ElevenLabs

OpenClaw 使用 ElevenLabs 進行文字轉語音、透過 Scribe v2 進行批次語音轉文字，以及透過 Scribe v2 Realtime 進行串流 STT。此插件已隨附並預設啟用；不需要 plugins install 步驟。

功能	OpenClaw 介面	預設值
文字轉語音	tts / talk	eleven_multilingual_v2
批次語音轉文字	tools.media.audio	scribe_v2
串流語音轉文字	Voice Call 串流或 Google Meet realtime.transcriptionProvider	scribe_v2_realtime

​

驗證

在環境中設定 ELEVENLABS_API_KEY。為了與現有 ElevenLabs 工具相容，也接受 XI_API_KEY。

export ELEVENLABS_API_KEY="..."

​

文字轉語音

{
  tts: {
    providers: {
      elevenlabs: {
        apiKey: "${ELEVENLABS_API_KEY}",
        voiceId: "pMsXgVXv3BLzUgSXRplE",
        modelId: "eleven_multilingual_v2",
      },
    },
  },
}

將 modelId 設為 eleven_v3，即可使用 ElevenLabs v3 TTS。對於現有安裝，OpenClaw 仍以 eleven_multilingual_v2 為預設值。

當 ElevenLabs 是選取的 voice.tts/tts 供應商時，Discord 語音頻道會使用 ElevenLabs 的串流 TTS 端點：播放會直接從傳回的音訊串流開始，而不會先等待 OpenClaw 下載完整音訊檔案。對於接受該參數的模型，latencyTier 會對應至 ElevenLabs 的 optimize_streaming_latency 查詢參數；對於會拒絕該參數的 eleven_v3，OpenClaw 會省略此參數。

​

語音轉文字

對傳入的音訊附件和簡短錄製語音片段使用 Scribe v2：

{
  tools: {
    media: {
      audio: {
        enabled: true,
        models: [{ provider: "elevenlabs", model: "scribe_v2" }],
      },
    },
  },
}

OpenClaw 會將多部分音訊連同 model_id: "scribe_v2" 傳送至 ElevenLabs /v1/speech-to-text。若有語言提示，則會對應至 language_code。

​

串流 STT

隨附的 elevenlabs 插件會為 Voice Call 和 Google Meet 的代理模式串流轉錄註冊 Scribe v2 Realtime。

設定	設定路徑	預設值
API 金鑰	plugins.entries.voice-call.config.streaming.providers.elevenlabs.apiKey	後援使用 ELEVENLABS_API_KEY / XI_API_KEY
模型	...elevenlabs.modelId	scribe_v2_realtime
音訊格式	...elevenlabs.audioFormat	ulaw_8000
取樣率	...elevenlabs.sampleRate	8000
提交策略	...elevenlabs.commitStrategy	vad
語言	...elevenlabs.languageCode	（未設定）

{
  plugins: {
    entries: {
      "voice-call": {
        config: {
          streaming: {
            enabled: true,
            provider: "elevenlabs",
            providers: {
              elevenlabs: {
                apiKey: "${ELEVENLABS_API_KEY}",
                audioFormat: "ulaw_8000",
                commitStrategy: "vad",
                languageCode: "en",
              },
            },
          },
        },
      },
    },
  },
}

Voice Call 接收的 Twilio 媒體格式為 8 kHz G.711 u-law。ElevenLabs 即時供應商預設使用 ulaw_8000，因此可直接轉送電話語音框架，無須轉碼。

若要使用 Google Meet 代理模式，請將 plugins.entries.google-meet.config.realtime.transcriptionProvider 設為 "elevenlabs"，並在 plugins.entries.google-meet.config.realtime.providers.elevenlabs 下設定相同的供應商區塊。

​

相關內容

• 文字轉語音
• Google Meet
• 模型選擇