Azure 語音服務

Azure Speech 是內建的 Azure AI Speech 文字轉語音供應商。OpenClaw 會使用 SSML 直接呼叫 Azure Speech REST API，為標準回覆合成 MP3、 為語音訊息合成原生 Ogg/Opus，並為 Voice Call 等電話語音通道合成 8 kHz mulaw。要求會透過 X-Microsoft-OutputFormat 標頭傳送供應商所擁有的 輸出格式。

詳細資訊	值
供應商 ID	azure-speech（別名：azure）
網站	Azure AI Speech
文件	Speech REST 文字轉語音
驗證	AZURE_SPEECH_KEY 加上 AZURE_SPEECH_REGION
預設語音	en-US-JennyNeural
預設檔案輸出	audio-24khz-48kbitrate-mono-mp3
預設語音訊息檔案	ogg-24khz-16bit-mono-opus

​

開始使用

1. 建立 Azure Speech 資源

   在 Azure 入口網站中建立 Speech 資源。從 Resource Management > Keys and Endpoint 複製 KEY 1，並複製資源位置， 例如 eastus。

   AZURE_SPEECH_KEY=<speech-resource-key>
   AZURE_SPEECH_REGION=eastus
   
2. 在 tts 中選取 Azure Speech

   {
     tts: {
       auto: "always",
       provider: "azure-speech",
       providers: {
         "azure-speech": {
           voice: "en-US-JennyNeural",
           lang: "en-US",
         },
       },
     },
   }
   
3. 傳送訊息

   透過任何已連線的通道傳送回覆。OpenClaw 會使用 Azure Speech 合成音訊， 並為標準音訊傳送 MP3；當通道要求語音訊息時，則傳送 Ogg/Opus。

​

設定選項

所有選項都位於 tts.providers["azure-speech"] 之下。

選項	說明
apiKey	Azure Speech 資源金鑰。若未設定，會依序使用 AZURE_SPEECH_KEY、AZURE_SPEECH_API_KEY 或 SPEECH_KEY。
region	Azure Speech 資源區域。若未設定，會使用 AZURE_SPEECH_REGION 或 SPEECH_REGION。
endpoint	選用的 Azure Speech 端點覆寫。若未設定，會使用受信任的 AZURE_SPEECH_ENDPOINT。
baseUrl	選用的 Azure Speech 基底 URL 覆寫。
voice	Azure 語音 ShortName（預設為 en-US-JennyNeural）。舊版別名：voiceId。
lang	SSML 語言代碼（預設為 en-US）。
outputFormat	音訊檔案輸出格式（預設為 audio-24khz-48kbitrate-mono-mp3）。
voiceNoteOutputFormat	語音訊息輸出格式（預設為 ogg-24khz-16bit-mono-opus）。
timeoutMs	要求逾時覆寫值，單位為毫秒。若未設定，會使用全域 tts.timeoutMs。

設定 apiKey，再加上 region、 endpoint 或 baseUrl 其中之一後，即視為已完成供應商設定。 環境變數只會作為尚未設定之設定鍵的備援值進行檢查。工作區 .env 檔案無法設定 AZURE_SPEECH_ENDPOINT；端點路由請使用程序環境、 全域執行階段 dotenv，或明確設定。

​

注意事項

驗證

Azure Speech 使用 Speech 資源金鑰，而非 Azure OpenAI 金鑰。金鑰會以 Ocp-Apim-Subscription-Key 傳送；除非你提供 endpoint 或 baseUrl，否則 OpenClaw 會從 region 衍生 https://<region>.tts.speech.microsoft.com。

語音名稱

請使用 Azure Speech 語音的 ShortName 值，例如 en-US-JennyNeural。內建供應商可透過相同的 Speech 資源列出語音， 並篩除標示為已棄用、已停用或已除役的語音。

音訊輸出

Azure 接受 audio-24khz-48kbitrate-mono-mp3、ogg-24khz-16bit-mono-opus 和 riff-24khz-16bit-mono-pcm 等輸出格式。OpenClaw 會為 voice-note 目標要求 Ogg/Opus，讓通道無須額外轉換 MP3 即可傳送原生語音訊息泡泡；對於電話語音目標，則強制使用 raw-8khz-8bit-mono-mulaw。

別名

為相容既有設定，可接受 azure 作為供應商別名，但新設定應使用 azure-speech，以免與 Azure OpenAI 模型供應商混淆。

​

相關內容

文字轉語音

TTS 概觀、供應商及 tts 設定。

設定

完整設定參考，包括 tts 設定。

供應商

所有內建的 OpenClaw 供應商。

疑難排解

常見問題與偵錯步驟。