--- read_when: - การเปิดใช้งานการอ่านออกเสียงข้อความสำหรับการตอบกลับ - การกำหนดค่าผู้ให้บริการ TTS, เชนสำรอง หรือบุคลิก - การใช้คำสั่ง /tts หรือคำสั่งกำกับ sidebarTitle: Text to speech (TTS) summary: การแปลงข้อความเป็นเสียงสำหรับการตอบกลับขาออก — ผู้ให้บริการ, เพอร์โซนา, คำสั่งสแลช และเอาต์พุตรายช่องทาง title: ข้อความเป็นเสียงพูด x-i18n: generated_at: "2026-05-10T20:02:36Z" model: gpt-5.5 provider: openai source_hash: a9beda419aa5171c7907a238d008bcab7e67e63900a7cadbe289e58c5585a564 source_path: tools/tts.md workflow: 16 --- OpenClaw สามารถแปลงคำตอบขาออกเป็นเสียงผ่าน **14 ผู้ให้บริการเสียงพูด** และส่งข้อความเสียงแบบเนทีฟบน Feishu, Matrix, Telegram และ WhatsApp, ไฟล์แนบเสียงในที่อื่นทั้งหมด และสตรีม PCM/Ulaw สำหรับโทรศัพท์และ Talk TTS คือครึ่งส่วนเอาต์พุตเสียงพูดของโหมด `stt-tts` ของ Talk เซสชัน Talk แบบ `realtime` ที่เป็นเนทีฟของผู้ให้บริการจะสังเคราะห์เสียงภายในผู้ให้บริการแบบเรียลไทม์ แทนการเรียกเส้นทาง TTS นี้ ส่วนเซสชัน `transcription` จะไม่สังเคราะห์ เสียงตอบกลับของผู้ช่วย ## เริ่มต้นอย่างรวดเร็ว OpenAI และ ElevenLabs เป็นตัวเลือกแบบโฮสต์ที่น่าเชื่อถือที่สุด Microsoft และ CLI ภายในเครื่องทำงานได้โดยไม่ต้องใช้คีย์ API ดู [ตารางผู้ให้บริการ](#supported-providers) สำหรับรายการทั้งหมด ส่งออก env var สำหรับผู้ให้บริการของคุณ (เช่น `OPENAI_API_KEY`, `ELEVENLABS_API_KEY`) Microsoft และ CLI ภายในเครื่องไม่ต้องใช้คีย์ ตั้งค่า `messages.tts.auto: "always"` และ `messages.tts.provider`: ```json5 { messages: { tts: { auto: "always", provider: "elevenlabs", }, }, } ``` `/tts status` แสดงสถานะปัจจุบัน `/tts audio Hello from OpenClaw` ส่งคำตอบเสียงแบบครั้งเดียว Auto-TTS **ปิดอยู่** โดยค่าเริ่มต้น เมื่อไม่ได้ตั้งค่า `messages.tts.provider`, OpenClaw จะเลือกผู้ให้บริการที่กำหนดค่าไว้รายแรกตามลำดับการเลือกอัตโนมัติของ registry เครื่องมือ agent `tts` ในตัวมีไว้สำหรับเจตนาที่ชัดเจนเท่านั้น: แชตทั่วไปยังคงเป็น ข้อความ เว้นแต่ผู้ใช้จะขอเสียง ใช้ `/tts` หรือเปิดใช้เสียงแบบ Auto-TTS/directive ## ผู้ให้บริการที่รองรับ | ผู้ให้บริการ | การยืนยันตัวตน | หมายเหตุ | | ----------------- | ---------------------------------------------------------------------------------------------------------------- | ------------------------------------------------------------------------------------------- | | **Azure Speech** | `AZURE_SPEECH_KEY` + `AZURE_SPEECH_REGION` (รวมถึง `AZURE_SPEECH_API_KEY`, `SPEECH_KEY`, `SPEECH_REGION`) | เอาต์พุตบันทึกเสียง Ogg/Opus แบบเนทีฟและโทรศัพท์ | | **DeepInfra** | `DEEPINFRA_API_KEY` | TTS ที่เข้ากันได้กับ OpenAI ค่าเริ่มต้นเป็น `hexgrad/Kokoro-82M` | | **ElevenLabs** | `ELEVENLABS_API_KEY` หรือ `XI_API_KEY` | โคลนเสียง หลายภาษา กำหนดผลได้ด้วย `seed`; สตรีมสำหรับการเล่นเสียงใน Discord | | **Google Gemini** | `GEMINI_API_KEY` หรือ `GOOGLE_API_KEY` | Gemini API batch TTS; รับรู้ persona ผ่าน `promptTemplate: "audio-profile-v1"` | | **Gradium** | `GRADIUM_API_KEY` | เอาต์พุตบันทึกเสียงและโทรศัพท์ | | **Inworld** | `INWORLD_API_KEY` | Streaming TTS API บันทึกเสียง Opus แบบเนทีฟและโทรศัพท์ PCM | | **Local CLI** | ไม่มี | เรียกใช้คำสั่ง TTS ภายในเครื่องที่กำหนดค่าไว้ | | **Microsoft** | ไม่มี | TTS neural สาธารณะของ Edge ผ่าน `node-edge-tts` แบบพยายามให้ดีที่สุด ไม่มี SLA | | **MiniMax** | `MINIMAX_API_KEY` (หรือ Token Plan: `MINIMAX_OAUTH_TOKEN`, `MINIMAX_CODE_PLAN_KEY`, `MINIMAX_CODING_API_KEY`) | T2A v2 API ค่าเริ่มต้นเป็น `speech-2.8-hd` | | **OpenAI** | `OPENAI_API_KEY` | ใช้สำหรับสรุปอัตโนมัติด้วย; รองรับ `instructions` ของ persona | | **OpenRouter** | `OPENROUTER_API_KEY` (สามารถใช้ `models.providers.openrouter.apiKey` ซ้ำได้) | โมเดลเริ่มต้น `hexgrad/kokoro-82m` | | **Volcengine** | `VOLCENGINE_TTS_API_KEY` หรือ `BYTEPLUS_SEED_SPEECH_API_KEY` (AppID/token เดิม: `VOLCENGINE_TTS_APPID`/`_TOKEN`) | BytePlus Seed Speech HTTP API | | **Vydra** | `VYDRA_API_KEY` | ผู้ให้บริการรูปภาพ วิดีโอ และเสียงพูดที่ใช้ร่วมกัน | | **xAI** | `XAI_API_KEY` | xAI batch TTS **ไม่** รองรับบันทึกเสียง Opus แบบเนทีฟ | | **Xiaomi MiMo** | `XIAOMI_API_KEY` | MiMo TTS ผ่าน chat