Conversão de texto em fala

O OpenClaw converte respostas enviadas em áudio por meio de 14 provedores de fala: mensagens de voz nativas no Feishu, Matrix, Telegram e WhatsApp; anexos de áudio em todos os outros lugares; e fluxos PCM/Ulaw para telefonia e Talk.

O TTS é a parte de saída de fala do modo stt-tts do Talk (talk.speak usa esse mesmo caminho de síntese). As sessões do Talk realtime nativas do provedor sintetizam a fala dentro do provedor em tempo real; as sessões transcription nunca sintetizam uma resposta de voz do assistente.

Início rápido

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

Provedores compatíveis

Se vários provedores estiverem configurados, o selecionado será usado primeiro e os demais serão opções de contingência. O resumo automático usa summaryModel (ou agents.defaults.model.primary), portanto esse provedor também deve estar autenticado se os resumos permanecerem ativados.

Configuração

A configuração de TTS fica em messages.tts no ~/.openclaw/openclaw.json. Escolha uma predefinição e adapte o bloco do provedor. Os campos speakerVoice/speakerVoiceId mostrados abaixo são canônicos; os nomes de campo voice/voiceId/ voiceName próprios de cada provedor ainda funcionam como aliases legados.

{messages: {tts: {  auto: "always",  provider: "azure-speech",  providers: {    "azure-speech": {      apiKey: "${AZURE_SPEECH_KEY}",      region: "eastus",      speakerVoice: "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",      speakerVoiceId: "EXAVITQu4vr4xnSDxMaL",    },  },},},}

{messages: {tts: {  auto: "always",  provider: "google",  providers: {    google: {      apiKey: "${GEMINI_API_KEY}",      model: "gemini-3.1-flash-tts-preview",      speakerVoice: "Kore",      // Prompts opcionais de estilo em linguagem natural:      // audioProfile: "Fale em um tom calmo, como apresentador de podcast.",      // speakerName: "Alex",    },  },},},}

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

{messages: {tts: {  auto: "always",  provider: "inworld",  providers: {    inworld: {      apiKey: "${INWORLD_API_KEY}",      modelId: "inworld-tts-1.5-max",      speakerVoiceId: "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,      speakerVoice: "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",      speakerVoiceId: "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: "${OPENAI_API_KEY}",      model: "gpt-4o-mini-tts",      speakerVoice: "alloy",    },    elevenlabs: {      apiKey: "${ELEVENLABS_API_KEY}",      model: "eleven_multilingual_v2",      speakerVoiceId: "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",      speakerVoice: "af_alloy",      responseFormat: "mp3",    },  },},},}

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

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

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

Para o Xiaomi mimo-v2.5-tts-voicedesign, omita speakerVoice e defina style como o prompt de criação da voz. O OpenClaw envia esse prompt como a mensagem user do TTS e não envia audio.voice para o modelo voicedesign.

Substituições de voz por agente

Use agents.list[].tts quando um agente precisar falar com outro provedor, outra voz, outro modelo, outra persona ou outro modo de TTS automático. O bloco do agente é mesclado profundamente sobre messages.tts, portanto as credenciais do provedor podem permanecer na configuração global do provedor:

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

Para fixar uma persona por agente, defina agents.list[].tts.persona junto à configuração do provedor — ela substitui a messages.tts.persona global somente para esse agente.

Ordem de precedência para respostas automáticas, /tts audio, /tts status e a ferramenta de agente tts:

1. messages.tts
2. agents.list[].tts ativo
3. substituição do canal, quando o canal oferece suporte a channels.<channel>.tts
4. substituição da conta, quando o canal transmite channels.<channel>.accounts.<id>.tts
5. preferências locais de /tts para este host
6. diretivas [[tts:...]] embutidas quando as substituições orientadas pelo modelo estão habilitadas

As substituições de canal e conta usam o mesmo formato que messages.tts e são mescladas profundamente sobre as camadas anteriores, portanto as credenciais compartilhadas do provedor podem permanecer em messages.tts, enquanto um canal ou uma conta de bot altera somente a voz do locutor, o modelo, a persona ou o modo automático:

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

Personas

Uma persona é uma identidade falada estável que pode ser aplicada de forma determinística entre provedores. Ela pode preferir um provedor, definir a intenção do prompt de modo independente do provedor e conter associações específicas de cada provedor para vozes, modelos, modelos de prompt, sementes e configurações de voz.

