Providers

Azure Speech

Azure Speech เป็นผู้ให้บริการแปลงข้อความเป็นเสียงพูดของ Azure AI Speech ที่รวมมาให้ในระบบ OpenClaw เรียกใช้ Azure Speech REST API โดยตรงด้วย SSML เพื่อสังเคราะห์ไฟล์ MP3 สำหรับ การตอบกลับมาตรฐาน, Ogg/Opus แบบเนทีฟสำหรับข้อความเสียง และ mulaw 8 kHz สำหรับ ช่องทางโทรศัพท์ เช่น Voice Call คำขอจะส่งรูปแบบเอาต์พุตที่ผู้ให้บริการเป็นผู้กำหนด ผ่านส่วนหัว X-Microsoft-OutputFormat

รายละเอียด	ค่า
รหัสผู้ให้บริการ	`azure-speech` (นามแฝง: `azure`)
เว็บไซต์	Azure AI Speech
เอกสาร	REST ของ Speech สำหรับการแปลงข้อความเป็นเสียงพูด
การยืนยันตัวตน	`AZURE_SPEECH_KEY` ร่วมกับ `AZURE_SPEECH_REGION`
เสียงเริ่มต้น	`en-US-JennyNeural`
เอาต์พุตไฟล์เริ่มต้น	`audio-24khz-48kbitrate-mono-mp3`
ไฟล์ข้อความเสียงเริ่มต้น	`ogg-24khz-16bit-mono-opus`

เริ่มต้นใช้งาน

สร้างทรัพยากร Azure Speech

ในพอร์ทัล Azure ให้สร้างทรัพยากร Speech คัดลอก KEY 1 จาก Resource Management > Keys and Endpoint และคัดลอกตำแหน่งที่ตั้งของทรัพยากร เช่น eastus

Code

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

เลือก Azure Speech ใน messages.tts

json5

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

ส่งข้อความ

ส่งการตอบกลับผ่านช่องทางใดก็ได้ที่เชื่อมต่ออยู่ OpenClaw จะสังเคราะห์เสียง ด้วย Azure Speech และส่งเป็น MP3 สำหรับเสียงมาตรฐาน หรือ Ogg/Opus เมื่อ ช่องทางนั้นต้องการข้อความเสียง

ตัวเลือกการกำหนดค่า

ตัวเลือกทั้งหมดอยู่ภายใต้ messages.tts.providers["azure-speech"]

ตัวเลือก	คำอธิบาย
`apiKey`	คีย์ทรัพยากร Azure Speech หากไม่ได้ตั้งค่า จะใช้ `AZURE_SPEECH_KEY`, `AZURE_SPEECH_API_KEY` หรือ `SPEECH_KEY` แทน
`region`	ภูมิภาคของทรัพยากร Azure Speech หากไม่ได้ตั้งค่า จะใช้ `AZURE_SPEECH_REGION` หรือ `SPEECH_REGION` แทน
`endpoint`	ค่าทดแทนตำแหน่งข้อมูล Azure Speech ซึ่งระบุหรือไม่ก็ได้ หากไม่ได้ตั้งค่า จะใช้ `AZURE_SPEECH_ENDPOINT` แทน
`baseUrl`	ค่าทดแทน URL ฐานของ Azure Speech ซึ่งระบุหรือไม่ก็ได้
`voice`	ShortName ของเสียง Azure (ค่าเริ่มต้น `en-US-JennyNeural`) นามแฝงเดิม: `voiceId`
`lang`	รหัสภาษา SSML (ค่าเริ่มต้น `en-US`)
`outputFormat`	รูปแบบเอาต์พุตไฟล์เสียง (ค่าเริ่มต้น `audio-24khz-48kbitrate-mono-mp3`)
`voiceNoteOutputFormat`	รูปแบบเอาต์พุตข้อความเสียง (ค่าเริ่มต้น `ogg-24khz-16bit-mono-opus`)
`timeoutMs`	ค่าทดแทนระยะหมดเวลาของคำขอในหน่วยมิลลิวินาที หากไม่ได้ตั้งค่า จะใช้ `messages.tts.timeoutMs` ส่วนกลางแทน

ระบบจะถือว่าผู้ให้บริการได้รับการกำหนดค่าแล้วเมื่อมีการตั้งค่า apiKey ร่วมกับค่าใดค่าหนึ่งจาก region, endpoint หรือ baseUrl ระบบจะตรวจสอบตัวแปรสภาพแวดล้อมเฉพาะเพื่อใช้เป็นค่าทดแทน สำหรับคีย์การกำหนดค่าที่ยังไม่ได้ตั้งค่าเท่านั้น

หมายเหตุ

การยืนยันตัวตน

Azure Speech ใช้คีย์ทรัพยากร Speech ไม่ใช่คีย์ Azure OpenAI คีย์นี้ จะถูกส่งเป็น Ocp-Apim-Subscription-Key; OpenClaw จะสร้าง https://<region>.tts.speech.microsoft.com จาก region เว้นแต่คุณจะ ระบุ endpoint หรือ baseUrl

ชื่อเสียง

ใช้ค่า ShortName ของเสียง Azure Speech เช่น en-US-JennyNeural ผู้ให้บริการที่รวมมาให้สามารถแสดงรายการเสียงผ่าน ทรัพยากร Speech เดียวกัน และกรองเสียงที่ทำเครื่องหมายว่าเลิกแนะนำ เลิกให้บริการ หรือปิดใช้งานออก

เอาต์พุตเสียง

Azure รองรับรูปแบบเอาต์พุต เช่น audio-24khz-48kbitrate-mono-mp3, ogg-24khz-16bit-mono-opus และ riff-24khz-16bit-mono-pcm OpenClaw จะขอ Ogg/Opus สำหรับเป้าหมาย voice-note เพื่อให้ช่องทางต่าง ๆ ส่ง บับเบิลข้อความเสียงแบบเนทีฟได้โดยไม่ต้องแปลงเป็น MP3 เพิ่ม และบังคับใช้ raw-8khz-8bit-mono-mulaw สำหรับเป้าหมายทางโทรศัพท์

นามแฝง

รองรับ azure เป็นนามแฝงของผู้ให้บริการสำหรับการกำหนดค่าที่มีอยู่ แต่การกำหนดค่าใหม่ ควรใช้ azure-speech เพื่อหลีกเลี่ยงความสับสนกับผู้ให้บริการโมเดล Azure OpenAI