การแปลงข้อความเป็นเสียงพูด

OpenClaw สามารถแปลงการตอบกลับขาออกเป็นเสียงผ่านผู้ให้บริการเสียงพูด 14 ราย และส่งข้อความเสียงแบบเนทีฟบน Feishu, Matrix, Telegram และ WhatsApp, ไฟล์แนบเสียงในช่องทางอื่นทั้งหมด และสตรีม PCM/Ulaw สำหรับโทรศัพท์และ Talk

TTS คือครึ่งหนึ่งของโหมด stt-tts ของ Talk ที่ใช้ส่งออกเสียง เซสชัน Talk แบบ realtime ที่เป็นเนทีฟของผู้ให้บริการจะสังเคราะห์เสียงภายในผู้ให้บริการ realtime แทนการเรียกเส้นทาง TTS นี้ ส่วนเซสชัน transcription จะไม่สังเคราะห์ เสียงตอบกลับของผู้ช่วย

# เริ่มต้นอย่างรวดเร็ว

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

# ผู้ให้บริการที่รองรับ

หากกำหนดค่าผู้ให้บริการหลายราย ระบบจะใช้รายที่เลือกก่อน และรายอื่นจะเป็นตัวเลือกสำรอง สรุปอัตโนมัติใช้ summaryModel (หรือ agents.defaults.model.primary) ดังนั้นผู้ให้บริการนั้นต้องยืนยันตัวตนไว้ด้วย หากคุณยังเปิดใช้สรุปอยู่

# การกำหนดค่า

การกำหนดค่า TTS อยู่ใต้ messages.tts ใน ~/.openclaw/openclaw.json เลือก พรีเซ็ตและปรับบล็อกผู้ให้บริการ:

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

# การแทนที่เสียงราย agent

ใช้ agents.list[].tts เมื่อ agent หนึ่งควรพูดด้วยผู้ให้บริการ เสียง โมเดล บุคลิก หรือโหมด Auto-TTS ที่ต่างออกไป บล็อก agent จะ deep-merge ทับ messages.tts ดังนั้นข้อมูลรับรองของผู้ให้บริการสามารถอยู่ในการกำหนดค่าผู้ให้บริการส่วนกลางได้:

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

หากต้องการตรึงบุคลิกแบบราย agent ให้ตั้งค่า agents.list[].tts.persona ควบคู่กับการกำหนดค่า ผู้ให้บริการ โดยค่านี้จะแทนที่ messages.tts.persona ส่วนกลางสำหรับ agent นั้นเท่านั้น

ลำดับความสำคัญสำหรับการตอบกลับอัตโนมัติ, /tts audio, /tts status และเครื่องมือเอเจนต์ tts:

1. messages.tts
2. agents.list[].tts ที่ใช้งานอยู่
3. การ override ระดับแชนเนล เมื่อแชนเนลรองรับ channels.<channel>.tts
4. การ override ระดับบัญชี เมื่อแชนเนลส่งผ่าน channels.<channel>.accounts.<id>.tts
5. ค่ากำหนด /tts ภายในสำหรับโฮสต์นี้
6. directive แบบอินไลน์ [[tts:...]] เมื่อเปิดใช้ model overrides

การ override ระดับแชนเนลและบัญชีใช้รูปแบบเดียวกับ messages.tts และ deep-merge ทับเลเยอร์ก่อนหน้า ดังนั้น credential ของ provider ที่ใช้ร่วมกันจึงยังอยู่ใน messages.tts ได้ ขณะที่แชนเนลหรือบัญชีบอทเปลี่ยนเฉพาะเสียง, โมเดล, persona, หรือโหมดอัตโนมัติ:

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

# Persona

persona คืออัตลักษณ์การพูดที่คงที่ ซึ่งสามารถนำไปใช้แบบกำหนดผลได้แน่นอน ข้าม provider ต่าง ๆ โดยสามารถเลือกใช้ provider หนึ่งเป็นหลัก กำหนดเจตนาของ prompt ที่ไม่ผูกกับ provider และพก binding เฉพาะ provider สำหรับเสียง, โมเดล, เทมเพลต prompt, seed และการตั้งค่าเสียงได้

# Persona ขั้นต่ำ

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

# Persona แบบเต็ม (prompt ที่ไม่ผูกกับ provider)

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

# การ resolve persona

persona ที่ใช้งานอยู่จะถูกเลือกแบบกำหนดผลได้แน่นอน:

1. ค่ากำหนดภายใน /tts persona <id> หากตั้งค่าไว้
2. messages.tts.persona หากตั้งค่าไว้
3. ไม่มี persona

