },
    },
  },
}

# حل‌وفصل پرسونا

پرسونای فعال به‌صورت قطعی انتخاب می‌شود:

1. ترجیح محلی /tts persona <id>، اگر تنظیم شده باشد.
2. messages.tts.persona، اگر تنظیم شده باشد.
3. بدون پرسونا.

انتخاب ارائه‌دهنده با اولویت صریح انجام می‌شود:

1. بازنویسی‌های مستقیم (CLI، gateway، Talk، دستورالعمل‌های مجاز TTS).
2. ترجیح محلی /tts provider <id>.
3. provider پرسونای فعال.
4. messages.tts.provider.
5. انتخاب خودکار رجیستری.

برای هر تلاش ارائه‌دهنده، OpenClaw پیکربندی‌ها را با این ترتیب ادغام می‌کند:

1. messages.tts.providers.<id>
2. messages.tts.personas.<persona>.providers.<id>
3. بازنویسی‌های درخواست مورد اعتماد
4. بازنویسی‌های دستورالعمل TTS صادرشده از مدل و مجاز

# ارائه‌دهندگان چگونه از پرامپت‌های پرسونا استفاده می‌کنند

فیلدهای پرامپت پرسونا (profile، scene، sampleContext، style، accent، pacing، constraints) مستقل از ارائه‌دهنده هستند. هر ارائه‌دهنده تصمیم می‌گیرد چگونه از آن‌ها استفاده کند:

# سیاست fallback

fallbackPolicy رفتار را وقتی یک پرسونا برای ارائه‌دهنده مورد تلاش هیچ اتصالی ندارد کنترل می‌کند:

کل درخواست TTS فقط وقتی شکست می‌خورد که همه ارائه‌دهندگان امتحان‌شده رد شوند یا شکست بخورند.

انتخاب ارائه‌دهنده نشست Talk در محدوده نشست است. یک کلاینت Talk باید شناسه‌های ارائه‌دهنده، شناسه‌های مدل، شناسه‌های صدا و localeها را از talk.catalog انتخاب کند و آن‌ها را از طریق نشست Talk یا درخواست handoff بگذراند. باز کردن یک نشست صوتی نباید messages.tts یا پیش‌فرض‌های سراسری ارائه‌دهنده Talk را تغییر دهد.

# دستورالعمل‌های مدل‌محور

به‌طور پیش‌فرض، دستیار می‌تواند دستورالعمل‌های [[tts:...]] صادر کند تا صدا، مدل یا سرعت را برای یک پاسخ واحد بازنویسی کند، به‌همراه یک بلوک اختیاری [[tts:text]]...[[/tts:text]] برای نشانه‌های بیانی که باید فقط در صوت ظاهر شوند:

Here you go.

[[tts:voiceId=pMsXgVXv3BLzUgSXRplE model=eleven_v3 speed=1.1]]
[[tts:text]](laughs) Read the song once more.[[/tts:text]]

وقتی messages.tts.auto برابر "tagged" باشد، برای فعال کردن صوت دستورالعمل‌ها لازم هستند. تحویل بلوک‌های جریانی، دستورالعمل‌ها را پیش از اینکه کانال آن‌ها را ببیند از متن قابل مشاهده حذف می‌کند، حتی وقتی میان بلوک‌های مجاور تقسیم شده باشند.

provider=... نادیده گرفته می‌شود مگر اینکه modelOverrides.allowProvider: true باشد. وقتی یک پاسخ provider=... را اعلام می‌کند، کلیدهای دیگر آن دستورالعمل فقط توسط همان ارائه‌دهنده تحلیل می‌شوند؛ کلیدهای پشتیبانی‌نشده حذف می‌شوند و به‌عنوان هشدارهای دستورالعمل TTS گزارش می‌شوند.

کلیدهای دستورالعمل در دسترس:

• provider (شناسه ارائه‌دهنده ثبت‌شده؛ به allowProvider: true نیاز دارد)
• voice / voiceName / voice_name / google_voice / voiceId
• model / google_model
• stability, similarityBoost, style, speed, useSpeakerBoost
• vol / volume (حجم صدای MiniMax، 0–10)
• pitch (pitch عدد صحیح MiniMax، −12 تا 12؛ مقدارهای اعشاری بریده می‌شوند)
• emotion (برچسب احساس Volcengine)
• applyTextNormalization (auto|on|off)
• languageCode (ISO 639-1)
• seed

غیرفعال کردن کامل بازنویسی‌های مدل:

{ messages: { tts: { modelOverrides: { enabled: false } } } }

اجازه دادن به تغییر ارائه‌دهنده در حالی که سایر کنترل‌ها قابل پیکربندی می‌مانند:

{ messages: { tts: { modelOverrides: { enabled: true, allowProvider: true, allowSeed: false } } } }

# فرمان‌های اسلش

فرمان واحد /tts. در Discord، OpenClaw همچنین /voice را ثبت می‌کند، چون /tts یک فرمان داخلی Discord است — متن /tts ... همچنان کار می‌کند.