completions ของ Xiaomi | หากกำหนดค่าผู้ให้บริการหลายราย รายที่เลือกจะถูกใช้ก่อน และรายอื่นจะเป็นตัวเลือกสำรอง สรุปอัตโนมัติใช้ `summaryModel` (หรือ `agents.defaults.model.primary`) ดังนั้น ผู้ให้บริการนั้นต้องผ่านการยืนยันตัวตนด้วยหากคุณยังเปิดใช้สรุปอยู่ ผู้ให้บริการ **Microsoft** ที่มาพร้อมชุดใช้บริการ TTS neural ออนไลน์ของ Microsoft Edge ผ่าน `node-edge-tts` เป็นบริการเว็บสาธารณะที่ไม่มี SLA หรือโควตาที่เผยแพร่ไว้ ควรมองว่าเป็นแบบพยายามให้ดีที่สุด id ผู้ให้บริการเดิม `edge` จะถูกทำให้เป็น `microsoft` และ `openclaw doctor --fix` จะเขียนการกำหนดค่าที่บันทึกไว้ใหม่; การกำหนดค่าใหม่ควรใช้ `microsoft` เสมอ ## การกำหนดค่า การกำหนดค่า TTS อยู่ภายใต้ `messages.tts` ใน `~/.openclaw/openclaw.json` เลือก preset แล้วปรับบล็อกผู้ให้บริการ: ```json5 { messages: { tts: { auto: "always", provider: "azure-speech", providers: { "azure-speech": { apiKey: "${AZURE_SPEECH_KEY}", region: "eastus", voice: "en-US-JennyNeural", lang: "en-US", outputFormat: "audio-24khz-48kbitrate-mono-mp3", voiceNoteOutputFormat: "ogg-24khz-16bit-mono-opus", }, }, }, }, } ``` ```json5 { messages: { tts: { auto: "always", provider: "elevenlabs", providers: { elevenlabs: { apiKey: "${ELEVENLABS_API_KEY}", model: "eleven_multilingual_v2", voiceId: "EXAVITQu4vr4xnSDxMaL", }, }, }, }, } ``` ```json5 { messages: { tts: { auto: "always", provider: "google", providers: { google: { apiKey: "${GEMINI_API_KEY}", model: "gemini-3.1-flash-tts-preview", voiceName: "Kore", // Optional natural-language style prompts: // audioProfile: "Speak in a calm, podcast-host tone.", // speakerName: "Alex", }, }, }, }, } ``` ```json5 { messages: { tts: { auto: "always", provider: "gradium", providers: { gradium: { apiKey: "${GRADIUM_API_KEY}", voiceId: "YTpq7expH9539ERJ", }, }, }, }, } ``` ```json5 { messages: { tts: { auto: "always", provider: "inworld", providers: { inworld: { apiKey: "${INWORLD_API_KEY}", modelId: "inworld-tts-1.5-max", voiceId: "Sarah", temperature: 0.7, }, }, }, }, } ``` ```json5 { messages: { tts: { auto: "always", provider: "tts-local-cli", providers: { "tts-local-cli": { command: "say", args: ["-o", "{{OutputPath}}", "{{Text}}"], outputFormat: "wav", timeoutMs: 120000, }, }, }, }, } ``` ```json5 { messages: { tts: { auto: "always", provider: "microsoft", providers: { microsoft: { enabled: true, voice: "en-US-MichelleNeural", lang: "en-US", outputFormat: "audio-24khz-48kbitrate-mono-mp3", rate: "+0%", pitch: "+0%", }, }, }, }, } ``` ```json5 { messages: { tts: { auto: "always", provider: "minimax", providers: { minimax: { apiKey: "${MINIMAX_API_KEY}", model: "speech-2.8-hd", voiceId: "English_expressive_narrator", speed: 1.0, vol: 1.0, pitch: 0, }, }, }, }, } ``` ```json5 { 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", }, }, }, }, } ``` ```json5 { messages: { tts: { auto: "always", provider: "openrouter", providers: { openrouter: { apiKey: "${OPENROUTER_API_KEY}", model: "hexgrad/kokoro-82m", voice: "af_alloy", responseFormat: "mp3", }, }, }, }, } ``` ```json5 { messages: { tts: { auto: "always", provider: "volcengine", providers: { volcengine: { apiKey: "${VOLCENGINE_TTS_API_KEY}", resourceId: "seed-tts-1.0", voice: "en_female_anna_mars_bigtts", }, }, }, }, } ``` ```json5 { messages: { tts: { auto: "always", provider: "xai", providers: { xai: { apiKey: "${XAI_API_KEY}", voiceId: "eve", language: "en", responseFormat: "mp3", }, }, }, }, } ``` ```json5 { messages: { tts: { auto: "always", provider: "xiaomi", providers: { xiaomi: { apiKey: "${XIAOMI_API_KEY}", model: "mimo-v2.5-tts", voice: "mimo_default", format: "mp3", }, }, }, }, } ``` ### การแทนที่เสียงราย agent ใช้ `agents.list[].tts` เมื่อ agent หนึ่งควรพูดด้วยผู้ให้บริการ เสียง โมเดล persona หรือโหมด Auto-TTS ที่แตกต่างกัน บล็อก agent จะ deep-merge ทับ `messages.tts` ดังนั้นข้อมูลประจำตัวของผู้ให้บริการสามารถอยู่ในการกำหนดค่าผู้ให้บริการส่วนกลางได้: ```json5 { messages: { tts: { auto: "always", provider: "elevenlabs", providers: { elevenlabs: { apiKey: "${ELEVENLABS_API_KEY}", model: "eleven_multilingual_v2" }, }, }, }, agents: { list: [ { id: "reader", tts: { providers: { elevenlabs: { voiceId: "EXAVITQu4vr4xnSDxMaL" }, }, }, }, ], }, } ``` หากต้องการตรึงบุคลิกต่อเอเจนต์ ให้ตั้งค่า `agents.list[].tts.persona` ควบคู่กับการกำหนดค่าผู้ให้บริการ ซึ่งจะแทนที่ `messages.tts.persona` ส่วนกลางสำหรับเอเจนต์นั้นเท่านั้น ลำดับความสำคัญสำหรับการตอบกลับอัตโนมัติ, `/tts audio`, `/tts status` และเครื่องมือเอเจนต์ `tts`: 1. `messages.tts` 2. `agents.list[].tts` ที่ใช้งานอยู่ 3. การแทนที่ของช่องทาง เมื่อช่องทางรองรับ `channels..tts` 4. การแทนที่ของบัญชี เมื่อช่องทางส่งผ่าน `channels..accounts..tts` 5. ค่ากำหนด `/tts` ภายในเครื่องสำหรับโฮสต์นี้ 6. คำสั่งกำกับแบบอินไลน์ `[[tts:...]]` เมื่อเปิดใช้ [การแทนที่โดยโมเดล](#model-driven-directives) การแทนที่ของช่องทางและบัญชีใช้รูปแบบเดียวกับ `messages.tts` และทำการผสานเชิงลึกทับเลเยอร์ก่อนหน้า ดังนั้นข้อมูลประจำตัวของผู้ให้บริการที่ใช้ร่วมกันสามารถอยู่ใน `messages.tts` ขณะที่ช่องทางหรือบัญชีบอทเปลี่ยนเฉพาะเสียง โมเดล บุคลิก หรือโหมดอัตโนมัติ: ```json5 { messages: { tts: { provider: "openai", providers: { openai: { apiKey: "${OPENAI_API_KEY}", model: "gpt-4o-mini-tts" }, }, }, }, channels: { feishu: { accounts: { english: { tts: { providers: { openai: { voice: "shimmer" }, }, }, }, }, }, }, } ``` ## บุคลิก **บุคลิก** คืออัตลักษณ์เสียงพูดที่เสถียรซึ่งนำไปใช้ข้ามผู้ให้บริการได้อย่างกำหนดแน่นอน สามารถระบุผู้ให้บริการที่ต้องการ กำหนดเจตนาพรอมป์ที่ไม่ผูกกับผู้ให้บริการ และเก็บการผูกค่าเฉพาะผู้ให้บริการสำหรับเสียง โมเดล เทมเพลตพรอมป์ seed และการตั้งค่าเสียง ### บุคลิกขั้นต่ำ ```json5 { messages: { tts: { auto: "always", persona: "narrator", personas: { narrator: { label: "Narrator", provider: "elevenlabs", providers: { elevenlabs: { voiceId: "EXAVITQu4vr4xnSDxMaL", modelId: "eleven_multilingual_v2" }, }, }, }, }, }, } ``` ### บุคลิกแบบเต็ม (พรอมป์ไม่ผูกกับผู้ให้บริการ) ```json5 { 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, }, }, }, }, }, }, }, } ``` ### การกำหนดบุคลิก บุคลิกที่ใช้งานอยู่จะถูกเลือกอย่างกำหนดแน่นอน: 1. ค่ากำหนดภายในเครื่อง `/tts persona ` หากตั้งไว้ 2. `messages.tts.persona` หากตั้งไว้ 3. ไม่มีบุคลิก การเลือกผู้ให้บริการใช้แบบระบุชัดเจนก่อน: 1. การแทนที่โดยตรง (CLI, gateway, Talk, คำสั่งกำกับ TTS ที่อนุญาต) 2. ค่ากำหนดภายในเครื่อง `/tts provider ` 3. `provider` ของบุคลิกที่ใช้งานอยู่ 4. `messages.tts.provider` 5. การเลือกอัตโนมัติจากรีจิสทรี สำหรับความพยายามของผู้ให้บริการแต่ละครั้ง OpenClaw จะผสานการกำหนดค่าตามลำดับนี้: 1. `messages.tts.providers.` 2. `messages.tts.personas..providers.` 3. การแทนที่จากคำขอที่เชื่อถือได้ 4. การแทนที่จากคำสั่งกำกับ TTS ที่โมเดลส่งออกและอนุญาต ### ผู้ให้บริการใช้พรอมป์บุคลิกอย่างไร ฟิลด์พรอมป์บุคลิก (`profile`, `scene`, `sampleContext`, `style`, `accent`, `pacing`, `constraints`) เป็นแบบ **ไม่ผูกกับผู้ให้บริการ** ผู้ให้บริการแต่ละรายตัดสินใจเองว่าจะใช้อย่างไร: ห่อฟิลด์พรอมป์บุคลิกในโครงสร้างพรอมป์ Gemini TTS **เฉพาะเมื่อ** การกำหนดค่าผู้ให้บริการ Google ที่มีผลตั้งค่า `promptTemplate: "audio-profile-v1"` หรือ `personaPrompt` ฟิลด์เก่า `audioProfile` และ `speakerName` ยังคงถูกเติมนำหน้าเป็นข้อความพรอมป์เฉพาะ Google แท็กเสียงแบบอินไลน์ เช่น `[whispers]` หรือ `[laughs]` ภายในบล็อก `[[tts:text]]` จะถูกเก็บไว้ภายในทรานสคริปต์ Gemini; OpenClaw ไม่ได้สร้างแท็กเหล่านี้ แมปฟิลด์พรอมป์บุคลิกไปยังฟิลด์คำขอ `instructions` **เฉพาะเมื่อ** ไม่มีการกำหนดค่า OpenAI `instructions` ไว้อย่างชัดเจน `instructions` ที่ระบุชัดเจนจะมีผลเหนือกว่าเสมอ ใช้เฉพาะการผูกค่าบุคลิกเฉพาะผู้ให้บริการภายใต้ `personas..providers.