การเลือก provider ใช้ลำดับแบบ explicit-first:

1. การ override โดยตรง (CLI, Gateway, Talk, directive TTS ที่อนุญาต)
2. ค่ากำหนดภายใน /tts provider <id>
3. provider ของ persona ที่ใช้งานอยู่
4. messages.tts.provider
5. เลือกอัตโนมัติจาก registry

สำหรับแต่ละครั้งที่พยายามใช้ provider OpenClaw จะ merge config ตามลำดับนี้:

1. messages.tts.providers.<id>
2. messages.tts.personas.<persona>.providers.<id>
3. การ override จากคำขอที่เชื่อถือได้
4. การ override จาก directive TTS ที่โมเดลปล่อยออกมาและได้รับอนุญาต

# วิธีที่ provider ใช้ prompt ของ persona

ฟิลด์ prompt ของ persona (profile, scene, sampleContext, style, accent, pacing, constraints) เป็นแบบ ไม่ผูกกับ provider provider แต่ละตัวจะตัดสินใจเองว่า จะใช้อย่างไร:

# นโยบาย fallback

fallbackPolicy ควบคุมพฤติกรรมเมื่อ persona ไม่มี binding สำหรับ provider ที่พยายามใช้:

คำขอ TTS ทั้งหมดจะล้มเหลวก็ต่อเมื่อ provider ที่พยายามใช้ ทุกตัว ถูกข้าม หรือล้มเหลว

การเลือก provider ของเซสชัน Talk อยู่ในขอบเขตของเซสชัน ไคลเอนต์ Talk ควรเลือก provider ids, model ids, voice ids และ locale จาก talk.catalog แล้วส่งต่อ ผ่านเซสชัน Talk หรือคำขอ handoff การเปิดเซสชันเสียงไม่ควร mutate messages.tts หรือค่าเริ่มต้นของ provider Talk แบบ global

# Directive ที่ขับเคลื่อนด้วยโมเดล

โดยค่าเริ่มต้น ผู้ช่วย สามารถ ปล่อย directive [[tts:...]] เพื่อ override เสียง, โมเดล หรือความเร็วสำหรับการตอบกลับครั้งเดียว พร้อมบล็อก [[tts:text]]...[[/tts:text]] แบบไม่บังคับสำหรับ cue เชิง expressive ที่ควรปรากฏ เฉพาะในเสียง:

Here you go.

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

เมื่อ messages.tts.auto เป็น "tagged" จะ ต้องมี directive เพื่อ trigger เสียง การส่งบล็อกแบบ streaming จะตัด directive ออกจากข้อความที่มองเห็นได้ก่อนที่ แชนเนลจะเห็น แม้จะถูกแบ่งข้ามบล็อกที่อยู่ติดกันก็ตาม

provider=... จะถูกละเว้น เว้นแต่ modelOverrides.allowProvider: true เมื่อ การตอบกลับประกาศ provider=... คีย์อื่นใน directive นั้นจะถูก parse โดย provider นั้นเท่านั้น; คีย์ที่ไม่รองรับจะถูกตัดออกและรายงานเป็นคำเตือนของ directive TTS

คีย์ directive ที่ใช้ได้:

• provider (registered provider id; requires allowProvider: true)
• voice / voiceName / voice_name / google_voice / voiceId
• model / google_model
• stability, similarityBoost, style, speed, useSpeakerBoost
• vol / volume (MiniMax volume, 0–10)
• pitch (MiniMax integer pitch, −12 to 12; fractional values are truncated)
• emotion (Volcengine emotion tag)
• applyTextNormalization (auto|on|off)
• languageCode (ISO 639-1)
• seed

ปิดใช้งาน model overrides ทั้งหมด:

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

อนุญาตให้สลับ provider ได้ ขณะยังคงปรับ knob อื่น ๆ ได้:

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

# คำสั่ง Slash

คำสั่งเดียว /tts บน Discord OpenClaw จะลงทะเบียน /voice เพิ่มด้วย เพราะ /tts เป็นคำสั่ง built-in ของ Discord — ข้อความ /tts ... ยังใช้งานได้

/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>

หมายเหตุพฤติกรรม:

