Zamiana tekstu na mowę

OpenClaw może konwertować wychodzące odpowiedzi na audio za pomocą 14 dostawców mowy i dostarczać natywne wiadomości głosowe w Feishu, Matrix, Telegram i WhatsApp, załączniki audio wszędzie indziej oraz strumienie PCM/Ulaw dla telefonii i Talk.

TTS to połowa trybu Talk stt-tts odpowiadająca za wyjście mowy. Natywne dla dostawcy sesje Talk realtime syntetyzują mowę wewnątrz dostawcy czasu rzeczywistego zamiast wywoływać tę ścieżkę TTS, natomiast sesje transcription nie syntetyzują głosowej odpowiedzi asystenta.

# Szybki start

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

# Obsługiwani dostawcy

Jeśli skonfigurowano wielu dostawców, wybrany dostawca jest używany jako pierwszy, a pozostali są opcjami awaryjnymi. Automatyczne podsumowanie używa summaryModel (lub agents.defaults.model.primary), więc ten dostawca również musi być uwierzytelniony, jeśli pozostawiasz podsumowania włączone.

# Konfiguracja

Konfiguracja TTS znajduje się pod messages.tts w ~/.openclaw/openclaw.json. Wybierz preset i dostosuj blok dostawcy:

{
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",
    },
  },
},
},
}

# Nadpisania głosu dla poszczególnych agentów

Użyj agents.list[].tts, gdy jeden agent powinien mówić z użyciem innego dostawcy, głosu, modelu, persony lub trybu Auto-TTS. Blok agenta jest głęboko scalany z messages.tts, więc poświadczenia dostawcy mogą pozostać w globalnej konfiguracji dostawcy:

{
  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" },
          },
        },
      },
    ],
  },
}

Aby przypiąć personę dla konkretnego agenta, ustaw agents.list[].tts.persona obok konfiguracji dostawcy — nadpisuje ona globalne messages.tts.persona tylko dla tego agenta.

Kolejność pierwszeństwa dla automatycznych odpowiedzi, /tts audio, /tts status i narzędzia agenta tts:

1. messages.tts
2. aktywne agents.list[].tts
3. nadpisanie kanału, gdy kanał obsługuje channels.<channel>.tts
4. nadpisanie konta, gdy kanał przekazuje channels.<channel>.accounts.<id>.tts
5. lokalne preferencje /tts dla tego hosta
6. dyrektywy inline [[tts:...]], gdy włączone są nadpisania modelu

Nadpisania kanału i konta używają tego samego kształtu co messages.tts i są głęboko scalane z wcześniejszymi warstwami, więc współdzielone dane uwierzytelniające dostawcy mogą pozostać w messages.tts, podczas gdy kanał lub konto bota zmienia tylko głos, model, personę albo tryb automatyczny:

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

# Persony

Persona to stabilna tożsamość mówiona, którą można deterministycznie stosować u różnych dostawców. Może preferować jednego dostawcę, definiować neutralny względem dostawcy zamiar promptu oraz przenosić powiązania specyficzne dla dostawcy dotyczące głosów, modeli, szablonów promptów, ziaren i ustawień głosu.

# Minimalna persona

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

# Pełna persona (prompt neutralny względem dostawcy)

{
  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,
              },
            },
          },
        },
      },
    },
  },
}

# Rozpoznawanie persony

Aktywna persona jest wybierana deterministycznie:

1. lokalna preferencja /tts persona <id>, jeśli ustawiona.
2. messages.tts.persona, jeśli ustawiona.
3. Brak persony.

Wybór dostawcy działa według zasady najpierw jawne ustawienia:

1. Bezpośrednie nadpisania (CLI, Gateway, Talk, dozwolone dyrektywy TTS).
2. lokalna preferencja /tts provider <id>.
3. provider aktywnej persony.
4. messages.tts.provider.
5. Automatyczny wybór z rejestru.

Dla każdej próby dostawcy OpenClaw scala konfiguracje w tej kolejności:

1. messages.tts.providers.<id>
2. messages.tts.personas.<persona>.providers.<id>
3. Zaufane nadpisania żądania
4. Dozwolone nadpisania z dyrektyw TTS emitowanych przez model

# Jak dostawcy używają promptów persony

Pola promptu persony (profile, scene, sampleContext, style, accent, pacing, constraints) są neutralne względem dostawcy. Każdy dostawca decyduje, jak ich użyć:

# Zasady awaryjnego przełączenia

fallbackPolicy kontroluje zachowanie, gdy persona nie ma powiązania dla próbowanego dostawcy:

Całe żądanie TTS kończy się niepowodzeniem tylko wtedy, gdy każdy próbowany dostawca zostanie pominięty albo zakończy się błędem.