` ฟิลด์พรอมป์บุคลิกจะถูกละเว้น เว้นแต่ผู้ให้บริการจะติดตั้งการแมปพรอมป์บุคลิกของตนเอง ### นโยบาย fallback `fallbackPolicy` ควบคุมพฤติกรรมเมื่อบุคลิก **ไม่มีการผูกค่า** สำหรับผู้ให้บริการที่พยายามใช้: | นโยบาย | พฤติกรรม | | ------------------- | ------------------------------------------------------------------------------------------------------------------------------------------------ | | `preserve-persona` | **ค่าเริ่มต้น** ฟิลด์พรอมป์ที่ไม่ผูกกับผู้ให้บริการยังคงพร้อมใช้งาน ผู้ให้บริการอาจใช้หรือละเว้นฟิลด์เหล่านั้น | | `provider-defaults` | บุคลิกจะถูกละเว้นจากการเตรียมพรอมป์สำหรับความพยายามนั้น ผู้ให้บริการใช้ค่าเริ่มต้นแบบเป็นกลางของตนเอง ขณะที่การ fallback ไปยังผู้ให้บริการอื่นยังดำเนินต่อไป | | `fail` | ข้ามความพยายามของผู้ให้บริการนั้นด้วย `reasonCode: "not_configured"` และ `personaBinding: "missing"` ผู้ให้บริการ fallback ยังถูกลองต่อ | คำขอ TTS ทั้งหมดจะล้มเหลวเฉพาะเมื่อผู้ให้บริการที่พยายามใช้ **ทุก** รายถูกข้ามหรือล้มเหลวเท่านั้น การเลือกผู้ให้บริการของเซสชัน Talk มีขอบเขตเฉพาะเซสชัน ไคลเอนต์ Talk ควรเลือก id ผู้ให้บริการ, id โมเดล, id เสียง และ locale จาก `talk.catalog` และส่งผ่านเซสชัน Talk หรือคำขอส่งต่อ การเปิดเซสชันเสียงไม่ควรแก้ไข `messages.tts` หรือค่าเริ่มต้นผู้ให้บริการ Talk ส่วนกลาง ## คำสั่งกำกับโดยโมเดล โดยค่าเริ่มต้น ผู้ช่วย **สามารถ** ส่งคำสั่งกำกับ `[[tts:...]]` เพื่อแทนที่เสียง โมเดล หรือความเร็วสำหรับการตอบกลับครั้งเดียว พร้อมบล็อก `[[tts:text]]...[[/tts:text]]` ที่เป็นทางเลือกสำหรับคิวการแสดงออกซึ่งควรปรากฏเฉพาะในเสียง: ```text 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"` **ต้องมีคำสั่งกำกับ** เพื่อเรียกใช้เสียง การส่งบล็อกแบบสตรีมจะลบคำสั่งกำกับออกจากข้อความที่มองเห็นได้ก่อนที่ช่องทางจะเห็น แม้เมื่อถูกแยกข้ามบล็อกที่อยู่ติดกัน `provider=...` จะถูกละเว้น เว้นแต่ `modelOverrides.allowProvider: true` เมื่อการตอบกลับประกาศ `provider=...` คีย์อื่นในคำสั่งกำกับนั้นจะถูกแยกวิเคราะห์โดยผู้ให้บริการนั้นเท่านั้น คีย์ที่ไม่รองรับจะถูกลบออกและรายงานเป็นคำเตือนคำสั่งกำกับ TTS **คีย์คำสั่งกำกับที่ใช้ได้:** - `provider` (id ผู้ให้บริการที่ลงทะเบียน ต้องมี `allowProvider: true`) - `voice` / `voiceName` / `voice_name` / `google_voice` / `voiceId` - `model` / `google_model` - `stability`, `similarityBoost`, `style`, `speed`, `useSpeakerBoost` - `vol` / `volume` (ระดับเสียง MiniMax, 0–10) - `pitch` (pitch จำนวนเต็มของ MiniMax, −12 ถึง 12; ค่าทศนิยมจะถูกตัดทิ้ง) - `emotion` (แท็กอารมณ์ Volcengine) - `applyTextNormalization` (`auto|on|off`) - `languageCode` (ISO 639-1) - `seed` **ปิดใช้การแทนที่โดยโมเดลทั้งหมด:** ```json5 { messages: { tts: { modelOverrides: { enabled: false } } } } ``` **อนุญาตให้สลับผู้ให้บริการโดยยังคงกำหนดค่าปุ่มปรับอื่นได้:** ```json5 { messages: { tts: { modelOverrides: { enabled: true, allowProvider: true, allowSeed: false } } } } ``` ## คำสั่ง slash คำสั่งเดียวคือ `/tts` บน Discord, OpenClaw ยังลงทะเบียน `/voice` ด้วย เพราะ `/tts` เป็นคำสั่ง Discord ในตัว โดยข้อความ `/tts ...` ยังคงใช้งานได้ ```text /tts off | on | status /tts chat on | off | default /tts latest /tts provider /tts persona | off /tts limit /tts summary off /tts audio ``` คำสั่งต้องมาจากผู้ส่งที่ได้รับอนุญาต (ใช้กฎ allowlist/เจ้าของ) และต้องเปิดใช้ `commands.text` หรือการลงทะเบียนคำสั่งแบบเนทีฟ หมายเหตุพฤติกรรม: - `/tts on` เขียนค่ากำหนด TTS ภายในเครื่องเป็น `always`; `/tts off` เขียนเป็น `off` - `/tts chat on|off|default` เขียนการแทนที่ auto-TTS ที่มีขอบเขตเฉพาะเซสชันสำหรับแชตปัจจุบัน - `/tts persona ` เขียนค่ากำหนดบุคลิกภายในเครื่อง; `/tts persona off` ล้างค่านั้น - `/tts latest` อ่านคำตอบล่าสุดของผู้ช่วยจากทรานสคริปต์เซสชันปัจจุบันและส่งเป็นเสียงหนึ่งครั้ง โดยเก็บเฉพาะแฮชของคำตอบนั้นในรายการเซสชันเพื่อระงับการส่งเสียงซ้ำ - `/tts audio` สร้างการตอบกลับเสียงแบบครั้งเดียว (ไม่ได้เปิด TTS) - `limit` และ `summary` ถูกเก็บไว้ใน **ค่ากำหนดภายในเครื่อง** ไม่ใช่การกำหนดค่าหลัก - `/tts status` รวมการวินิจฉัย fallback สำหรับความพยายามล่าสุด ได้แก่ `Fallback: -> `, `Attempts: ...