Chuyển văn bản thành giọng nói

OpenClaw có thể chuyển đổi các phản hồi gửi đi thành âm thanh trên 14 nhà cung cấp giọng nói và gửi tin nhắn thoại gốc trên Feishu, Matrix, Telegram và WhatsApp, tệp đính kèm âm thanh ở mọi nơi khác, cũng như luồng PCM/Ulaw cho điện thoại và Talk.

TTS là nửa đầu ra giọng nói của chế độ stt-tts của Talk. Các phiên Talk realtime gốc theo nhà cung cấp tổng hợp giọng nói bên trong nhà cung cấp realtime thay vì gọi đường dẫn TTS này, trong khi các phiên transcription không tổng hợp phản hồi giọng nói của trợ lý.

# Bắt đầu nhanh

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

# Nhà cung cấp được hỗ trợ

Nếu cấu hình nhiều nhà cung cấp, nhà cung cấp đã chọn được dùng trước và các nhà cung cấp còn lại là tùy chọn dự phòng. Tự động tóm tắt dùng summaryModel (hoặc agents.defaults.model.primary), nên nhà cung cấp đó cũng phải được xác thực nếu bạn giữ bật tính năng tóm tắt.

# Cấu hình

Cấu hình TTS nằm dưới messages.tts trong ~/.openclaw/openclaw.json. Chọn một preset và điều chỉnh khối nhà cung cấp:

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

# Ghi đè giọng nói theo từng agent

Dùng agents.list[].tts khi một agent nên nói bằng nhà cung cấp, giọng nói, mô hình, persona hoặc chế độ Auto-TTS khác. Khối agent được hợp nhất sâu lên messages.tts, nên thông tin xác thực nhà cung cấp có thể vẫn ở cấu hình nhà cung cấp toàn cục:

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

Để cố định persona theo từng agent, đặt agents.list[].tts.persona cùng với cấu hình nhà cung cấp — nó chỉ ghi đè messages.tts.persona toàn cục cho agent đó.

Thứ tự ưu tiên cho trả lời tự động, /tts audio, /tts status, và công cụ tác tử tts:

1. messages.tts
2. agents.list[].tts đang hoạt động
3. ghi đè kênh, khi kênh hỗ trợ channels.<channel>.tts
4. ghi đè tài khoản, khi kênh truyền channels.<channel>.accounts.<id>.tts
5. tùy chọn /tts cục bộ cho máy chủ này
6. chỉ thị nội tuyến [[tts:...]] khi bật ghi đè theo mô hình

Ghi đè kênh và tài khoản dùng cùng cấu trúc với messages.tts và hợp nhất sâu lên các lớp trước đó, nên thông tin xác thực nhà cung cấp dùng chung có thể ở trong messages.tts trong khi một kênh hoặc tài khoản bot chỉ thay đổi giọng nói, mô hình, persona, hoặc chế độ tự động:

{
  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

Một persona là một danh tính nói ổn định có thể được áp dụng một cách xác định trên nhiều nhà cung cấp. Nó có thể ưu tiên một nhà cung cấp, định nghĩa ý định prompt trung lập với nhà cung cấp, và mang các ràng buộc riêng cho từng nhà cung cấp về giọng nói, mô hình, mẫu prompt, seed và thiết lập giọng nói.

# Persona tối thiểu

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

# Persona đầy đủ (prompt trung lập với nhà cung cấp)

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

# Phân giải persona

Persona đang hoạt động được chọn một cách xác định:

1. tùy chọn cục bộ /tts persona <id>, nếu được đặt.
2. messages.tts.persona, nếu được đặt.
3. Không có persona.

Việc chọn nhà cung cấp chạy theo thứ tự ưu tiên mục rõ ràng trước:

1. Ghi đè trực tiếp (CLI, gateway, Talk, các chỉ thị TTS được cho phép).
2. tùy chọn cục bộ /tts provider <id>.
3. provider của persona đang hoạt động.
4. messages.tts.provider.
5. Tự động chọn từ sổ đăng ký.

Với mỗi lần thử nhà cung cấp, OpenClaw hợp nhất cấu hình theo thứ tự này:

1. messages.tts.providers.<id>
2. messages.tts.personas.<persona>.providers.<id>
3. Ghi đè yêu cầu đáng tin cậy
4. Ghi đè từ chỉ thị TTS do mô hình phát ra và được cho phép

# Cách nhà cung cấp dùng prompt persona

Các trường prompt persona (profile, scene, sampleContext, style, accent, pacing, constraints) là trung lập với nhà cung cấp. Mỗi nhà cung cấp quyết định cách sử dụng chúng:

# Chính sách dự phòng

fallbackPolicy kiểm soát hành vi khi một persona không có ràng buộc cho nhà cung cấp được thử:

Toàn bộ yêu cầu TTS chỉ thất bại khi mọi nhà cung cấp được thử đều bị bỏ qua hoặc thất bại.