/tts off | on | status
/tts chat on | off | default
/tts latest
/tts provider <id>
/tts persona <id> | off
/tts limit <chars>
/tts summary off
/tts audio <text>

نکات رفتاری:

• /tts on ترجیح محلی TTS را روی always می‌نویسد؛ /tts off آن را روی off می‌نویسد.
• /tts chat on|off|default یک بازنویسی خودکار TTS در محدوده نشست برای گفت‌وگوی فعلی می‌نویسد.
• /tts persona <id> ترجیح محلی پرسونا را می‌نویسد؛ /tts persona off آن را پاک می‌کند.
• /tts latest آخرین پاسخ دستیار را از رونوشت نشست فعلی می‌خواند و آن را یک‌بار به‌صورت صوت می‌فرستد. برای جلوگیری از ارسال صوت تکراری، فقط یک هش از آن پاسخ را روی ورودی نشست ذخیره می‌کند.
• /tts audio یک پاسخ صوتی یک‌باره تولید می‌کند (TTS را روشن نمی‌کند).
• limit و summary در ترجیحات محلی ذخیره می‌شوند، نه در پیکربندی اصلی.
• /tts status شامل عیب‌یابی fallback برای آخرین تلاش است — Fallback: <primary> -> <used>، Attempts: ...، و جزئیات هر تلاش (provider:outcome(reasonCode) latency).
• /status وقتی TTS فعال باشد، حالت فعال TTS به‌همراه ارائه‌دهنده، مدل، صدا و فراداده endpoint سفارشی پاک‌سازی‌شده پیکربندی‌شده را نشان می‌دهد.

# ترجیحات هر کاربر

فرمان‌های اسلش بازنویسی‌های محلی را در prefsPath می‌نویسند. مقدار پیش‌فرض ~/.openclaw/settings/tts.json است؛ با متغیر محیطی OPENCLAW_TTS_PREFS یا messages.tts.prefsPath آن را بازنویسی کنید.

این‌ها پیکربندی مؤثر از messages.tts به‌علاوه بلوک فعال agents.list[].tts برای آن میزبان را بازنویسی می‌کنند.

# قالب‌های خروجی (ثابت)

تحویل صدای TTS بر اساس قابلیت کانال انجام می‌شود. Pluginهای کانال اعلام می‌کنند که آیا TTS از نوع صدا باید از ارائه‌دهندگان یک هدف بومی voice-note بخواهد یا سنتز معمول audio-file را نگه دارد و فقط خروجی سازگار را برای تحویل صوتی علامت‌گذاری کند.