Persona mínima

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

Persona completa (prompt independente do provedor)

{  messages: {    tts: {      auto: "always",      persona: "alfred",      personas: {        alfred: {          label: "Alfred",          description: "Narrador mordomo britânico, espirituoso e acolhedor.",          provider: "google",          fallbackPolicy: "preserve-persona",          prompt: {            profile: "Um mordomo britânico brilhante. Espirituoso, sagaz, acolhedor, encantador, emocionalmente expressivo, nunca genérico.",            scene: "Um escritório silencioso tarde da noite. Narração com microfone próximo para um operador de confiança.",            sampleContext: "O locutor está respondendo a uma solicitação técnica privada com confiança concisa e cordialidade espirituosa.",            style: "Refinado, discreto, levemente divertido.",            accent: "Inglês britânico.",            pacing: "Cadenciado, com breves pausas dramáticas.",            constraints: ["Não leia valores de configuração em voz alta.", "Não explique a persona."],          },          providers: {            google: {              model: "gemini-3.1-flash-tts-preview",              speakerVoice: "Algieba",              promptTemplate: "audio-profile-v1",            },            openai: { model: "gpt-4o-mini-tts", speakerVoice: "cedar" },            elevenlabs: {              speakerVoiceId: "voice_id",              modelId: "eleven_multilingual_v2",              seed: 42,              voiceSettings: {                stability: 0.65,                similarityBoost: 0.8,                style: 0.25,                useSpeakerBoost: true,                speed: 0.95,              },            },          },        },      },    },  },}

Resolução da persona

A persona ativa é selecionada de forma determinística:

1. Preferência local de /tts persona <id>, se definida.
2. messages.tts.persona, se definida.
3. Nenhuma persona.

A seleção do provedor prioriza as opções explícitas:

1. Substituições diretas (CLI, Gateway, Talk, diretivas TTS permitidas).
2. Preferência local de /tts provider <id>.
3. provider da persona ativa.
4. messages.tts.provider.
5. Seleção automática do registro.

Para cada tentativa de provedor, o OpenClaw mescla as configurações nesta ordem:

1. messages.tts.providers.<id>
2. messages.tts.personas.<persona>.providers.<id>
3. Substituições de solicitações confiáveis
4. Substituições de diretivas TTS permitidas emitidas pelo modelo

Como os provedores usam prompts de persona

Os campos de prompt da persona (profile, scene, sampleContext, style, accent, pacing, constraints) são independentes do provedor. Cada provedor decide como usá-los:

Política de fallback

fallbackPolicy controla o comportamento quando uma persona não tem associação para o provedor tentado:

A solicitação TTS inteira só falha quando todos os provedores tentados são ignorados ou falham.

A seleção de provedor da sessão do Talk é restrita à sessão. Um cliente Talk deve escolher IDs de provedores, IDs de modelos, IDs de vozes e localidades em talk.catalog e transmiti-los pela solicitação de sessão ou transferência do Talk. A abertura de uma sessão de voz não deve alterar messages.tts nem os padrões globais de provedor do Talk.

Diretivas orientadas pelo modelo

Por padrão, o assistente pode emitir diretivas [[tts:...]] para substituir voz, modelo ou velocidade em uma única resposta, além de um bloco [[tts:text]]...[[/tts:text]] opcional para indicações expressivas que devem aparecer somente no áudio:

Aqui está. [[tts:speakerVoiceId=pMsXgVXv3BLzUgSXRplE model=eleven_v3 speed=1.1]][[tts:text]](risos) Leia a música mais uma vez.[[/tts:text]]

Quando messages.tts.auto é "tagged", as diretivas são obrigatórias para acionar o áudio. A entrega de blocos por streaming remove as diretivas do texto visível antes que o canal as receba, mesmo quando divididas entre blocos adjacentes.

provider=... é ignorado, a menos que modelOverrides.allowProvider: true. Quando uma resposta declara provider=..., as outras chaves nessa diretiva são analisadas somente por esse provedor; chaves sem suporte são removidas e relatadas como avisos de diretiva TTS.

Chaves de diretiva disponíveis:

• provider (ID de provedor registrado; requer allowProvider: true)
• speakerVoice / speakerVoiceId (aliases legados: voice, voiceName, voice_name, google_voice, voiceId)
• model / google_model
• stability, similarityBoost, style, speed, useSpeakerBoost
• vol / volume (volume do MiniMax, (0, 10])
• pitch (tom inteiro do MiniMax, −12 a 12; valores fracionários são truncados)
• emotion (tag de emoção do Volcengine)
• applyTextNormalization (auto|on|off)
• languageCode (ISO 639-1)
• seed

Desabilitar completamente as substituições do modelo:

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

Permitir a troca de provedor enquanto os outros ajustes permanecem configuráveis:

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

Comandos de barra

Comando único /tts. No Discord, o OpenClaw também registra /voice porque /tts é um comando integrado do Discord — o texto /tts ... ainda funciona.