Việc chọn nhà cung cấp cho phiên Talk có phạm vi theo phiên. Một ứng dụng khách Talk nên chọn id nhà cung cấp, id mô hình, id giọng nói và locale từ talk.catalog rồi truyền chúng qua phiên Talk hoặc yêu cầu bàn giao. Việc mở phiên giọng nói không nên thay đổi messages.tts hoặc mặc định nhà cung cấp Talk toàn cục.

# Chỉ thị theo mô hình

Theo mặc định, trợ lý có thể phát ra chỉ thị [[tts:...]] để ghi đè giọng nói, mô hình hoặc tốc độ cho một câu trả lời duy nhất, cộng với một khối [[tts:text]]...[[/tts:text]] tùy chọn cho các gợi ý biểu cảm chỉ nên xuất hiện trong âm thanh:

Here you go.

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

Khi messages.tts.auto là "tagged", bắt buộc phải có chỉ thị để kích hoạt âm thanh. Việc phân phối khối dạng streaming loại bỏ chỉ thị khỏi văn bản hiển thị trước khi kênh nhìn thấy chúng, ngay cả khi chúng bị tách qua các khối liền kề.

provider=... bị bỏ qua trừ khi modelOverrides.allowProvider: true. Khi một câu trả lời khai báo provider=..., các khóa khác trong chỉ thị đó chỉ được phân tích bởi nhà cung cấp đó; các khóa không được hỗ trợ bị loại bỏ và được báo cáo dưới dạng cảnh báo chỉ thị TTS.

Các khóa chỉ thị có sẵn:

• provider (id nhà cung cấp đã đăng ký; yêu cầu allowProvider: true)
• voice / voiceName / voice_name / google_voice / voiceId
• model / google_model
• stability, similarityBoost, style, speed, useSpeakerBoost
• vol / volume (âm lượng MiniMax, 0–10)
• pitch (cao độ số nguyên MiniMax, −12 đến 12; giá trị phân số bị cắt cụt)
• emotion (thẻ cảm xúc Volcengine)
• applyTextNormalization (auto|on|off)
• languageCode (ISO 639-1)
• seed

Tắt hoàn toàn ghi đè mô hình:

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

Cho phép chuyển đổi nhà cung cấp trong khi vẫn giữ các nút điều chỉnh khác có thể cấu hình:

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

# Lệnh gạch chéo

Một lệnh duy nhất /tts. Trên Discord, OpenClaw cũng đăng ký /voice vì /tts là một lệnh tích hợp sẵn của Discord — văn bản /tts ... vẫn hoạt động.

/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>

Ghi chú hành vi:

• /tts on ghi tùy chọn TTS cục bộ thành always; /tts off ghi nó thành off.
• /tts chat on|off|default ghi một ghi đè auto-TTS có phạm vi theo phiên cho cuộc trò chuyện hiện tại.
• /tts persona <id> ghi tùy chọn persona cục bộ; /tts persona off xóa nó.
• /tts latest đọc câu trả lời trợ lý mới nhất từ bản chép lời phiên hiện tại và gửi nó dưới dạng âm thanh một lần. Nó chỉ lưu một hash của câu trả lời đó trên mục phiên để tránh gửi giọng nói trùng lặp.
• /tts audio tạo một câu trả lời âm thanh một lần (không bật TTS).
• limit và summary được lưu trong tùy chọn cục bộ, không phải cấu hình chính.
• /tts status bao gồm chẩn đoán dự phòng cho lần thử mới nhất — Fallback: <primary> -> <used>, Attempts: ..., và chi tiết theo từng lần thử (provider:outcome(reasonCode) latency).
• /status hiển thị chế độ TTS đang hoạt động cùng với nhà cung cấp, mô hình, giọng nói đã cấu hình và siêu dữ liệu endpoint tùy chỉnh đã được làm sạch khi TTS được bật.

# Tùy chọn theo người dùng

Lệnh gạch chéo ghi ghi đè cục bộ vào prefsPath. Mặc định là ~/.openclaw/settings/tts.json; ghi đè bằng biến môi trường OPENCLAW_TTS_PREFS hoặc messages.tts.prefsPath.

Các mục này ghi đè cấu hình hiệu lực từ messages.tts cộng với khối agents.list[].tts đang hoạt động cho máy chủ đó.

# Định dạng đầu ra (cố định)

Việc phân phối giọng nói TTS được điều khiển bởi năng lực kênh. Các Plugin kênh quảng cáo liệu TTS kiểu giọng nói nên yêu cầu nhà cung cấp tạo mục tiêu voice-note gốc hay giữ tổng hợp audio-file thông thường và chỉ đánh dấu đầu ra tương thích cho việc phân phối giọng nói.