• کانال‌های دارای قابلیت یادداشت صوتی: پاسخ‌های یادداشت صوتی Opus را ترجیح می‌دهند (opus_48000_64 از ElevenLabs، opus از OpenAI).
  • 48kHz / 64kbps موازنه خوبی برای پیام صوتی است.
• Feishu / WhatsApp: وقتی پاسخ یادداشت صوتی به‌صورت MP3/WebM/WAV/M4A یا یک فایل صوتی محتمل دیگر تولید شود، Plugin کانال پیش از ارسال پیام صوتی بومی، آن را با ffmpeg به Ogg/Opus با 48kHz تبدیل می‌کند. WhatsApp نتیجه را از طریق payload صوتی Baileys با ptt: true و audio/ogg; codecs=opus ارسال می‌کند. اگر تبدیل ناموفق باشد، Feishu فایل اصلی را به‌عنوان پیوست دریافت می‌کند؛ ارسال WhatsApp به‌جای ارسال payload ناسازگار PTT ناموفق می‌شود.
• BlueBubbles: سنتز ارائه‌دهنده را در مسیر معمول فایل صوتی نگه می‌دارد؛ خروجی‌های MP3 و CAF برای تحویل یادداشت صوتی iMessage علامت‌گذاری می‌شوند.
• کانال‌های دیگر: MP3 (mp3_44100_128 از ElevenLabs، mp3 از OpenAI).
  • 44.1kHz / 128kbps موازنه پیش‌فرض برای شفافیت گفتار است.
• MiniMax: MP3 (مدل speech-2.8-hd، نرخ نمونه‌برداری 32kHz) برای پیوست‌های صوتی معمولی. برای مقصدهای یادداشت صوتی اعلام‌شده توسط کانال، وقتی کانال تبدیل را اعلام کند، OpenClaw پیش از تحویل، MP3 مربوط به MiniMax را با ffmpeg به Opus با 48kHz تبدیل می‌کند.
• Xiaomi MiMo: به‌صورت پیش‌فرض MP3، یا در صورت پیکربندی WAV. برای مقصدهای یادداشت صوتی اعلام‌شده توسط کانال، وقتی کانال تبدیل را اعلام کند، OpenClaw پیش از تحویل، خروجی Xiaomi را با ffmpeg به Opus با 48kHz تبدیل می‌کند.
• CLI محلی: از outputFormat پیکربندی‌شده استفاده می‌کند. مقصدهای یادداشت صوتی به Ogg/Opus تبدیل می‌شوند و خروجی تلفنی با ffmpeg به PCM خام مونو 16 kHz تبدیل می‌شود.
• Google Gemini: TTS در API Gemini، PCM خام 24kHz برمی‌گرداند. OpenClaw آن را برای پیوست‌های صوتی به‌صورت WAV بسته‌بندی می‌کند، برای مقصدهای یادداشت صوتی به Opus با 48kHz تبدیل می‌کند، و برای گفت‌وگو/تلفنی مستقیما PCM برمی‌گرداند.
• Gradium: WAV برای پیوست‌های صوتی، Opus برای مقصدهای یادداشت صوتی، و ulaw_8000 در 8 kHz برای تلفنی.
• Inworld: MP3 برای پیوست‌های صوتی معمولی، OGG_OPUS بومی برای مقصدهای یادداشت صوتی، و PCM خام در 22050 Hz برای گفت‌وگو/تلفنی.
• xAI: به‌صورت پیش‌فرض MP3؛ responseFormat می‌تواند mp3، wav، pcm، mulaw یا alaw باشد. OpenClaw از نقطه پایانی TTS دسته‌ای REST متعلق به xAI استفاده می‌کند و یک پیوست صوتی کامل برمی‌گرداند؛ WebSocket پخش جریانی TTS متعلق به xAI در این مسیر ارائه‌دهنده استفاده نمی‌شود. قالب بومی Opus برای یادداشت صوتی در این مسیر پشتیبانی نمی‌شود.
• Microsoft: از microsoft.outputFormat استفاده می‌کند (پیش‌فرض audio-24khz-48kbitrate-mono-mp3).
  • انتقال‌دهنده همراه یک outputFormat را می‌پذیرد، اما همه قالب‌ها از سرویس در دسترس نیستند.
  • مقادیر قالب خروجی از قالب‌های خروجی Microsoft Speech پیروی می‌کنند (از جمله Ogg/WebM Opus).
  • sendVoice در Telegram قالب‌های OGG/MP3/M4A را می‌پذیرد؛ اگر به پیام‌های صوتی Opus تضمین‌شده نیاز دارید، از OpenAI/ElevenLabs استفاده کنید.
  • اگر قالب خروجی پیکربندی‌شده Microsoft ناموفق باشد، OpenClaw با MP3 دوباره تلاش می‌کند.

قالب‌های خروجی OpenAI/ElevenLabs برای هر کانال ثابت هستند (بالا را ببینید).

# رفتار TTS خودکار

وقتی messages.tts.auto فعال باشد، OpenClaw:

• اگر پاسخ از قبل رسانه یا دستور MEDIA: داشته باشد، از TTS صرف‌نظر می‌کند.
• از پاسخ‌های بسیار کوتاه (کمتر از 10 نویسه) صرف‌نظر می‌کند.
• وقتی خلاصه‌ها فعال باشند، با استفاده از summaryModel (یا agents.defaults.model.primary) پاسخ‌های طولانی را خلاصه می‌کند.
• صوت تولیدشده را به پاسخ پیوست می‌کند.
• در mode: "final"، پس از کامل شدن جریان متن، همچنان برای پاسخ‌های نهایی پخش جریانی، TTS فقط صوتی ارسال می‌کند؛ رسانه تولیدشده همان عادی‌سازی رسانه کانال را مانند پیوست‌های معمول پاسخ طی می‌کند.

اگر پاسخ از maxLength بیشتر باشد و خلاصه خاموش باشد (یا کلید API برای مدل خلاصه وجود نداشته باشد)، صوت نادیده گرفته می‌شود و پاسخ متنی معمول ارسال می‌شود.

