OpenClaw 语音功能实战：让 AI 开口说话

让AI开口说话，OpenClaw的语音功能让懒人也能享受智能生活！

早上刷手机的时候，有时候真的不想看文字。眼睛还没完全睁开，脑子也转得慢——这时候如果AI能直接把答案念出来，体验会好很多。

OpenClaw里刚好有个TTS（文字转语音）功能，配置起来不麻烦，几行代码就能让AI用语音回答你的问题。今天把这套配置方法整理出来，从零成本到高音质，从基础配置到高级玩法，一次讲清楚。

OpenClaw 的 TTS 是怎么工作的？

原理其实很简单：AI先生成文字回复，然后通过TTS服务转换成音频，最后以语音消息的形式发送出来。

• 在Telegram上，它会直接发一个圆形语音气泡，点击就能播放，跟朋友发语音条的效果一样。
• 在其他平台，则发送一个MP3文件。

目前OpenClaw支持三个语音服务，各有各的定位：

• ElevenLabs
  —— 音质最好，声音非常自然，有点情绪感。虽然有付费套餐，但免费额度也够个人日常使用。

• OpenAI TTS
  —— 音质很好，声音清晰稳定。如果你已经有OpenAI的API Key，直接用就行，不用额外折腾。

• Edge TTS
  —— 微软的神经语音服务，完全免费，不需要任何API Key。音质自然比不上前两个，但胜在零成本，日常听个新闻摘要完全够用。

如果什么Key都没配置，OpenClaw会自动使用Edge TTS兜底，不会报错，开箱即用。

五分钟配好语音功能

打开 openclaw.json，找到 messages 这个字段，加进去：

"messages": {
  "tts": {
    "auto": "always"
  }
}

就这一行配置，保存重启，AI回复就会自动附带语音了。

auto 有四个可选值，能适应不同的使用习惯：

• off —— 关闭（默认状态）
• always —— 每次回复都发语音
• inbound —— 只有你发语音过来，它才用语音回复
• tagged —— 只有AI主动标记时才发语音，适合只在特定场景使用语音

免费用：Edge TTS 配置

什么都不用，直接开搞：

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

如果想指定声音，Edge TTS提供了很多中文语音选项：

"messages": {
  "tts": {
    "auto": "always",
    "provider": "edge",
    "edge": {
      "voice": "zh-CN-XiaoxiaoNeural",
      "lang": "zh-CN",
      "rate": "+5%"
    }
  }
}

zh-CN-XiaoxiaoNeural 是女声，声音温和自然。还有 zh-CN-YunxiNeural（男声）、zh-CN-XiaohanNeural（女声，风格更活泼）等选择。rate 控制语速，+5% 稍微快一点，如果觉得太慢可以调到 +10% 到 +20%。

音质要求高：OpenAI TTS

如果手头有OpenAI API Key，音质会上一个台阶：

"messages": {
  "tts": {
    "auto": "always",
    "provider": "openai",
    "openai": {
      "apiKey": "sk-xxxxxx",
      "model": "gpt-4o-mini-tts",
      "voice": "alloy"
    }
  }
}

OpenAI提供了六种声音可供选择：alloy、echo、fable、onyx、nova、shimmer。不少用户反馈 nova 听起来更温暖一些，不那么机械。模型用 gpt-4o-mini-tts 就够了，价格比完整版便宜，效果差别不大。

音质要求极高：ElevenLabs

如果追求极致体验，ElevenLabs是目前最自然的选择，有情绪变化，听起来更像真人：

"messages": {
  "tts": {
    "auto": "always",
    "provider": "elevenlabs",
    "elevenlabs": {
      "apiKey": "xxxxxxxx",
      "voiceId": "你的声音ID",
      "modelId": "eleven_multilingual_v2"
    }
  }
}

voiceId 需要去ElevenLabs后台找到你喜欢的声音，复制对应的ID填进来。eleven_multilingual_v2 支持中文，发音相当准确。每月有一定免费额度，日常使用基本够用，量大的话再考虑付费。

主备切换：用了就不用担心中断

OpenClaw支持配置主服务 + 自动备用，这是很实用的设计：

"messages": {
  "tts": {
    "auto": "always",
    "provider": "openai",
    "openai": {
      "apiKey": "sk-xxxxxx",
      "voice": "nova"
    },
    "elevenlabs": {
      "apiKey": "xxxxxxxx",
      "voiceId": "your-voice-id"
    }
  }
}

OpenAI出问题，自动切换到ElevenLabs；ElevenLabs也挂掉，再切回Edge TTS。三层备用，基本不用担心语音功能完全失效。

长文章怎么处理？

AI回复太长时，全部转成语音听起来会很累。OpenClaw提供了自动摘要功能：超过一定长度的回复，先生成一个简短的摘要，再把摘要转成语音。

"messages": {
  "tts": {
    "auto": "always",
    "summaryModel": "openai/gpt-4o-mini"
  }
}

默认摘要阈值是1500个字符，超过这个长度会自动压缩。如果不想要摘要，直接在聊天里发指令关掉就好：

/tts summary off

用斜杠命令临时控制

不想修改配置文件时，也可以在聊天里直接控制：

/tts always       # 开启语音
/tts off          # 关闭语音
/tts inbound      # 只在你发语音时才回语音
/tts status       # 查看当前状态
/tts provider openai   # 临时切换语音提供商
/tts limit 2000   # 修改摘要阈值
/tts audio 你好，这是一条测试语音   # 单次生成语音，不影响设置

这些命令实时生效，不用重启服务。

几个实际用法

• 早上听新闻摘要
  ：配合定时任务，让AI每天早上抓几条新闻，整理成摘要后用语音发给你。起床刷牙的时候听，完全不占手。

• 问问题不用盯着屏幕
  ：做其他事情的时候问AI，语音回复意味着眼睛不用离开手头的事。

• 语音激活模式
  ：把 auto 设成 inbound，你发语音过来，它就用语音回。完全模拟和人对话的感觉。

• 只在关键场景用语音
  ：把 auto 设成 tagged，大部分回复还是文字，只有AI觉得这条回复适合听时才发语音。避免所有回复都变成音频，打扰日常阅读节奏。

在 Telegram 上的效果

如果使用Telegram连接OpenClaw，语音功能的体验尤其出色。AI的语音回复会以圆形语音气泡的形式呈现，跟朋友发语音条一样。点击播放、可以调速、可以拖进度——Telegram的语音播放器体验做得相当完善。

其他平台则会收到一个MP3音频文件，播放没问题，只是交互形式不同。

小结

OpenClaw的TTS功能配置起来很快，核心就一行 "auto": "always"。三个语音服务各有侧重：不想花钱用Edge TTS，追求音质用OpenAI，想要最自然的声音用ElevenLabs。配好主备切换，基本不用担心服务中断。

从实际体验来看，语音功能最适合两个场景：一是手头忙、不方便盯着屏幕的时候；二是早上刚起来不想费劲看文字的时候。如果之前一直用文字跟AI交流，不妨试试开语音——换一种交互方式，感觉挺不一样的。