Wybór dostawcy sesji Talk jest ograniczony do sesji. Klient Talk powinien wybierać identyfikatory dostawców, identyfikatory modeli, identyfikatory głosów i ustawienia regionalne z talk.catalog oraz przekazywać je przez sesję Talk lub żądanie przekazania. Otwarcie sesji głosowej nie powinno modyfikować messages.tts ani globalnych wartości domyślnych dostawcy Talk.

# Dyrektywy sterowane modelem

Domyślnie asystent może emitować dyrektywy [[tts:...]], aby nadpisać głos, model lub szybkość dla pojedynczej odpowiedzi, a także opcjonalny blok [[tts:text]]...[[/tts:text]] dla ekspresyjnych wskazówek, które powinny pojawić się tylko w audio:

Here you go.

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

Gdy messages.tts.auto ma wartość "tagged", dyrektywy są wymagane, aby wyzwolić audio. Strumieniowe dostarczanie bloków usuwa dyrektywy z widocznego tekstu, zanim kanał je zobaczy, nawet gdy są podzielone między sąsiadujące bloki.

provider=... jest ignorowane, chyba że modelOverrides.allowProvider: true. Gdy odpowiedź deklaruje provider=..., pozostałe klucze w tej dyrektywie są parsowane tylko przez tego dostawcę; nieobsługiwane klucze są usuwane i zgłaszane jako ostrzeżenia dyrektywy TTS.

Dostępne klucze dyrektyw:

• provider (zarejestrowany identyfikator dostawcy; wymaga allowProvider: true)
• voice / voiceName / voice_name / google_voice / voiceId
• model / google_model
• stability, similarityBoost, style, speed, useSpeakerBoost
• vol / volume (głośność MiniMax, 0–10)
• pitch (całkowita wysokość dźwięku MiniMax, od −12 do 12; wartości ułamkowe są obcinane)
• emotion (tag emocji Volcengine)
• applyTextNormalization (auto|on|off)
• languageCode (ISO 639-1)
• seed

Całkowicie wyłącz nadpisania modelu:

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

Zezwól na przełączanie dostawcy, pozostawiając inne pokrętła konfigurowalne:

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

# Polecenia ukośnikowe

Pojedyncze polecenie /tts. Na Discord OpenClaw rejestruje też /voice, ponieważ /tts jest wbudowanym poleceniem Discord — tekstowe /tts ... nadal działa.

/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>

Uwagi dotyczące zachowania:

• /tts on zapisuje lokalną preferencję TTS jako always; /tts off zapisuje ją jako off.
• /tts chat on|off|default zapisuje ograniczone do sesji nadpisanie automatycznego TTS dla bieżącego czatu.
• /tts persona <id> zapisuje lokalną preferencję persony; /tts persona off ją czyści.
• /tts latest odczytuje najnowszą odpowiedź asystenta z transkryptu bieżącej sesji i wysyła ją raz jako audio. Przechowuje tylko hash tej odpowiedzi we wpisie sesji, aby zapobiec duplikatom wysyłania głosu.
• /tts audio generuje jednorazową odpowiedź audio (nie włącza TTS).
• limit i summary są przechowywane w lokalnych preferencjach, nie w głównej konfiguracji.
• /tts status zawiera diagnostykę awaryjnego przełączenia dla najnowszej próby — Fallback: <primary> -> <used>, Attempts: ... oraz szczegóły każdej próby (provider:outcome(reasonCode) latency).
• /status pokazuje aktywny tryb TTS oraz skonfigurowanego dostawcę, model, głos i oczyszczone metadane niestandardowego punktu końcowego, gdy TTS jest włączone.

# Preferencje poszczególnych użytkowników

Polecenia ukośnikowe zapisują lokalne nadpisania do prefsPath. Wartość domyślna to ~/.openclaw/settings/tts.json; nadpisz ją zmienną środowiskową OPENCLAW_TTS_PREFS albo messages.tts.prefsPath.

Nadpisują one efektywną konfigurację z messages.tts oraz aktywny blok agents.list[].tts dla tego hosta.

# Formaty wyjściowe (stałe)

Dostarczanie głosu TTS jest sterowane możliwościami kanału. Pluginy kanałów ogłaszają, czy TTS w stylu głosowym powinno prosić dostawców o natywny cel voice-note, czy zachować normalną syntezę audio-file i tylko oznaczać zgodne wyjście do dostarczania głosowego.