Reply -> TTS enabled?
  no  -> send text
  yes -> has media / MEDIA: / short?
          yes -> send text
          no  -> length > limit?
                   no  -> TTS -> attach audio
                   yes -> summary enabled?
                            no  -> send text
                            yes -> summarize -> TTS -> attach audio

# قالب‌های خروجی بر اساس کانال

نکته‌های مربوط به هر ارائه‌دهنده:

• تبدیل Feishu / WhatsApp: وقتی یک پاسخ یادداشت صوتی به‌صورت MP3/WebM/WAV/M4A برسد، Plugin کانال آن را با ffmpeg به Ogg/Opus با 48 kHz تبدیل می‌کند. WhatsApp از طریق Baileys با ptt: true و audio/ogg; codecs=opus ارسال می‌کند. اگر تبدیل ناموفق باشد: Feishu به پیوست‌کردن فایل اصلی برمی‌گردد؛ ارسال WhatsApp به‌جای انتشار یک payload ناسازگار PTT ناموفق می‌شود.
• MiniMax / Xiaomi MiMo: MP3 پیش‌فرض (32 kHz برای MiniMax speech-2.8-hd)؛ برای هدف‌های یادداشت صوتی از طریق ffmpeg به Opus با 48 kHz تبدیل می‌شود.
• CLI محلی: از outputFormat پیکربندی‌شده استفاده می‌کند. هدف‌های یادداشت صوتی به Ogg/Opus و خروجی تلفنی به PCM خام 16 kHz مونو تبدیل می‌شوند.
• Google Gemini: PCM خام 24 kHz برمی‌گرداند. OpenClaw برای پیوست‌ها آن را به‌صورت WAV بسته‌بندی می‌کند، برای هدف‌های یادداشت صوتی به Opus با 48 kHz تبدیل می‌کند، و برای Talk/تلفنی مستقیما PCM برمی‌گرداند.
• Inworld: پیوست‌های MP3، یادداشت صوتی بومی OGG_OPUS، و PCM خام 22050 Hz برای Talk/تلفنی.
• xAI: به‌طور پیش‌فرض MP3؛ responseFormat می‌تواند mp3|wav|pcm|mulaw|alaw باشد. از endpoint دسته‌ای REST متعلق به xAI استفاده می‌کند — TTS استریم‌شونده WebSocket استفاده نمی‌شود. قالب بومی Opus برای یادداشت صوتی پشتیبانی نمی‌شود.
• Microsoft: از microsoft.outputFormat استفاده می‌کند (پیش‌فرض audio-24khz-48kbitrate-mono-mp3). Telegram sendVoice، OGG/MP3/M4A را می‌پذیرد؛ اگر به پیام‌های صوتی Opus تضمین‌شده نیاز دارید، از OpenAI/ElevenLabs استفاده کنید. اگر قالب پیکربندی‌شده Microsoft ناموفق باشد، OpenClaw دوباره با MP3 تلاش می‌کند.

قالب‌های خروجی OpenAI و ElevenLabs برای هر کانال مطابق فهرست بالا ثابت هستند.

# مرجع فیلدها

# ابزار عامل

ابزار tts متن را به گفتار تبدیل می‌کند و برای تحویل پاسخ یک پیوست صوتی برمی‌گرداند. در Feishu، Matrix، Telegram، و WhatsApp، صدا به‌جای پیوست فایل به‌صورت پیام صوتی تحویل داده می‌شود. Feishu و WhatsApp می‌توانند در این مسیر، وقتی ffmpeg در دسترس باشد، خروجی TTS غیر Opus را ترنسکد کنند.

WhatsApp صدا را از طریق Baileys به‌صورت یادداشت صوتی PTT (audio با ptt: true) ارسال می‌کند و متن قابل مشاهده را جداگانه از صدای PTT می‌فرستد، زیرا کلاینت‌ها کپشن‌های یادداشت‌های صوتی را به‌طور یکنواخت نمایش نمی‌دهند.

این ابزار فیلدهای اختیاری channel و timeoutMs را می‌پذیرد؛ timeoutMs یک مهلت زمانی درخواست ارائه‌دهنده برای هر فراخوانی بر حسب میلی‌ثانیه است.

# RPC مربوط به Gateway

# پیوندهای سرویس

• راهنمای تبدیل متن به گفتار OpenAI
• مرجع API صوتی OpenAI
• تبدیل متن به گفتار Azure Speech REST
• ارائه‌دهنده Azure Speech
• تبدیل متن به گفتار ElevenLabs
• احراز هویت ElevenLabs
• Gradium
• API تبدیل متن به گفتار Inworld
• API MiniMax T2A v2
• API HTTP تبدیل متن به گفتار Volcengine
• هم‌نهاد گفتار Xiaomi MiMo
• node-edge-tts
• قالب‌های خروجی Microsoft Speech
• تبدیل متن به گفتار xAI

# مرتبط

• نمای کلی رسانه
• تولید موسیقی
• تولید ویدئو
• دستورهای اسلش
• Plugin تماس صوتی