• Các kênh hỗ trợ ghi chú thoại: câu trả lời dạng ghi chú thoại ưu tiên Opus (opus_48000_64 từ ElevenLabs, opus từ OpenAI).
  • 48kHz / 64kbps là mức đánh đổi tốt cho tin nhắn thoại.
• Feishu / WhatsApp: khi câu trả lời dạng ghi chú thoại được tạo dưới dạng MP3/WebM/WAV/M4A hoặc một tệp có khả năng là âm thanh khác, Plugin kênh chuyển mã tệp đó sang Ogg/Opus 48kHz bằng ffmpeg trước khi gửi tin nhắn thoại gốc. WhatsApp gửi kết quả qua payload audio của Baileys với ptt: true và audio/ogg; codecs=opus. Nếu chuyển đổi thất bại, Feishu nhận tệp gốc dưới dạng tệp đính kèm; thao tác gửi WhatsApp thất bại thay vì đăng một payload PTT không tương thích.
• BlueBubbles: giữ việc tổng hợp của nhà cung cấp trên đường dẫn tệp âm thanh bình thường; các đầu ra MP3 và CAF được đánh dấu để gửi bản ghi nhớ thoại iMessage.
• Các kênh khác: MP3 (mp3_44100_128 từ ElevenLabs, mp3 từ OpenAI).
  • 44.1kHz / 128kbps là mức cân bằng mặc định cho độ rõ của giọng nói.
• MiniMax: MP3 (mô hình speech-2.8-hd, tần số lấy mẫu 32kHz) cho tệp đính kèm âm thanh thông thường. Với các mục tiêu ghi chú thoại do kênh quảng bá, OpenClaw chuyển mã MP3 MiniMax sang Opus 48kHz bằng ffmpeg trước khi phân phối khi kênh quảng bá khả năng chuyển mã.
• Xiaomi MiMo: MP3 theo mặc định, hoặc WAV khi được cấu hình. Với các mục tiêu ghi chú thoại do kênh quảng bá, OpenClaw chuyển mã đầu ra Xiaomi sang Opus 48kHz bằng ffmpeg trước khi phân phối khi kênh quảng bá khả năng chuyển mã.
• CLI cục bộ: sử dụng outputFormat đã cấu hình. Các mục tiêu ghi chú thoại được chuyển đổi sang Ogg/Opus và đầu ra điện thoại được chuyển đổi sang PCM mono thô 16 kHz bằng ffmpeg.
• Google Gemini: TTS của Gemini API trả về PCM thô 24kHz. OpenClaw bọc nó dưới dạng WAV cho tệp đính kèm âm thanh, chuyển mã sang Opus 48kHz cho các mục tiêu ghi chú thoại, và trả về PCM trực tiếp cho Talk/điện thoại.
• Gradium: WAV cho tệp đính kèm âm thanh, Opus cho mục tiêu ghi chú thoại, và ulaw_8000 ở 8 kHz cho điện thoại.
• Inworld: MP3 cho tệp đính kèm âm thanh thông thường, OGG_OPUS gốc cho mục tiêu ghi chú thoại, và PCM thô ở 22050 Hz cho Talk/điện thoại.
• xAI: MP3 theo mặc định; responseFormat có thể là mp3, wav, pcm, mulaw, hoặc alaw. OpenClaw sử dụng endpoint TTS REST hàng loạt của xAI và trả về một tệp đính kèm âm thanh hoàn chỉnh; WebSocket TTS streaming của xAI không được dùng bởi đường dẫn nhà cung cấp này. Định dạng ghi chú thoại Opus gốc không được hỗ trợ bởi đường dẫn này.
• Microsoft: sử dụng microsoft.outputFormat (mặc định audio-24khz-48kbitrate-mono-mp3).
  • Bộ truyền tải đi kèm chấp nhận outputFormat, nhưng không phải mọi định dạng đều có sẵn từ dịch vụ.
  • Giá trị định dạng đầu ra tuân theo các định dạng đầu ra Microsoft Speech (bao gồm Ogg/WebM Opus).
  • Telegram sendVoice chấp nhận OGG/MP3/M4A; hãy dùng OpenAI/ElevenLabs nếu bạn cần tin nhắn thoại Opus được bảo đảm.
  • Nếu định dạng đầu ra Microsoft đã cấu hình thất bại, OpenClaw thử lại bằng MP3.

Định dạng đầu ra OpenAI/ElevenLabs được cố định theo từng kênh (xem bên trên).

