ElevenLabs

OpenClaw 使用 ElevenLabs 提供文本转语音、使用 Scribe v2 进行批量语音转文本，并使用 Scribe v2 Realtime 进行流式 STT。该插件已打包并默认启用；无需执行 plugins install 步骤。

能力	OpenClaw 接口	默认
文本转语音	`tts` / `talk`	`eleven_multilingual_v2`
批量语音转文本	`tools.media.audio`	`scribe_v2`
流式语音转文本	Voice Call streaming 或 Google Meet `realtime.transcriptionProvider`	`scribe_v2_realtime`

认证

在你的环境中设置 ELEVENLABS_API_KEY。为兼容现有的 ElevenLabs 工具，也接受 XI_API_KEY。

export ELEVENLABS_API_KEY="..."

文本转语音

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

将 modelId 设置为 eleven_v3 可使用 ElevenLabs v3 TTS。OpenClaw 会为现有安装保留 eleven_multilingual_v2 作为默认值。 Discord 语音频道在 ElevenLabs 是选定的 voice.tts/tts 提供商时，会使用 ElevenLabs 的流式 TTS 端点：播放会从返回的音频流开始，而不是等待 OpenClaw 先下载整个音频文件。 latencyTier 会映射到接受该参数的模型所使用的 ElevenLabs optimize_streaming_latency 查询参数；对于 eleven_v3，OpenClaw 会省略该参数，因为该模型会拒绝此参数。

语音转文本

对传入的音频附件和简短的录音语音片段使用 Scribe v2：

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

OpenClaw 将多部分音频发送到 ElevenLabs 的 /v1/speech-to-text，并使用 model_id: "scribe_v2"。当存在语言提示时，会映射到 language_code。

流式 STT

捆绑的 elevenlabs 插件会为 Voice Call 和 Google Meet 代理模式注册 Scribe v2 实时流式转写。

设置	配置路径	默认值
API 密钥	`plugins.entries.voice-call.config.streaming.providers.elevenlabs.apiKey`	回退到 `ELEVENLABS_API_KEY` / `XI_API_KEY`
模型	`...elevenlabs.modelId`	`scribe_v2_realtime`
音频格式	`...elevenlabs.audioFormat`	`ulaw_8000`
采样率	`...elevenlabs.sampleRate`	`8000`
提交策略	`...elevenlabs.commitStrategy`	`vad`
语言	`...elevenlabs.languageCode`	（未设置）

{
  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 接收来自 Twilio 的 8 kHz G.711 μ-law 格式媒体。ElevenLabs 实时提供程序默认使用 ulaw_8000，因此电话帧可以直接转发，无需转码。

对于 Google Meet 代理模式，将 plugins.entries.google-meet.config.realtime.transcriptionProvider 设置为 "elevenlabs"，并在 plugins.entries.google-meet.config.realtime.providers.elevenlabs 下配置相同的 provider 块。

概览

概念与配置

提供商

认证

文本转语音

语音转文本

流式 STT

相关

​认证

​文本转语音

​语音转文本

​流式 STT

​相关

认证

文本转语音

语音转文本

流式 STT

相关