` และรายละเอียดต่อความพยายาม (`provider:outcome(reasonCode) latency`) - `/status` แสดงโหมด TTS ที่ใช้งานอยู่ พร้อมผู้ให้บริการ โมเดล เสียง และเมทาดาตา endpoint กำหนดเองที่ผ่านการล้างข้อมูลแล้วเมื่อเปิดใช้ TTS ## ค่ากำหนดต่อผู้ใช้ คำสั่ง slash เขียนการแทนที่ภายในเครื่องไปยัง `prefsPath` ค่าเริ่มต้นคือ `~/.openclaw/settings/tts.json`; แทนที่ด้วยตัวแปรสภาพแวดล้อม `OPENCLAW_TTS_PREFS` หรือ `messages.tts.prefsPath` | ฟิลด์ที่จัดเก็บ | ผล | | ------------ | -------------------------------------------- | | `auto` | การแทนที่ auto-TTS ภายในเครื่อง (`always`, `off`, …) | | `provider` | การแทนที่ผู้ให้บริการหลักภายในเครื่อง | | `persona` | การแทนที่บุคลิกภายในเครื่อง | | `maxLength` | เกณฑ์การสรุป (ค่าเริ่มต้น `1500` อักขระ) | | `summarize` | สวิตช์การสรุป (ค่าเริ่มต้น `true`) | ค่าเหล่านี้แทนที่การกำหนดค่าที่มีผลจาก `messages.tts` รวมกับบล็อก `agents.list[].tts` ที่ใช้งานอยู่สำหรับโฮสต์นั้น ## รูปแบบเอาต์พุต (คงที่) การส่งเสียง TTS ขับเคลื่อนโดยความสามารถของช่องทาง Plugin ของช่องทางประกาศว่า TTS แบบเสียงพูดควรขอเป้าหมาย `voice-note` แบบเนทีฟจากผู้ให้บริการ หรือคงการสังเคราะห์ `audio-file` ปกติไว้และเพียงทำเครื่องหมายเอาต์พุตที่เข้ากันได้สำหรับการส่งเสียง - **ช่องทางที่รองรับข้อความเสียง**: การตอบกลับเป็นข้อความเสียงจะเลือกใช้ Opus ก่อน (`opus_48000_64` จาก ElevenLabs, `opus` จาก OpenAI) - 48 kHz / 64 kbps เป็นจุดสมดุลที่ดีสำหรับข้อความเสียง - **Feishu / WhatsApp**: เมื่อการตอบกลับเป็นข้อความเสียงถูกสร้างเป็น MP3/WebM/WAV/M4A หรือเป็นไฟล์เสียงประเภทอื่นที่น่าจะใช่ Plugin ของช่องทางจะแปลงรหัสเป็น 48 kHz Ogg/Opus ด้วย `ffmpeg` ก่อนส่งข้อความเสียงแบบเนทีฟ WhatsApp ส่ง ผลลัพธ์ผ่านเพย์โหลด `audio` ของ Baileys พร้อม `ptt: true` และ `audio/ogg; codecs=opus` หากการแปลงล้มเหลว Feishu จะได้รับไฟล์เดิม เป็นไฟล์แนบ ส่วน WhatsApp จะส่งล้มเหลวแทนการโพสต์เพย์โหลด PTT ที่ไม่เข้ากัน - **ช่องทางอื่น**: MP3 (`mp3_44100_128` จาก ElevenLabs, `mp3` จาก OpenAI) - 44.1 kHz / 128 kbps เป็นสมดุลเริ่มต้นสำหรับความชัดเจนของเสียงพูด - **MiniMax**: MP3 (โมเดล `speech-2.8-hd`, อัตราสุ่มตัวอย่าง 32 kHz) สำหรับไฟล์แนบเสียงปกติ สำหรับเป้าหมายข้อความเสียงที่ช่องทางประกาศไว้ OpenClaw จะแปลงรหัส MiniMax MP3 เป็น Opus 48 kHz ด้วย `ffmpeg` ก่อนส่งมอบเมื่อช่องทางประกาศว่ารองรับการแปลงรหัส - **Xiaomi MiMo**: ใช้ MP3 โดยค่าเริ่มต้น หรือ WAV เมื่อกำหนดค่าไว้ สำหรับเป้าหมายข้อความเสียงที่ช่องทางประกาศไว้ OpenClaw จะแปลงรหัสเอาต์พุตของ Xiaomi เป็น Opus 48 kHz ด้วย `ffmpeg` ก่อนส่งมอบเมื่อช่องทางประกาศว่ารองรับการแปลงรหัส - **CLI ภายในเครื่อง**: ใช้ `outputFormat` ที่กำหนดค่าไว้ เป้าหมายข้อความเสียงจะถูก แปลงเป็น Ogg/Opus และเอาต์พุตโทรศัพท์จะถูกแปลงเป็น PCM โมโนดิบ 16 kHz ด้วย `ffmpeg` - **Google Gemini**: TTS ของ Gemini API ส่งคืน PCM ดิบ 24 kHz OpenClaw ห่อหุ้มเป็น WAV สำหรับไฟล์แนบเสียง แปลงรหัสเป็น Opus 48 kHz 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` ดิบที่ 22050 Hz สำหรับ Talk/โทรศัพท์ - **xAI**: ใช้ MP3 โดยค่าเริ่มต้น; `responseFormat` อาจเป็น `mp3`, `wav`, `pcm`, `mulaw` หรือ `alaw` OpenClaw ใช้จุดปลายทาง TTS แบบ REST ชุดงานของ xAI และส่งคืนไฟล์แนบเสียงที่สมบูรณ์ เส้นทางผู้ให้บริการนี้ไม่ใช้ TTS แบบสตรีมผ่าน WebSocket ของ xAI เส้นทางนี้ไม่รองรับรูปแบบข้อความเสียง Opus แบบเนทีฟ - **Microsoft**: ใช้ `microsoft.outputFormat` (ค่าเริ่มต้น `audio-24khz-48kbitrate-mono-mp3`) - ทรานสปอร์ตที่รวมมารองรับ `outputFormat` แต่บริการไม่ได้มีทุกรูปแบบให้ใช้ - ค่าเอาต์พุตรูปแบบเป็นไปตามรูปแบบเอาต์พุตของ Microsoft Speech (รวมถึง Ogg/WebM Opus) - Telegram `sendVoice` รองรับ OGG/MP3/M4A; ใช้ OpenAI/ElevenLabs หากคุณต้องการ ข้อความเสียง Opus ที่รับประกันได้ - หากรูปแบบเอาต์พุต Microsoft ที่กำหนดค่าไว้ล้มเหลว OpenClaw จะลองใหม่ด้วย MP3 รูปแบบเอาต์พุตของ OpenAI/ElevenLabs ถูกกำหนดตายตัวตามช่องทาง (ดูด้านบน) ## ลักษณะการทำงานของ Auto-TTS เมื่อเปิดใช้ `messages.tts.auto` แล้ว OpenClaw จะ: - ข้าม TTS หากการตอบกลับมีสื่ออยู่แล้วหรือมีคำสั่ง `MEDIA:` - ข้ามการตอบกลับที่สั้นมาก (ต่ำกว่า 10 อักขระ) - สรุปการตอบกลับยาวเมื่อเปิดใช้การสรุป โดยใช้ `summaryModel` (หรือ `agents.defaults.model.primary`) - แนบเสียงที่สร้างขึ้นกับการตอบกลับ - ใน `mode: "final"` ยังคงส่ง TTS เฉพาะเสียงสำหรับการตอบกลับสุดท้ายแบบสตรีม หลังจากสตรีมข้อความเสร็จสิ้นแล้ว สื่อที่สร้างขึ้นจะผ่านการทำให้สื่อของช่องทาง เป็นปกติแบบเดียวกับไฟล์แนบการตอบกลับทั่วไป หากการตอบกลับเกิน `maxLength` และการสรุปถูกปิดอยู่ (หรือไม่มีคีย์ API สำหรับ โมเดลสรุป) จะข้ามเสียงและส่งการตอบกลับข้อความปกติ ```text 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 ``` ## รูปแบบเอาต์พุตตามช่องทาง | เป้าหมาย | รูปแบบ | | ------------------------------------- | ------------------------------------------------------------------------------------------------------------------------------------- | | Feishu / Matrix / Telegram / WhatsApp | การตอบกลับเป็นข้อความเสียงจะเลือกใช้ **Opus** ก่อน (`opus_48000_64` จาก ElevenLabs, `opus` จาก OpenAI) 48 kHz / 64 kbps สมดุลระหว่างความชัดเจนและขนาด | | ช่องทางอื่น | **MP3** (`mp3_44100_128` จาก ElevenLabs, `mp3` จาก OpenAI) ค่าเริ่มต้น 44.1 kHz / 128 kbps สำหรับเสียงพูด | | Talk / โทรศัพท์ | **PCM** แบบเนทีฟของผู้ให้บริการ (Inworld 22050 Hz, Google 24 kHz) หรือ `ulaw_8000` จาก Gradium สำหรับโทรศัพท์ | หมายเหตุตามผู้ให้บริการ: - **การแปลงรหัสของ Feishu / WhatsApp:** เมื่อการตอบกลับเป็นข้อความเสียงมาถึงเป็น MP3/WebM/WAV/M4A Plugin ของช่องทางจะแปลงรหัสเป็น Ogg/Opus 48 kHz ด้วย `ffmpeg` WhatsApp ส่งผ่าน Baileys พร้อม `ptt: true` และ `audio/ogg; codecs=opus` หากการแปลงล้มเหลว: Feishu จะย้อนกลับไปแนบไฟล์เดิม ส่วน WhatsApp จะส่งล้มเหลวแทนการโพสต์เพย์โหลด PTT ที่ไม่เข้ากัน - **MiniMax / Xiaomi MiMo:** ค่าเริ่มต้นเป็น MP3 (32 kHz สำหรับ MiniMax `speech-2.8-hd`); แปลงรหัสเป็น Opus 48 kHz สำหรับเป้าหมายข้อความเสียงผ่าน `ffmpeg` - **CLI ภายในเครื่อง:** ใช้ `outputFormat` ที่กำหนดค่าไว้ เป้าหมายข้อความเสียงถูกแปลงเป็น Ogg/Opus และเอาต์พุตโทรศัพท์เป็น PCM โมโนดิบ 16 kHz - **Google Gemini:** ส่งคืน PCM ดิบ 24 kHz OpenClaw ห่อหุ้มเป็น WAV สำหรับไฟล์แนบ แปลงรหัสเป็น Opus 48 kHz สำหรับเป้าหมายข้อความเสียง และส่งคืน PCM โดยตรงสำหรับ Talk/โทรศัพท์ - **Inworld:** ไฟล์แนบ MP3, ข้อความเสียง `OGG_OPUS` แบบเนทีฟ, `PCM` ดิบ 22050 Hz สำหรับ Talk/โทรศัพท์ - **xAI:** ใช้ MP3 โดยค่าเริ่มต้น; `responseFormat` อาจเป็น `mp3|wav|pcm|mulaw|alaw` ใช้จุดปลายทาง REST แบบชุดงานของ xAI — **ไม่** ใช้ TTS ผ่าน WebSocket แบบสตรีม ไม่รองรับรูปแบบข้อความเสียง Opus แบบเนทีฟ - **Microsoft:** ใช้ `microsoft.outputFormat` (ค่าเริ่มต้น `audio-24khz-48kbitrate-mono-mp3`) Telegram `sendVoice` รองรับ OGG/MP3/M4A; ใช้ OpenAI/ElevenLabs หากคุณต้องการข้อความเสียง Opus ที่รับประกันได้ หากรูปแบบ Microsoft ที่กำหนดค่าไว้ล้มเหลว OpenClaw จะลองใหม่ด้วย MP3 รูปแบบเอาต์พุตของ OpenAI และ ElevenLabs ถูกกำหนดตายตัวตามช่องทางดังที่แสดงไว้ด้านบน ## อ้างอิงฟิลด์ โหมด Auto-TTS `inbound` ส่งเสียงหลังจากข้อความเสียงขาเข้าเท่านั้น; `tagged` ส่งเสียงเฉพาะเมื่อการตอบกลับมีคำสั่ง `[[tts:...]]` หรือบล็อก `[[tts:text]]` สวิตช์เดิม `openclaw doctor --fix` จะย้ายค่านี้ไปยัง `auto` `"all"` รวมการตอบกลับจากเครื่องมือ/บล็อกเพิ่มเติมจากการตอบกลับสุดท้าย รหัสผู้ให้บริการเสียงพูด เมื่อไม่ได้ตั้งค่า OpenClaw จะใช้ผู้ให้บริการรายแรกที่กำหนดค่าไว้ตามลำดับการเลือกอัตโนมัติของรีจิสทรี ค่าเดิม `provider: "edge"` จะถูกเขียนใหม่เป็น `"microsoft"` โดย `openclaw doctor --fix` รหัสเพอร์โซนาที่ใช้งานอยู่จาก `personas` ทำให้เป็นตัวพิมพ์เล็ก อัตลักษณ์เสียงพูดที่เสถียร ฟิลด์: `label`, `description`, `provider`, `fallbackPolicy`, `prompt`, `providers.` ดู [เพอร์โซนา](#personas) โมเดลราคาถูกสำหรับสรุปอัตโนมัติ; ค่าเริ่มต้นเป็น `agents.defaults.model.primary` รองรับ `provider/model` หรือชื่อแทนโมเดลที่กำหนดค่าไว้ อนุญาตให้โมเดลปล่อยคำสั่ง TTS `enabled` มีค่าเริ่มต้นเป็น `true`; `allowProvider` มีค่าเริ่มต้นเป็น `false` การตั้งค่าที่ผู้ให้บริการเป็นเจ้าของโดยใช้รหัสผู้ให้บริการเสียงพูดเป็นคีย์ บล็อกตรงแบบเดิม (`messages.tts.openai`, `.elevenlabs`, `.microsoft`, `.edge`) จะถูกเขียนใหม่โดย `openclaw doctor --fix`; ให้คอมมิตเฉพาะ `messages.tts.providers.` เพดานสูงสุดแบบแข็งสำหรับจำนวนอักขระอินพุต TTS `/tts audio` จะล้มเหลวหากเกินค่านี้ เวลาหมดเวลาของคำขอเป็นมิลลิวินาที แทนที่เส้นทาง JSON การตั้งค่าภายในเครื่อง (ผู้ให้บริการ/ขีดจำกัด/สรุป) ค่าเริ่มต้น `~/.openclaw/settings/tts.json` ตัวแปรสภาพแวดล้อม: `AZURE_SPEECH_KEY`, `AZURE_SPEECH_API_KEY` หรือ `SPEECH_KEY` ภูมิภาค Azure Speech (เช่น `eastus`) ตัวแปรสภาพแวดล้อม: `AZURE_SPEECH_REGION` หรือ `SPEECH_REGION` การแทนที่จุดปลายทาง Azure Speech แบบไม่บังคับ (นามแฝง `baseUrl`) ShortName ของเสียง Azure ค่าเริ่มต้น `en-US-JennyNeural` รหัสภาษา SSML ค่าเริ่มต้น `en-US` Azure `X-Microsoft-OutputFormat` สำหรับเสียงมาตรฐาน ค่าเริ่มต้น `audio-24khz-48kbitrate-mono-mp3` Azure `X-Microsoft-OutputFormat` สำหรับเอาต์พุตข้อความเสียง ค่าเริ่มต้น `ogg-24khz-16bit-mono-opus` ย้อนกลับไปใช้ `ELEVENLABS_API_KEY` หรือ `XI_API_KEY` รหัสโมเดล (เช่น `eleven_multilingual_v2`, `eleven_v3`) รหัสเสียง ElevenLabs `stability`, `similarityBoost`, `style` (แต่ละค่า `0..1`), `useSpeakerBoost` (`true|false`), `speed` (`0.5..2.0`, `1.0` = ปกติ) โหมดการทำข้อความให้เป็นมาตรฐาน ISO 639-1 แบบ 2 ตัวอักษร (เช่น `en`, `de`) จำนวนเต็ม `0..4294967295` สำหรับความกำหนดซ้ำได้แบบพยายามให้ดีที่สุด แทนที่ URL ฐานของ ElevenLabs API ย้อนกลับไปใช้ `GEMINI_API_KEY` / `GOOGLE_API_KEY` หากละไว้ TTS สามารถใช้ `models.providers.google.apiKey` ซ้ำก่อนย้อนกลับไปใช้ตัวแปรสภาพแวดล้อม โมเดล Gemini TTS ค่าเริ่มต้น `gemini-3.1-flash-tts-preview` ชื่อเสียงสำเร็จรูปของ Gemini ค่าเริ่มต้น `Kore` นามแฝง: `voice` พรอมต์สไตล์ภาษาธรรมชาติที่เติมนำหน้าก่อนข้อความที่จะพูด ป้ายชื่อผู้พูดแบบไม่บังคับที่เติมนำหน้าก่อนข้อความที่จะพูด เมื่อพรอมต์ของคุณใช้ผู้พูดที่มีชื่อ ตั้งเป็น `audio-profile-v1` เพื่อห่อหุ้มฟิลด์พรอมต์เพอร์โซนาที่ใช้งานอยู่ในโครงสร้างพรอมต์ Gemini TTS ที่กำหนดซ้ำได้ ข้อความพรอมต์เพอร์โซนาเพิ่มเติมเฉพาะ Google ที่ต่อท้ายใน Director's Notes ของเทมเพลต ยอมรับเฉพาะ `https://generativelanguage.googleapis.com` Env: `GRADIUM_API_KEY`. ค่าเริ่มต้น `https://api.gradium.ai`. ค่าเริ่มต้น Emma (`YTpq7expH9539ERJ`). ### หลักของ Inworld Env: `INWORLD_API_KEY`. ค่าเริ่มต้น `https://api.inworld.ai`. ค่าเริ่มต้น `inworld-tts-1.5-max` นอกจากนี้ยังมี: `inworld-tts-1.5-mini`, `inworld-tts-1-max`, `inworld-tts-1`. ค่าเริ่มต้น `Sarah`. อุณหภูมิการสุ่มตัวอย่าง `0..2`. ไฟล์ปฏิบัติการภายในเครื่องหรือสตริงคำสั่งสำหรับ CLI TTS. อาร์กิวเมนต์คำสั่ง รองรับตัวแทนที่ `{{Text}}`, `{{OutputPath}}`, `{{OutputDir}}`, `{{OutputBase}}`. รูปแบบเอาต์พุต CLI ที่คาดไว้ ค่าเริ่มต้น `mp3` สำหรับไฟล์แนบเสียง. ระยะหมดเวลาของคำสั่งเป็นมิลลิวินาที ค่าเริ่มต้น `120000`. ไดเรกทอรีทำงานของคำสั่งที่ไม่บังคับ. การแทนที่สภาพแวดล้อมที่ไม่บังคับสำหรับคำสั่ง. อนุญาตให้ใช้งานเสียงพูดของ Microsoft. ชื่อเสียง neural ของ Microsoft (เช่น `en-US-MichelleNeural`). รหัสภาษา (เช่น `en-US`). รูปแบบเอาต์พุตของ Microsoft ค่าเริ่มต้น `audio-24khz-48kbitrate-mono-mp3` การขนส่งที่บันเดิลและอิง Edge ไม่รองรับทุกรูปแบบ. สตริงเปอร์เซ็นต์ (เช่น `+10%`, `-5%`). เขียนคำบรรยาย JSON ไว้ข้างไฟล์เสียง. URL พร็อกซีสำหรับคำขอเสียงพูดของ Microsoft. การแทนที่ระยะหมดเวลาของคำขอ (มิลลิวินาที). นามแฝงแบบเดิม เรียกใช้ `openclaw doctor --fix` เพื่อเขียนการกำหนดค่าที่บันทึกไว้ใหม่เป็น `providers.microsoft`. ย้อนกลับไปใช้ `MINIMAX_API_KEY` การตรวจสอบสิทธิ์ Token Plan ผ่าน `MINIMAX_OAUTH_TOKEN`, `MINIMAX_CODE_PLAN_KEY` หรือ `MINIMAX_CODING_API_KEY`. ค่าเริ่มต้น `https://api.minimax.io` Env: `MINIMAX_API_HOST`. ค่าเริ่มต้น `speech-2.8-hd` Env: `MINIMAX_TTS_MODEL`. ค่าเริ่มต้น `English_expressive_narrator` Env: `MINIMAX_TTS_VOICE_ID`. `0.5..2.0` ค่าเริ่มต้น `1.0`. `(0, 10]` ค่าเริ่มต้น `1.0`. จำนวนเต็ม `-12..12` ค่าเริ่มต้น `0` ค่าทศนิยมจะถูกตัดก่อนส่งคำขอ. ย้อนกลับไปใช้ `OPENAI_API_KEY`. รหัสโมเดล TTS ของ OpenAI (เช่น `gpt-4o-mini-tts`). ชื่อเสียง (เช่น `alloy`, `cedar`). ฟิลด์ `instructions` ของ OpenAI แบบชัดเจน เมื่อตั้งค่าแล้ว ฟิลด์พรอมป์ persona จะ **ไม่** ถูกแมปโดยอัตโนมัติ. ฟิลด์ JSON เพิ่มเติมที่ผสานเข้าในเนื้อหาคำขอ `/audio/speech` หลังจากฟิลด์ TTS ของ OpenAI ที่สร้างขึ้น ใช้สิ่งนี้สำหรับ endpoint ที่เข้ากันได้กับ OpenAI เช่น Kokoro ซึ่งต้องใช้คีย์เฉพาะผู้ให้บริการอย่าง `lang`; คีย์ prototype ที่ไม่ปลอดภัยจะถูกละเว้น. แทนที่ endpoint TTS ของ OpenAI ลำดับการแก้ไข: config → `OPENAI_TTS_BASE_URL` → `https://api.openai.com/v1` ค่าที่ไม่ใช่ค่าเริ่มต้นจะถือเป็น endpoint TTS ที่เข้ากันได้กับ OpenAI ดังนั้นจึงยอมรับชื่อโมเดลและชื่อเสียงแบบกำหนดเอง. Env: `OPENROUTER_API_KEY` สามารถใช้ `models.providers.openrouter.apiKey` ซ้ำได้. ค่าเริ่มต้น `https://openrouter.ai/api/v1` ค่าเดิม `https://openrouter.ai/v1` จะถูกทำให้เป็นมาตรฐาน. ค่าเริ่มต้น `hexgrad/kokoro-82m` นามแฝง: `modelId`. ค่าเริ่มต้น `af_alloy` นามแฝง: `voiceId`. ค่าเริ่มต้น `mp3`. การแทนที่ความเร็วแบบเนทีฟของผู้ให้บริการ. Env: `VOLCENGINE_TTS_API_KEY` หรือ `BYTEPLUS_SEED_SPEECH_API_KEY`. ค่าเริ่มต้น `seed-tts-1.0` Env: `VOLCENGINE_TTS_RESOURCE_ID` ใช้ `seed-tts-2.0` เมื่อโปรเจ็กต์ของคุณมีสิทธิ์ TTS 2.0. ส่วนหัวคีย์แอป ค่าเริ่มต้น `aGjiRDfUWi` Env: `VOLCENGINE_TTS_APP_KEY`. แทนที่ endpoint HTTP ของ Seed Speech TTS Env: `VOLCENGINE_TTS_BASE_URL`. ประเภทเสียง ค่าเริ่มต้น `en_female_anna_mars_bigtts` Env: `VOLCENGINE_TTS_VOICE`. อัตราส่วนความเร็วแบบเนทีฟของผู้ให้บริการ. แท็กอารมณ์แบบเนทีฟของผู้ให้บริการ. ฟิลด์ Volcengine Speech Console แบบเดิม Env: `VOLCENGINE_TTS_APPID`, `VOLCENGINE_TTS_TOKEN`, `VOLCENGINE_TTS_CLUSTER` (ค่าเริ่มต้น `volcano_tts`). Env: `XAI_API_KEY`. ค่าเริ่มต้น `https://api.x.ai/v1` Env: `XAI_BASE_URL`. ค่าเริ่มต้น `eve` เสียงสด: `ara`, `eve`, `leo`, `rex`, `sal`, `una`. รหัสภาษา BCP-47 หรือ `auto` ค่าเริ่มต้น `en`. ค่าเริ่มต้น `mp3`. การแทนที่ความเร็วแบบเนทีฟของผู้ให้บริการ. Env: `XIAOMI_API_KEY`. ค่าเริ่มต้น `https://api.xiaomimimo.com/v1` Env: `XIAOMI_BASE_URL`. ค่าเริ่มต้น `mimo-v2.5-tts` Env: `XIAOMI_TTS_MODEL` ยังรองรับ `mimo-v2-tts`. ค่าเริ่มต้น `mimo_default` Env: `XIAOMI_TTS_VOICE`. ค่าเริ่มต้น `mp3` Env: `XIAOMI_TTS_FORMAT`. คำสั่งสไตล์ภาษาธรรมชาติที่ไม่บังคับ ซึ่งส่งเป็นข้อความผู้ใช้; ไม่ถูกพูดออกเสียง. ## เครื่องมือ Agent เครื่องมือ `tts` แปลงข้อความเป็นเสียงพูดและส่งคืนไฟล์แนบเสียงสำหรับ การส่งคำตอบ บน Feishu, Matrix, Telegram และ WhatsApp เสียงจะถูก ส่งเป็นข้อความเสียงแทนไฟล์แนบ Feishu และ WhatsApp สามารถแปลงเอาต์พุต TTS ที่ไม่ใช่ Opus บนเส้นทางนี้ได้เมื่อมี `ffmpeg` พร้อมใช้งาน. WhatsApp ส่งเสียงผ่าน Baileys เป็นบันทึกเสียง PTT (`audio` พร้อม `ptt: true`) และส่งข้อความที่มองเห็นได้ **แยกต่างหาก** จากเสียง PTT เพราะ ไคลเอนต์ไม่ได้แสดงคำบรรยายบนบันทึกเสียงอย่างสม่ำเสมอ. เครื่องมือนี้ยอมรับฟิลด์ `channel` และ `timeoutMs` ที่ไม่บังคับ; `timeoutMs` คือ ระยะหมดเวลาคำขอผู้ให้บริการต่อการเรียกหนึ่งครั้งเป็นมิลลิวินาที. ## Gateway RPC | เมธอด | วัตถุประสงค์ | | ----------------- | ---------------------------------------- | | `tts.status` | อ่านสถานะ TTS ปัจจุบันและความพยายามล่าสุด. | | `tts.enable` | ตั้งค่าการกำหนดลักษณะอัตโนมัติภายในเครื่องเป็น `always`. | | `tts.disable` | ตั้งค่าการกำหนดลักษณะอัตโนมัติภายในเครื่องเป็น `off`. | | `tts.convert` | แปลงข้อความเป็นเสียงแบบครั้งเดียว. | | `tts.setProvider` | ตั้งค่าการกำหนดลักษณะผู้ให้บริการภายในเครื่อง. | | `tts.setPersona` | ตั้งค่าการกำหนดลักษณะ persona ภายในเครื่อง. | | `tts.providers` | แสดงรายการผู้ให้บริการที่กำหนดค่าไว้และสถานะ. | ## ลิงก์บริการ - [คู่มือข้อความเป็นเสียงพูดของ OpenAI](https://platform.openai.com/docs/guides/text-to-speech) - [เอกสารอ้างอิง OpenAI Audio API](https://platform.openai.com/docs/api-reference/audio) - [Azure Speech REST ข้อความเป็นเสียงพูด](https://learn.microsoft.com/azure/ai-services/speech-service/rest-text-to-speech) - [ผู้ให้บริการ Azure Speech](/th/providers/azure-speech) - [ข้อความเป็นเสียงพูดของ ElevenLabs](https://elevenlabs.io/docs/api-reference/text-to-speech) - [การตรวจสอบสิทธิ์ของ ElevenLabs](https://elevenlabs.io/docs/api-reference/authentication) - [Gradium](/th/providers/gradium) - [Inworld TTS API](https://docs.inworld.ai/tts/tts) - [MiniMax T2A v2 API](https://platform.minimaxi.com/document/T2A%20V2) - [Volcengine TTS HTTP API](/th/providers/volcengine#text-to-speech) - [การสังเคราะห์เสียงพูดของ Xiaomi MiMo](/th/providers/xiaomi#text-to-speech) - [node-edge-tts](https://github.com/SchneeHertz/node-edge-tts) - [รูปแบบเอาต์พุต Microsoft Speech](https://learn.microsoft.com/azure/ai-services/speech-service/rest-text-to-speech#audio-outputs) - [ข้อความเป็นเสียงพูดของ xAI](https://docs.x.ai/developers/rest-api-reference/inference/voice#text-to-speech-rest) ## ที่เกี่ยวข้อง - [ภาพรวมสื่อ](/th/tools/media-overview) - [การสร้างเพลง](/th/tools/music-generation) - [การสร้างวิดีโอ](/th/tools/video-generation) - [คำสั่ง Slash](/th/tools/slash-commands) - [Plugin การโทรด้วยเสียง](/th/plugins/voice-call)