ElevenLabs TTS 技能是 OpenClaw 平台上集成度最高的语音合成解决方案，核心基于 ElevenLabs v3（alpha）模型，该版本是目前唯一支持音频情绪标签（audio tags）的 TTS 引擎，可实现远超传统 TTS 的情感表达能力。
核心用法：用户通过 [nervous]、[whispers]、[laughs] 等标签在文本中嵌入情绪指令，生成具有戏剧性停顿、喘息、笑声等自然人类特征的语音。支持 70+ 语言，包括希伯来语（需添加 nikud 元音符号以保证发音准确性）、西班牙语等多语种内容。配置仅需在 openclaw.json 中设置 API Key、Voice ID 及模型参数。
显著优点：
- 情感表现力业界领先，支持 20+ 种音频标签组合使用
- 多角色对话可在单次生成中完成（如 Jessica/Chris 对话示例）
- 针对 WhatsApp 提供完整工作流：MP3 → Opus 转换解决跨平台兼容性问题
- 长文本支持分段生成后合并，适合播客制作
潜在局限性：
- v3 为非确定性模型，同一文本多次生成结果不同，需人工挑选最佳版本
- 音频标签对高稳定性设置（>0.7）响应减弱，需在"稳定性"与"表现力"间权衡
- 单次生成长度超过 800 字符时质量下降，长内容需手动分段
- PVC（Professional Voice Clone）尚未针对 v3 优化，建议使用 IVC 或预制声音
- SSML 标签完全不支持
适合人群：内容创作者、播客制作人、多语言客服自动化、游戏/影视配音预演、WhatsApp 营销自动化用户。
常规风险：
- API 调用成本：ElevenLabs 按字符计费，高频使用需监控用量
- 语音克隆伦理风险：IVC 功能需确保拥有原始音频版权
- WhatsApp 发送限制：需严格遵守平台反垃圾邮件政策
- 音频截断问题：需在文本末尾添加
[pause]防止最后一个词被切断