• Kanały obsługujące notatki głosowe: odpowiedzi w formie notatek głosowych preferują Opus (opus_48000_64 z ElevenLabs, opus z OpenAI).
  • 48 kHz / 64 kb/s to dobry kompromis dla wiadomości głosowych.
• Feishu / WhatsApp: gdy odpowiedź w formie notatki głosowej jest tworzona jako MP3/WebM/WAV/M4A lub inny prawdopodobny plik audio, Plugin kanału transkoduje ją do 48 kHz Ogg/Opus za pomocą ffmpeg przed wysłaniem natywnej wiadomości głosowej. WhatsApp wysyła wynik przez ładunek Baileys audio z ptt: true oraz audio/ogg; codecs=opus. Jeśli konwersja się nie powiedzie, Feishu otrzymuje oryginalny plik jako załącznik; wysyłka WhatsApp kończy się niepowodzeniem zamiast opublikowania niezgodnego ładunku PTT.
• BlueBubbles: utrzymuje syntezę po stronie dostawcy na zwykłej ścieżce pliku audio; wyjścia MP3 i CAF są oznaczane do dostarczenia jako notatka głosowa iMessage.
• Inne kanały: MP3 (mp3_44100_128 z ElevenLabs, mp3 z OpenAI).
  • 44,1 kHz / 128 kb/s to domyślny balans dla wyrazistości mowy.
• MiniMax: MP3 (model speech-2.8-hd, częstotliwość próbkowania 32 kHz) dla zwykłych załączników audio. Dla deklarowanych przez kanał docelowych notatek głosowych OpenClaw transkoduje MP3 z MiniMax do 48 kHz Opus za pomocą ffmpeg przed dostarczeniem, gdy kanał deklaruje transkodowanie.
• Xiaomi MiMo: domyślnie MP3 albo WAV, gdy tak skonfigurowano. Dla deklarowanych przez kanał docelowych notatek głosowych OpenClaw transkoduje wyjście Xiaomi do 48 kHz Opus za pomocą ffmpeg przed dostarczeniem, gdy kanał deklaruje transkodowanie.
• Lokalne CLI: używa skonfigurowanego outputFormat. Cele notatek głosowych są konwertowane do Ogg/Opus, a wyjście telefoniczne jest konwertowane do surowego mono PCM 16 kHz za pomocą ffmpeg.
• Google Gemini: TTS Gemini API zwraca surowe PCM 24 kHz. OpenClaw opakowuje je jako WAV dla załączników audio, transkoduje do 48 kHz Opus dla docelowych notatek głosowych i zwraca PCM bezpośrednio dla Talk/telefonii.
• Gradium: WAV dla załączników audio, Opus dla docelowych notatek głosowych oraz ulaw_8000 przy 8 kHz dla telefonii.
• Inworld: MP3 dla zwykłych załączników audio, natywne OGG_OPUS dla docelowych notatek głosowych oraz surowe PCM przy 22050 Hz dla Talk/telefonii.
• xAI: domyślnie MP3; responseFormat może mieć wartość mp3, wav, pcm, mulaw lub alaw. OpenClaw używa wsadowego punktu końcowego REST TTS xAI i zwraca kompletny załącznik audio; strumieniowy WebSocket TTS xAI nie jest używany przez tę ścieżkę dostawcy. Natywny format Opus dla notatek głosowych nie jest obsługiwany przez tę ścieżkę.
• Microsoft: używa microsoft.outputFormat (domyślnie audio-24khz-48kbitrate-mono-mp3).
  • Dołączony transport akceptuje outputFormat, ale nie wszystkie formaty są dostępne w usłudze.
  • Wartości formatu wyjściowego są zgodne z formatami wyjściowymi Microsoft Speech (w tym Ogg/WebM Opus).
  • Telegram sendVoice akceptuje OGG/MP3/M4A; użyj OpenAI/ElevenLabs, jeśli potrzebujesz gwarantowanych wiadomości głosowych Opus.
  • Jeśli skonfigurowany format wyjściowy Microsoft zawiedzie, OpenClaw ponawia próbę z MP3.

Formaty wyjściowe OpenAI/ElevenLabs są stałe dla każdego kanału (zobacz wyżej).