• /tts on เขียนค่ากำหนด TTS ภายในเป็น always; /tts off เขียนเป็น off
• /tts chat on|off|default เขียนการ override auto-TTS ในขอบเขตเซสชันสำหรับแชตปัจจุบัน
• /tts persona <id> เขียนค่ากำหนด persona ภายใน; /tts persona off จะล้างค่านั้น
• /tts latest อ่านการตอบกลับล่าสุดของผู้ช่วยจาก transcript ของเซสชันปัจจุบัน แล้วส่งเป็นเสียงหนึ่งครั้ง โดยจะเก็บเฉพาะ hash ของการตอบกลับนั้นในรายการเซสชันเพื่อป้องกันการส่งเสียงซ้ำ
• /tts audio สร้างการตอบกลับเสียงแบบครั้งเดียว (ไม่ เปิด TTS)
• limit และ summary ถูกจัดเก็บใน local prefs ไม่ใช่ config หลัก
• /tts status รวมการวินิจฉัย fallback สำหรับความพยายามล่าสุด — Fallback: <primary> -> <used>, Attempts: ... และรายละเอียดรายครั้ง (provider:outcome(reasonCode) latency)
• /status แสดงโหมด TTS ที่ใช้งานอยู่ พร้อม provider, โมเดล, เสียง และ metadata ของ endpoint แบบกำหนดเองที่ผ่านการ sanitize แล้วเมื่อเปิดใช้ TTS

# ค่ากำหนดรายผู้ใช้

คำสั่ง Slash เขียนการ override ภายในลงใน prefsPath ค่าเริ่มต้นคือ ~/.openclaw/settings/tts.json; override ได้ด้วย env var OPENCLAW_TTS_PREFS หรือ messages.tts.prefsPath

ค่าเหล่านี้ override config ที่มีผลจาก messages.tts พร้อมบล็อก agents.list[].tts ที่ใช้งานอยู่สำหรับโฮสต์นั้น

# รูปแบบเอาต์พุต (คงที่)

การส่งเสียง TTS ขับเคลื่อนด้วยความสามารถของแชนเนล Plugin ของแชนเนลจะประกาศว่า TTS แบบ voice-style ควรขอ provider ให้สร้างเป้าหมาย native voice-note หรือ คงการสังเคราะห์แบบ audio-file ปกติไว้ และเพียง mark เอาต์พุตที่เข้ากันได้สำหรับ การส่งเสียง