# Hành vi Auto-TTS

Khi messages.tts.auto được bật, OpenClaw:

• Bỏ qua TTS nếu câu trả lời đã chứa phương tiện hoặc chỉ thị MEDIA:.
• Bỏ qua các câu trả lời rất ngắn (dưới 10 ký tự).
• Tóm tắt các câu trả lời dài khi bật tóm tắt, sử dụng summaryModel (hoặc agents.defaults.model.primary).
• Đính kèm âm thanh đã tạo vào câu trả lời.
• Trong mode: "final", vẫn gửi TTS chỉ âm thanh cho các câu trả lời cuối cùng được streaming sau khi luồng văn bản hoàn tất; phương tiện được tạo đi qua cùng quy trình chuẩn hóa phương tiện của kênh như các tệp đính kèm trả lời thông thường.

Nếu câu trả lời vượt quá maxLength và tóm tắt đang tắt (hoặc không có khóa API cho mô hình tóm tắt), âm thanh sẽ bị bỏ qua và câu trả lời văn bản bình thường được gửi.

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

# Định dạng đầu ra theo kênh

Ghi chú theo từng nhà cung cấp:

• Chuyển mã Feishu / WhatsApp: Khi câu trả lời dạng ghi chú thoại nhận về là MP3/WebM/WAV/M4A, Plugin kênh chuyển mã sang Ogg/Opus 48 kHz bằng ffmpeg. WhatsApp gửi qua Baileys với ptt: true và audio/ogg; codecs=opus. Nếu chuyển đổi thất bại: Feishu quay lại đính kèm tệp gốc; thao tác gửi WhatsApp thất bại thay vì đăng một payload PTT không tương thích.
• MiniMax / Xiaomi MiMo: MP3 mặc định (32 kHz cho MiniMax speech-2.8-hd); được chuyển mã sang Opus 48 kHz cho các mục tiêu ghi chú thoại qua ffmpeg.
• CLI cục bộ: Sử dụng outputFormat đã cấu hình. Các mục tiêu ghi chú thoại được chuyển đổi sang Ogg/Opus và đầu ra điện thoại sang PCM mono thô 16 kHz.
• Google Gemini: Trả về PCM thô 24 kHz. OpenClaw bọc dưới dạng WAV cho tệp đính kèm, chuyển mã sang Opus 48 kHz cho mục tiêu ghi chú thoại, trả về PCM trực tiếp cho Talk/điện thoại.
• Inworld: Tệp đính kèm MP3, ghi chú thoại OGG_OPUS gốc, PCM thô 22050 Hz cho Talk/điện thoại.
• xAI: MP3 theo mặc định; responseFormat có thể là mp3|wav|pcm|mulaw|alaw. Sử dụng endpoint REST hàng loạt của xAI — WebSocket TTS streaming không được dùng. Định dạng ghi chú thoại Opus gốc không được hỗ trợ.
• Microsoft: Sử dụng microsoft.outputFormat (mặc định audio-24khz-48kbitrate-mono-mp3). Telegram sendVoice chấp nhận OGG/MP3/M4A; hãy dùng OpenAI/ElevenLabs nếu bạn cần tin nhắn thoại Opus được bảo đảm. Nếu định dạng Microsoft đã cấu hình thất bại, OpenClaw thử lại bằng MP3.

Định dạng đầu ra OpenAI và ElevenLabs được cố định theo từng kênh như liệt kê bên trên.

# Tham chiếu trường

# Công cụ agent

Công cụ tts chuyển đổi văn bản thành giọng nói và trả về tệp đính kèm âm thanh để gửi trả lời. Trên Feishu, Matrix, Telegram và WhatsApp, âm thanh được gửi dưới dạng tin nhắn thoại thay vì tệp đính kèm. Feishu và WhatsApp có thể chuyển mã đầu ra TTS không phải Opus trên đường dẫn này khi ffmpeg có sẵn.

WhatsApp gửi âm thanh qua Baileys dưới dạng ghi chú thoại PTT (audio với ptt: true) và gửi văn bản hiển thị riêng biệt với âm thanh PTT vì client không hiển thị chú thích trên ghi chú thoại một cách nhất quán.

Công cụ chấp nhận các trường tùy chọn channel và timeoutMs; timeoutMs là thời gian chờ yêu cầu nhà cung cấp cho mỗi lần gọi, tính bằng mili giây.

# Gateway RPC

# Liên kết dịch vụ

• Hướng dẫn chuyển văn bản thành giọng nói của OpenAI
• Tham chiếu OpenAI Audio API
• Chuyển văn bản thành giọng nói Azure Speech REST
• Nhà cung cấp Azure Speech
• ElevenLabs Text to Speech
• Xác thực ElevenLabs
• Gradium
• Inworld TTS API
• MiniMax T2A v2 API
• Volcengine TTS HTTP API
• Tổng hợp giọng nói Xiaomi MiMo
• node-edge-tts
• Định dạng đầu ra Microsoft Speech
• Chuyển văn bản thành giọng nói xAI

# Liên quan

• Tổng quan về phương tiện
• Tạo nhạc
• Tạo video
• Lệnh slash
• Plugin gọi thoại