Providers
Azure Speech
Azure Speech は、バンドルされた Azure AI Speech のテキスト読み上げプロバイダーです。OpenClaw は
SSML を使用して Azure Speech REST API を直接呼び出し、標準の返信には MP3、
ボイスメモにはネイティブの Ogg/Opus、Voice Call などの電話チャネルには
8 kHz mulaw を合成します。リクエストでは、プロバイダーが管理する出力形式を
X-Microsoft-OutputFormat ヘッダーで送信します。
| 詳細 | 値 |
|---|---|
| プロバイダー ID | azure-speech（エイリアス: azure） |
| Web サイト | Azure AI Speech |
| ドキュメント | Speech REST テキスト読み上げ |
| 認証 | AZURE_SPEECH_KEY と AZURE_SPEECH_REGION |
| デフォルト音声 | en-US-JennyNeural |
| デフォルトファイル出力 | audio-24khz-48kbitrate-mono-mp3 |
| デフォルトボイスメモファイル | ogg-24khz-16bit-mono-opus |
はじめに
Azure Speech リソースを作成する
Azure ポータルで Speech リソースを作成します。Resource Management > Keys and Endpoint から KEY 1 をコピーし、
eastus などのリソースの場所をコピーします。
AZURE_SPEECH_KEY=<speech-resource-key>AZURE_SPEECH_REGION=eastusmessages.tts で Azure Speech を選択する
{ messages: { tts: { auto: "always", provider: "azure-speech", providers: { "azure-speech": { voice: "en-US-JennyNeural", lang: "en-US", }, }, }, },}メッセージを送信する
接続済みの任意のチャネルから返信を送信します。OpenClaw は Azure Speech で音声を合成し、 標準音声には MP3 を、チャネルがボイスメモを必要とする場合は Ogg/Opus を配信します。
設定オプション
すべてのオプションは messages.tts.providers["azure-speech"] の下に配置します。
| オプション | 説明 |
|---|---|
apiKey |
Azure Speech リソースキー。AZURE_SPEECH_KEY、AZURE_SPEECH_API_KEY、SPEECH_KEY の順にフォールバックします。 |
region |
Azure Speech リソースのリージョン。AZURE_SPEECH_REGION または SPEECH_REGION にフォールバックします。 |
endpoint |
省略可能な Azure Speech エンドポイントの上書き。AZURE_SPEECH_ENDPOINT にフォールバックします。 |
baseUrl |
省略可能な Azure Speech ベース URL の上書き。 |
voice |
Azure 音声の ShortName（デフォルトは en-US-JennyNeural）。従来のエイリアス: voiceId。 |
lang |
SSML 言語コード（デフォルトは en-US）。 |
outputFormat |
音声ファイルの出力形式（デフォルトは audio-24khz-48kbitrate-mono-mp3）。 |
voiceNoteOutputFormat |
ボイスメモの出力形式（デフォルトは ogg-24khz-16bit-mono-opus）。 |
timeoutMs |
リクエストタイムアウトをミリ秒単位で上書きします。グローバルな messages.tts.timeoutMs にフォールバックします。 |
apiKey に加えて、region、endpoint、baseUrl のいずれかが設定されると、
プロバイダーは設定済みと見なされます。環境変数は、未設定のままの設定キーに対する
フォールバックとしてのみ確認されます。
注記
認証
Azure Speech は Azure OpenAI キーではなく、Speech リソースキーを使用します。キーは
Ocp-Apim-Subscription-Key として送信されます。endpoint または baseUrl を
指定しない限り、OpenClaw は region から
https://<region>.tts.speech.microsoft.com を導出します。
音声名
Azure Speech 音声の ShortName 値（例: en-US-JennyNeural）を使用します。
バンドルされたプロバイダーは同じ Speech リソースを使用して音声を一覧表示でき、
非推奨、廃止済み、または無効とマークされた音声を除外します。
音声出力
Azure は audio-24khz-48kbitrate-mono-mp3、
ogg-24khz-16bit-mono-opus、riff-24khz-16bit-mono-pcm などの
出力形式を受け付けます。OpenClaw は voice-note ターゲットに Ogg/Opus を要求するため、
チャネルは追加の MP3 変換なしでネイティブの音声バブルを送信できます。また、
電話ターゲットには raw-8khz-8bit-mono-mulaw を強制します。
エイリアス
既存の設定では azure がプロバイダーのエイリアスとして受け付けられますが、
Azure OpenAI モデルプロバイダーとの混同を避けるため、新しい設定では
azure-speech を使用してください。
