Providers
گفتار Azure
Azure Speech یک ارائهدهندهٔ تبدیل متن به گفتار Azure AI Speech است که بهصورت داخلی ارائه میشود. OpenClaw
رابط برنامهنویسی REST سرویس Azure Speech را مستقیماً با SSML فراخوانی میکند و برای
پاسخهای استاندارد MP3، برای یادداشتهای صوتی Ogg/Opus بومی و برای
کانالهای تلفنی مانند Voice Call صدای mulaw با نرخ ۸ کیلوهرتز تولید میکند. درخواست، قالب خروجی تحت مالکیت
ارائهدهنده را از طریق سربرگ X-Microsoft-OutputFormat ارسال میکند.
| جزئیات | مقدار |
|---|---|
| شناسهٔ ارائهدهنده | azure-speech (نام مستعار: azure) |
| وبسایت | Azure AI Speech |
| مستندات | تبدیل متن به گفتار با REST سرویس Speech |
| احراز هویت | AZURE_SPEECH_KEY بههمراه AZURE_SPEECH_REGION |
| صدای پیشفرض | en-US-JennyNeural |
| خروجی پیشفرض فایل | audio-24khz-48kbitrate-mono-mp3 |
| فایل پیشفرض یادداشت صوتی | ogg-24khz-16bit-mono-opus |
شروع به کار
ایجاد یک منبع Azure Speech
در پورتال Azure یک منبع Speech ایجاد کنید. KEY 1 را از
Resource Management > Keys and Endpoint کپی کنید و موقعیت منبع،
مانند eastus، را نیز کپی کنید.
AZURE_SPEECH_KEY=<speech-resource-key>AZURE_SPEECH_REGION=eastusانتخاب Azure Speech در messages.tts
{ messages: { tts: { auto: "always", provider: "azure-speech", providers: { "azure-speech": { voice: "en-US-JennyNeural", lang: "en-US", }, }, }, },}ارسال یک پیام
یک پاسخ را از طریق هر کانال متصل ارسال کنید. OpenClaw صدا را با Azure Speech تولید میکند و برای صوت استاندارد MP3 یا هنگامی که کانال انتظار یادداشت صوتی دارد Ogg/Opus تحویل میدهد.
گزینههای پیکربندی
همهٔ گزینهها در messages.tts.providers["azure-speech"] قرار دارند.
| گزینه | توضیحات |
|---|---|
apiKey |
کلید منبع Azure Speech. در صورت تنظیمنبودن، از AZURE_SPEECH_KEY، AZURE_SPEECH_API_KEY یا SPEECH_KEY استفاده میشود. |
region |
منطقهٔ منبع Azure Speech. در صورت تنظیمنبودن، از AZURE_SPEECH_REGION یا SPEECH_REGION استفاده میشود. |
endpoint |
جایگزین اختیاری نقطهٔ پایانی Azure Speech. در صورت تنظیمنبودن، از AZURE_SPEECH_ENDPOINT استفاده میشود. |
baseUrl |
جایگزین اختیاری نشانی پایهٔ Azure Speech. |
voice |
مقدار ShortName صدای Azure (پیشفرض en-US-JennyNeural). نام مستعار قدیمی: voiceId. |
lang |
کد زبان SSML (پیشفرض en-US). |
outputFormat |
قالب خروجی فایل صوتی (پیشفرض audio-24khz-48kbitrate-mono-mp3). |
voiceNoteOutputFormat |
قالب خروجی یادداشت صوتی (پیشفرض ogg-24khz-16bit-mono-opus). |
timeoutMs |
جایگزین مهلت زمانی درخواست برحسب میلیثانیه. در صورت تنظیمنبودن، از messages.tts.timeoutMs سراسری استفاده میشود. |
پس از تنظیم apiKey بههمراه یکی از گزینههای
region، endpoint یا baseUrl، ارائهدهنده پیکربندیشده در نظر گرفته میشود. متغیرهای محیطی فقط بهعنوان گزینهٔ جایگزین
برای کلیدهای پیکربندی تنظیمنشده بررسی میشوند.
نکات
احراز هویت
Azure Speech از کلید منبع Speech استفاده میکند، نه کلید Azure OpenAI. کلید
با نام Ocp-Apim-Subscription-Key ارسال میشود؛ OpenClaw نشانی
https://<region>.tts.speech.microsoft.com را از region استخراج میکند، مگر اینکه
endpoint یا baseUrl را ارائه کنید.
نام صداها
از مقدار ShortName صدای Azure Speech استفاده کنید، برای نمونه
en-US-JennyNeural. ارائهدهندهٔ داخلی میتواند صداها را از طریق
همان منبع Speech فهرست کند و صداهایی را که منسوخ، بازنشسته
یا غیرفعال علامتگذاری شدهاند، کنار میگذارد.
خروجیهای صوتی
Azure قالبهای خروجی مانند audio-24khz-48kbitrate-mono-mp3،
ogg-24khz-16bit-mono-opus و riff-24khz-16bit-mono-pcm را میپذیرد. OpenClaw
برای مقصدهای voice-note قالب Ogg/Opus را درخواست میکند تا کانالها بتوانند
حبابهای صوتی بومی را بدون تبدیل اضافی به MP3 ارسال کنند و برای
مقصدهای تلفنی استفاده از raw-8khz-8bit-mono-mulaw را اجباری میکند.
نام مستعار
azure برای پیکربندی موجود بهعنوان نام مستعار ارائهدهنده پذیرفته میشود، اما پیکربندی
جدید باید از azure-speech استفاده کند تا با ارائهدهندگان مدل
Azure OpenAI اشتباه نشود.