• ช่องทางที่รองรับข้อความเสียง: การตอบกลับแบบข้อความเสียงจะเลือกใช้ Opus เป็นหลัก (opus_48000_64 จาก ElevenLabs, opus จาก OpenAI)
  • 48kHz / 64kbps เป็นสมดุลที่ดีสำหรับข้อความเสียง
• Feishu / WhatsApp: เมื่อการตอบกลับแบบข้อความเสียงถูกสร้างเป็น MP3/WebM/WAV/M4A หรือไฟล์อื่นที่น่าจะเป็นไฟล์เสียง Plugin ช่องทางจะแปลงรหัสเป็น Ogg/Opus 48kHz ด้วย ffmpeg ก่อนส่งข้อความเสียงแบบเนทีฟ WhatsApp ส่ง ผลลัพธ์ผ่านเพย์โหลด audio ของ Baileys พร้อม ptt: true และ audio/ogg; codecs=opus หากการแปลงล้มเหลว Feishu จะได้รับไฟล์ต้นฉบับ เป็นไฟล์แนบ ส่วนการส่งของ WhatsApp จะล้มเหลวแทนที่จะโพสต์เพย์โหลด PTT ที่ไม่เข้ากัน
• BlueBubbles: คงการสังเคราะห์ของผู้ให้บริการไว้บนเส้นทางไฟล์เสียงปกติ; เอาต์พุต MP3 และ CAF จะถูกทำเครื่องหมายสำหรับการส่งเป็นวอยซ์เมโมของ iMessage
• ช่องทางอื่น: MP3 (mp3_44100_128 จาก ElevenLabs, mp3 จาก OpenAI)
  • 44.1kHz / 128kbps เป็นสมดุลเริ่มต้นสำหรับความชัดเจนของเสียงพูด
• MiniMax: MP3 (โมเดล speech-2.8-hd, อัตราสุ่มตัวอย่าง 32kHz) สำหรับไฟล์แนบเสียงปกติ สำหรับเป้าหมายข้อความเสียงที่ช่องทางประกาศไว้ OpenClaw จะแปลงรหัส MiniMax MP3 เป็น Opus 48kHz ด้วย ffmpeg ก่อนส่ง เมื่อช่องทางประกาศว่ารองรับการแปลงรหัส
• Xiaomi MiMo: ค่าเริ่มต้นเป็น MP3 หรือ WAV เมื่อกำหนดค่าไว้ สำหรับเป้าหมายข้อความเสียงที่ช่องทางประกาศไว้ OpenClaw จะแปลงรหัสเอาต์พุต Xiaomi เป็น Opus 48kHz ด้วย ffmpeg ก่อนส่ง เมื่อช่องทางประกาศว่ารองรับการแปลงรหัส
• Local CLI: ใช้ outputFormat ที่กำหนดค่าไว้ เป้าหมายข้อความเสียงจะถูก แปลงเป็น Ogg/Opus และเอาต์พุตโทรศัพท์จะถูกแปลงเป็น PCM โมโน 16 kHz แบบดิบ ด้วย ffmpeg
• Google Gemini: Gemini API TTS ส่งคืน PCM 24kHz แบบดิบ OpenClaw ห่อหุ้มเป็น WAV สำหรับไฟล์แนบเสียง แปลงรหัสเป็น Opus 48kHz สำหรับเป้าหมายข้อความเสียง และส่งคืน PCM โดยตรงสำหรับ Talk/โทรศัพท์
• Gradium: WAV สำหรับไฟล์แนบเสียง, Opus สำหรับเป้าหมายข้อความเสียง และ ulaw_8000 ที่ 8 kHz สำหรับโทรศัพท์
• Inworld: MP3 สำหรับไฟล์แนบเสียงปกติ, OGG_OPUS แบบเนทีฟสำหรับเป้าหมายข้อความเสียง และ PCM แบบดิบที่ 22050 Hz สำหรับ Talk/โทรศัพท์
• xAI: ค่าเริ่มต้นเป็น MP3; responseFormat อาจเป็น mp3, wav, pcm, mulaw หรือ alaw OpenClaw ใช้ปลายทาง TTS แบบ batch REST ของ xAI และส่งคืนไฟล์แนบเสียงที่สมบูรณ์; เส้นทางผู้ให้บริการนี้ไม่ได้ใช้ TTS WebSocket แบบสตรีมของ xAI เส้นทางนี้ไม่รองรับรูปแบบข้อความเสียง Opus แบบเนทีฟ
• Microsoft: ใช้ microsoft.outputFormat (ค่าเริ่มต้น audio-24khz-48kbitrate-mono-mp3)
  • ทรานสปอร์ตที่บันเดิลมารองรับ outputFormat แต่บริการไม่ได้มีครบทุกฟอร์แมต
  • ค่าเอาต์พุตฟอร์แมตเป็นไปตามฟอร์แมตเอาต์พุตของ Microsoft Speech (รวมถึง Ogg/WebM Opus)
  • Telegram sendVoice รองรับ OGG/MP3/M4A; ใช้ OpenAI/ElevenLabs หากคุณต้องการ ข้อความเสียง Opus ที่รับประกันได้
  • หากฟอร์แมตเอาต์พุต Microsoft ที่กำหนดค่าไว้ล้มเหลว OpenClaw จะลองใหม่ด้วย MP3

ฟอร์แมตเอาต์พุตของ OpenAI/ElevenLabs ถูกกำหนดไว้ตายตัวตามช่องทาง (ดูด้านบน)

# พฤติกรรม Auto-TTS

เมื่อเปิดใช้ messages.tts.auto OpenClaw จะ:

• ข้าม TTS หากการตอบกลับมีสื่ออยู่แล้วหรือมีคำสั่ง MEDIA:
• ข้ามการตอบกลับที่สั้นมาก (ต่ำกว่า 10 อักขระ)
• สรุปการตอบกลับที่ยาวเมื่อเปิดใช้การสรุป โดยใช้ summaryModel (หรือ agents.defaults.model.primary)
• แนบเสียงที่สร้างขึ้นไปกับการตอบกลับ
• ใน mode: "final" ยังคงส่ง TTS แบบเสียงเท่านั้นสำหรับการตอบกลับสุดท้ายที่สตรีม หลังจากสตรีมข้อความเสร็จสิ้นแล้ว; สื่อที่สร้างขึ้นจะผ่านการปรับรูปแบบสื่อของช่องทางเดียวกัน กับไฟล์แนบการตอบกลับปกติ

หากการตอบกลับเกิน maxLength และปิดการสรุปอยู่ (หรือไม่มี API key สำหรับ โมเดลสรุป) เสียงจะถูกข้ามและส่งการตอบกลับข้อความปกติ

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

# ฟอร์แมตเอาต์พุตตามช่องทาง

หมายเหตุแยกตามผู้ให้บริการ:

• การแปลงรหัส Feishu / WhatsApp: เมื่อการตอบกลับแบบข้อความเสียงมาถึงเป็น MP3/WebM/WAV/M4A Plugin ช่องทางจะแปลงรหัสเป็น Ogg/Opus 48 kHz ด้วย ffmpeg WhatsApp ส่งผ่าน Baileys พร้อม ptt: true และ audio/ogg; codecs=opus หากการแปลงล้มเหลว: Feishu จะถอยกลับไปแนบไฟล์ต้นฉบับ; การส่งของ WhatsApp จะล้มเหลวแทนที่จะโพสต์เพย์โหลด PTT ที่ไม่เข้ากัน
• MiniMax / Xiaomi MiMo: ค่าเริ่มต้นเป็น MP3 (32 kHz สำหรับ MiniMax speech-2.8-hd); แปลงรหัสเป็น Opus 48 kHz สำหรับเป้าหมายข้อความเสียงผ่าน ffmpeg
• Local CLI: ใช้ outputFormat ที่กำหนดค่าไว้ เป้าหมายข้อความเสียงจะถูกแปลงเป็น Ogg/Opus และเอาต์พุตโทรศัพท์เป็น PCM โมโน 16 kHz แบบดิบ
• Google Gemini: ส่งคืน PCM 24 kHz แบบดิบ OpenClaw ห่อหุ้มเป็น WAV สำหรับไฟล์แนบ แปลงรหัสเป็น Opus 48 kHz สำหรับเป้าหมายข้อความเสียง และส่งคืน PCM โดยตรงสำหรับ Talk/โทรศัพท์
• Inworld: ไฟล์แนบ MP3, ข้อความเสียง OGG_OPUS แบบเนทีฟ, PCM แบบดิบ 22050 Hz สำหรับ Talk/โทรศัพท์
• xAI: ค่าเริ่มต้นเป็น MP3; responseFormat อาจเป็น mp3|wav|pcm|mulaw|alaw ใช้ปลายทาง batch REST ของ xAI — ไม่ได้ใช้ TTS WebSocket แบบสตรีม ไม่ รองรับรูปแบบข้อความเสียง Opus แบบเนทีฟ
• Microsoft: ใช้ microsoft.outputFormat (ค่าเริ่มต้น audio-24khz-48kbitrate-mono-mp3) Telegram sendVoice รองรับ OGG/MP3/M4A; ใช้ OpenAI/ElevenLabs หากคุณต้องการข้อความเสียง Opus ที่รับประกันได้ หากฟอร์แมต Microsoft ที่กำหนดค่าไว้ล้มเหลว OpenClaw จะลองใหม่ด้วย MP3

ฟอร์แมตเอาต์พุตของ OpenAI และ ElevenLabs ถูกกำหนดไว้ตายตัวตามช่องทางที่ระบุไว้ข้างต้น

# อ้างอิงฟิลด์

# เครื่องมือของ Agent

เครื่องมือ tts แปลงข้อความเป็นเสียงพูดและส่งคืนไฟล์แนบเสียงสำหรับ การส่งข้อความตอบกลับ บน Feishu, Matrix, Telegram และ WhatsApp เสียงจะถูก ส่งเป็นข้อความเสียงแทนไฟล์แนบ Feishu และ WhatsApp สามารถแปลงเอาต์พุต TTS ที่ไม่ใช่ Opus บนเส้นทางนี้เมื่อมี ffmpeg พร้อมใช้งาน.

WhatsApp ส่งเสียงผ่าน Baileys เป็นบันทึกเสียง PTT (audio พร้อม ptt: true) และส่งข้อความที่มองเห็นได้ แยกต่างหาก จากเสียง PTT เพราะ ไคลเอนต์ไม่ได้แสดงคำบรรยายบนบันทึกเสียงอย่างสม่ำเสมอ.

เครื่องมือนี้ยอมรับฟิลด์ channel และ timeoutMs แบบไม่บังคับ; timeoutMs คือ ระยะหมดเวลาคำขอผู้ให้บริการต่อการเรียกหนึ่งครั้งเป็นมิลลิวินาที.

# Gateway RPC

# ลิงก์บริการ

• คู่มือ text-to-speech ของ OpenAI
• เอกสารอ้างอิง OpenAI Audio API
• Azure Speech REST text-to-speech
• ผู้ให้บริการ Azure Speech
• ElevenLabs Text to Speech
• การยืนยันตัวตน ElevenLabs
• Gradium
• Inworld TTS API
• MiniMax T2A v2 API
• Volcengine TTS HTTP API
• การสังเคราะห์เสียงพูด Xiaomi MiMo
• node-edge-tts
• รูปแบบเอาต์พุต Microsoft Speech
• xAI text to speech

# ที่เกี่ยวข้อง

• ภาพรวมสื่อ
• การสร้างเพลง
• การสร้างวิดีโอ
• คำสั่ง Slash
• Plugin การโทรด้วยเสียง