/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>

Observações sobre o comportamento:

• /tts on grava a preferência local de TTS em always; /tts off a grava em off.
• /tts chat on|off|default grava uma substituição de TTS automático restrita à sessão para o chat atual.
• /tts persona <id> grava a preferência local de persona; /tts persona off a limpa.
• /tts latest lê a resposta mais recente do assistente na transcrição da sessão atual e a envia uma vez como áudio. Ele armazena somente um hash dessa resposta na entrada da sessão para impedir envios de voz duplicados.
• /tts audio gera uma resposta de áudio avulsa (não ativa o TTS).
• /tts limit <chars> aceita 100–4096 (4096 é o máximo de legenda/mensagem do Telegram); valores fora desse intervalo são rejeitados.
• limit e summary são armazenados nas preferências locais, não na configuração principal.
• /tts status inclui diagnósticos de fallback da tentativa mais recente — Fallback: <primary> -> <used>, Attempts: ... e detalhes por tentativa (provider:outcome(reasonCode) latency).
• /status mostra o modo TTS ativo, além do provedor, modelo, voz e metadados sanitizados do endpoint personalizado configurados quando o TTS está habilitado.

Preferências por usuário

Os comandos de barra gravam substituições locais em prefsPath. O padrão é ~/.openclaw/settings/tts.json; substitua-o pela variável de ambiente OPENCLAW_TTS_PREFS ou por messages.tts.prefsPath.

Esses valores substituem a configuração efetiva de messages.tts mais o bloco agents.list[].tts ativo desse host.

Formatos de saída

A entrega de voz por TTS é determinada pelos recursos do canal. Os plugins de canal informam se o TTS no estilo de voz deve solicitar aos provedores um destino voice-note nativo ou manter a síntese audio-file normal, e se o canal transcodifica a saída não nativa antes do envio.

Observações por provedor:

• Transcodificação do Feishu / WhatsApp: quando uma resposta em mensagem de voz chega como MP3/WebM/WAV/M4A ou outro arquivo que provavelmente seja de áudio, o plugin do canal a transcodifica para Ogg/Opus de 48 kHz com ffmpeg (libopus, 64 kbps) antes de enviar a mensagem de voz nativa. O WhatsApp envia o resultado pelo payload audio do Baileys com ptt: true e audio/ogg; codecs=opus. Em caso de falha na transcodificação: o Feishu captura o erro e recorre ao envio do arquivo original como um anexo comum; o WhatsApp não tem fallback, portanto o próprio envio falha em vez de publicar um payload PTT incompatível.
• MiniMax: MP3 (modelo speech-2.8-hd, taxa de amostragem de 32 kHz) para anexos de áudio normais; transcodificado para Opus de 48 kHz com ffmpeg para destinos de mensagem de voz anunciados pelo canal.
• Xiaomi MiMo: MP3 por padrão ou WAV quando configurado; transcodificado para Opus de 48 kHz com ffmpeg para destinos de mensagem de voz anunciados pelo canal.
• CLI local: usa o outputFormat configurado. Destinos de mensagem de voz são convertidos para Ogg/Opus, e a saída de telefonia é convertida para PCM mono bruto de 16 kHz com ffmpeg.
• Google Gemini: retorna PCM bruto de 24 kHz. O OpenClaw o encapsula como WAV para anexos de áudio, transcodifica-o para Opus de 48 kHz para destinos de mensagem de voz e retorna PCM diretamente para Talk/telefonia.
• Gradium: WAV para anexos de áudio, Opus para destinos de mensagem de voz e ulaw_8000 a 8 kHz para telefonia.
• Inworld: MP3 para anexos de áudio normais, OGG_OPUS nativo para destinos de mensagem de voz e PCM bruto a 22050 Hz para Talk/telefonia.
• xAI: MP3 por padrão; a síntese de arquivos de áudio pode usar mp3, wav, pcm, mulaw ou alaw tanto para saída armazenada em buffer quanto para saída por streaming. Os destinos de mensagem de voz usam MP3 para streaming e fallback com buffer porque as saídas pcm, mulaw e alaw da xAI são áudio bruto sem cabeçalho. A síntese com buffer usa o endpoint REST em lote /v1/tts da xAI; textToSpeechStream usa wss://api.x.ai/v1/tts nativo. Esse não é o contrato de voz em tempo real. O formato Opus nativo para mensagens de voz não é compatível.
• Microsoft: usa microsoft.outputFormat (padrão: audio-24khz-48kbitrate-mono-mp3).
  • O transporte incluído aceita um outputFormat, mas nem todos os formatos estão disponíveis no serviço.
  • Os valores do formato de saída seguem os formatos de saída do Microsoft Speech (incluindo Ogg/WebM Opus).
  • O sendVoice do Telegram aceita OGG/MP3/M4A; use OpenAI/ElevenLabs se precisar de mensagens de voz Opus garantidas.
  • Se o formato de saída configurado da Microsoft falhar, o OpenClaw tenta novamente com MP3.
  • Quando nenhuma substituição explícita de voz está definida e a voz padrão em inglês é usada, o OpenClaw muda automaticamente para uma voz neural chinesa (zh-CN-XiaoxiaoNeural, localidade zh-CN) se o texto da resposta tiver predominância de CJK.

