Providers

Azure Speech

Azure Speech to dołączony dostawca zamiany tekstu na mowę oparty na usłudze Azure AI Speech. OpenClaw wywołuje interfejs REST API Azure Speech bezpośrednio przy użyciu SSML, generując pliki MP3 dla standardowych odpowiedzi, natywne pliki Ogg/Opus dla wiadomości głosowych oraz dźwięk mulaw 8 kHz dla kanałów telefonicznych, takich jak Voice Call. Żądanie przesyła format wyjściowy należący do dostawcy w nagłówku X-Microsoft-OutputFormat.

Szczegół	Wartość
Identyfikator dostawcy	`azure-speech` (alias: `azure`)
Witryna	Azure AI Speech
Dokumentacja	REST API zamiany tekstu na mowę
Uwierzytelnianie	`AZURE_SPEECH_KEY` oraz `AZURE_SPEECH_REGION`
Domyślny głos	`en-US-JennyNeural`
Domyślny format pliku	`audio-24khz-48kbitrate-mono-mp3`
Domyślny plik wiadomości głosowej	`ogg-24khz-16bit-mono-opus`

Pierwsze kroki

Utwórz zasób Azure Speech

W portalu Azure utwórz zasób Speech. Skopiuj KEY 1 z sekcji Resource Management > Keys and Endpoint oraz lokalizację zasobu, na przykład eastus.

Code

AZURE_SPEECH_KEY=<speech-resource-key>AZURE_SPEECH_REGION=eastus

Wybierz Azure Speech w messages.tts

json5

{  messages: {    tts: {      auto: "always",      provider: "azure-speech",      providers: {        "azure-speech": {          voice: "en-US-JennyNeural",          lang: "en-US",        },      },    },  },}

Wyślij wiadomość

Wyślij odpowiedź przez dowolny połączony kanał. OpenClaw generuje dźwięk za pomocą Azure Speech i dostarcza plik MP3 jako standardowy dźwięk lub Ogg/Opus, gdy kanał oczekuje wiadomości głosowej.

Opcje konfiguracji

Wszystkie opcje znajdują się w messages.tts.providers["azure-speech"].

Opcja	Opis
`apiKey`	Klucz zasobu Azure Speech. Wartość zapasowa to `AZURE_SPEECH_KEY`, `AZURE_SPEECH_API_KEY` lub `SPEECH_KEY`.
`region`	Region zasobu Azure Speech. Wartość zapasowa to `AZURE_SPEECH_REGION` lub `SPEECH_REGION`.
`endpoint`	Opcjonalne nadpisanie punktu końcowego Azure Speech. Wartość zapasowa to `AZURE_SPEECH_ENDPOINT`.
`baseUrl`	Opcjonalne nadpisanie bazowego adresu URL Azure Speech.
`voice`	Wartość ShortName głosu Azure (domyślnie `en-US-JennyNeural`). Starszy alias: `voiceId`.
`lang`	Kod języka SSML (domyślnie `en-US`).
`outputFormat`	Format wyjściowego pliku dźwiękowego (domyślnie `audio-24khz-48kbitrate-mono-mp3`).
`voiceNoteOutputFormat`	Format wyjściowy wiadomości głosowej (domyślnie `ogg-24khz-16bit-mono-opus`).
`timeoutMs`	Nadpisanie limitu czasu żądania w milisekundach. Wartość zapasowa to globalne ustawienie `messages.tts.timeoutMs`.

Dostawcę uznaje się za skonfigurowanego po ustawieniu apiKey oraz jednej z opcji: region, endpoint lub baseUrl. Zmienne środowiskowe są sprawdzane wyłącznie jako wartości zapasowe dla nieustawionych kluczy konfiguracji.

Uwagi

Uwierzytelnianie

Azure Speech używa klucza zasobu Speech, a nie klucza Azure OpenAI. Klucz jest wysyłany jako Ocp-Apim-Subscription-Key; OpenClaw tworzy adres https://<region>.tts.speech.microsoft.com na podstawie region, chyba że podasz endpoint lub baseUrl.

Nazwy głosów

Użyj wartości ShortName głosu Azure Speech, na przykład en-US-JennyNeural. Dołączony dostawca może wyświetlić listę głosów za pośrednictwem tego samego zasobu Speech i odfiltrowuje głosy oznaczone jako przestarzałe, wycofane lub wyłączone.

Formaty dźwięku

Azure akceptuje formaty wyjściowe, takie jak audio-24khz-48kbitrate-mono-mp3, ogg-24khz-16bit-mono-opus i riff-24khz-16bit-mono-pcm. OpenClaw żąda formatu Ogg/Opus dla miejsc docelowych voice-note, dzięki czemu kanały mogą wysyłać natywne dymki wiadomości głosowych bez dodatkowej konwersji MP3, oraz wymusza raw-8khz-8bit-mono-mulaw dla miejsc docelowych telefonii.

Alias

azure jest akceptowany jako alias dostawcy w istniejącej konfiguracji, ale nowa konfiguracja powinna używać azure-speech, aby uniknąć pomyłek z dostawcami modeli Azure OpenAI.