# Automatyczne zachowanie TTS

Gdy messages.tts.auto jest włączone, OpenClaw:

• Pomija TTS, jeśli odpowiedź zawiera już multimedia lub dyrektywę MEDIA:.
• Pomija bardzo krótkie odpowiedzi (poniżej 10 znaków).
• Streszcza długie odpowiedzi, gdy streszczenia są włączone, używając summaryModel (lub agents.defaults.model.primary).
• Dołącza wygenerowany dźwięk do odpowiedzi.
• W mode: "final" nadal wysyła TTS tylko z dźwiękiem dla strumieniowanych odpowiedzi końcowych po zakończeniu strumienia tekstu; wygenerowane multimedia przechodzą przez tę samą normalizację multimediów kanału co zwykłe załączniki odpowiedzi.

Jeśli odpowiedź przekracza maxLength, a streszczenie jest wyłączone (lub nie ma klucza API dla modelu streszczeń), dźwięk jest pomijany i wysyłana jest zwykła odpowiedź tekstowa.

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

# Formaty wyjściowe według kanału

Uwagi według dostawcy:

• Transkodowanie Feishu / WhatsApp: Gdy odpowiedź w formie notatki głosowej trafia jako MP3/WebM/WAV/M4A, Plugin kanału transkoduje ją do Ogg/Opus 48 kHz za pomocą ffmpeg. WhatsApp wysyła przez Baileys z ptt: true i audio/ogg; codecs=opus. Jeśli konwersja się nie powiedzie: Feishu wraca do dołączenia oryginalnego pliku; wysyłka WhatsApp kończy się niepowodzeniem zamiast opublikowania niezgodnego ładunku PTT.
• MiniMax / Xiaomi MiMo: Domyślnie MP3 (32 kHz dla MiniMax speech-2.8-hd); transkodowane do Opus 48 kHz dla celów notatek głosowych przez ffmpeg.
• Lokalne CLI: Używa skonfigurowanego outputFormat. Cele notatek głosowych są konwertowane do Ogg/Opus, a wyjście telefoniczne do surowego, monofonicznego PCM 16 kHz.
• Google Gemini: Zwraca surowy PCM 24 kHz. OpenClaw opakowuje go jako WAV dla załączników, transkoduje do Opus 48 kHz dla celów notatek głosowych, a dla Talk/telefonii zwraca bezpośrednio PCM.
• Inworld: Załączniki MP3, natywny OGG_OPUS dla notatek głosowych, surowy PCM 22050 Hz dla Talk/telefonii.
• xAI: Domyślnie MP3; responseFormat może mieć wartość mp3|wav|pcm|mulaw|alaw. Używa wsadowego punktu końcowego REST xAI — strumieniowe WebSocket TTS nie jest używane. Natywny format notatek głosowych Opus nie jest obsługiwany.
• Microsoft: Używa microsoft.outputFormat (domyślnie audio-24khz-48kbitrate-mono-mp3). Telegram sendVoice akceptuje OGG/MP3/M4A; użyj OpenAI/ElevenLabs, jeśli potrzebujesz gwarantowanych wiadomości głosowych Opus. Jeśli skonfigurowany format Microsoft zawiedzie, OpenClaw ponawia próbę z MP3.

Formaty wyjściowe OpenAI i ElevenLabs są ustalone dla każdego kanału zgodnie z powyższą listą.

# Opis pól

# Narzędzie agenta

Narzędzie tts konwertuje tekst na mowę i zwraca załącznik audio do dostarczenia odpowiedzi. W Feishu, Matrix, Telegram i WhatsApp audio jest dostarczane jako wiadomość głosowa, a nie jako załącznik pliku. Feishu i WhatsApp mogą transkodować wyjście TTS inne niż Opus na tej ścieżce, gdy ffmpeg jest dostępny.

WhatsApp wysyła audio przez Baileys jako notatkę głosową PTT (audio z ptt: true) i wysyła widoczny tekst osobno od audio PTT, ponieważ klienty nie renderują konsekwentnie podpisów w notatkach głosowych.

Narzędzie akceptuje opcjonalne pola channel i timeoutMs; timeoutMs to limit czasu żądania dostawcy dla pojedynczego wywołania, w milisekundach.

# RPC Gateway

# Linki usług

• Przewodnik OpenAI text-to-speech
• Dokumentacja referencyjna OpenAI Audio API
• Azure Speech REST text-to-speech
• Dostawca Azure Speech
• ElevenLabs Text to Speech
• Uwierzytelnianie ElevenLabs
• Gradium
• Inworld TTS API
• MiniMax T2A v2 API
• Volcengine TTS HTTP API
• Synteza mowy Xiaomi MiMo
• node-edge-tts
• Formaty wyjściowe Microsoft Speech
• xAI text to speech

# Powiązane

• Przegląd mediów
• Generowanie muzyki
• Generowanie wideo
• Polecenia ukośnikowe
• Plugin połączeń głosowych