Os formatos de saída da OpenAI e do ElevenLabs são fixos por canal, conforme listado acima.

Comportamento do TTS automático

Quando messages.tts.auto está habilitado, o OpenClaw:

• Ignora o TTS se a resposta já contiver mídia estruturada.
• Ignora respostas muito curtas (com menos de 10 caracteres).
• Resume respostas longas quando os resumos estão habilitados, usando summaryModel (ou agents.defaults.model.primary).
• Anexa o áudio gerado à resposta.
• Em mode: "final", ainda envia TTS somente em áudio para respostas finais transmitidas por streaming após a conclusão do fluxo de texto; a mídia gerada passa pela mesma normalização de mídia do canal que os anexos normais de resposta.

Se a resposta exceder maxLength, o OpenClaw nunca ignora completamente o áudio:

• Resumo ativado (padrão) e há um modelo de resumo disponível: resume o texto para aproximadamente maxLength caracteres e, em seguida, sintetiza o resumo.
• Resumo desativado, a geração do resumo falha ou nenhuma chave de API está disponível para o modelo de resumo: trunca o texto para maxLength caracteres e sintetiza o texto truncado.

Resposta -> TTS habilitado?  não -> enviar texto  sim -> contém mídia / é curta?          sim -> enviar texto          não -> tamanho > limite?                   não -> TTS -> anexar áudio                   sim -> resumo habilitado e disponível?                            não -> truncar -> TTS -> anexar áudio                            sim -> resumir -> TTS -> anexar áudio

Referência dos campos

Ferramenta do agente

A ferramenta tts converte texto em fala e retorna um anexo de áudio para a entrega da resposta. No Feishu, Matrix, Telegram e WhatsApp, o áudio é entregue como mensagem de voz em vez de anexo de arquivo. O Feishu e o WhatsApp podem transcodificar uma saída de TTS que não seja Opus nesse caminho quando ffmpeg estiver disponível.

O WhatsApp envia o áudio pelo Baileys como uma mensagem de voz PTT (audio com ptt: true) e envia o texto visível separadamente do áudio PTT porque os clientes não exibem legendas em mensagens de voz de forma consistente.

A ferramenta aceita os campos opcionais channel e timeoutMs; timeoutMs é um tempo limite por chamada para a solicitação ao provedor, em milissegundos. Os valores por chamada substituem messages.tts.timeoutMs; os tempos limite de TTS configurados substituem qualquer valor padrão do provedor definido pelo plugin.

RPC do Gateway

Links de serviços

• Guia de conversão de texto em fala da OpenAI
• Referência da API de áudio da OpenAI
• Conversão de texto em fala pela API REST do Azure Speech
• Provedor Azure Speech
• Conversão de texto em fala da ElevenLabs
• Autenticação da ElevenLabs
• Gradium
• API de TTS da Inworld
• API MiniMax T2A v2
• API HTTP de TTS da Volcengine
• Síntese de fala do Xiaomi MiMo
• node-edge-tts
• Formatos de saída de fala da Microsoft
• Conversão de texto em fala da xAI

Relacionados

• Visão geral de mídia
• Geração de música
• Geração de vídeo
• Comandos de barra
• Plugin de chamada de voz