Elevenlabs Tts

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

核心用法

ElevenLabs TTS Skill 为纯文档型指南，帮助用户在 OpenClaw 框架中集成 ElevenLabs 第三代 TTS 引擎。核心功能包括：

1. 语音合成配置：通过 openclaw.json 配置 API Key、语音 ID 和模型参数（eleven_v3 为唯一支持音频标签的模型）
2. 情感音频标签系统：使用方括号标签如 [excited]、[whispers]、[laughs] 控制语气、情绪和节奏，支持 70+ 语言
3. WhatsApp 语音消息工作流：提供 MP3→Opus 转换指南，解决跨平台兼容性和转录功能
4. 长文本分段处理：建议 800 字符/段为最佳质量，提供 ffmpeg 拼接方案

显著优点

• v3 模型音频标签：业界领先的情感控制能力，支持自然的多轮情绪转换
• 多语言原生支持：希伯来语需标注 nikud（元音点）可获得准确发音
• 零代码依赖：纯 Markdown 文档，无执行风险，配置即走
• 详细最佳实践：覆盖稳定性模式（Creative/Natural/Robust）、语速控制、标签组合技巧

潜在缺点与局限性

• API 成本：ElevenLabs 为付费服务，高频使用成本较高
• v3 非确定性：相同输入可能产生不同输出，需多次生成选优
• 标签滥用风险：过度使用标签会导致机械感，需遵循"1-2 标签/句"原则
• 长度限制：>800 字符质量下降，>10,000 字符硬限制
• 无 SSML 支持：v3 不支持传统 SSML 断句标签
• 语音匹配限制：标签效果受所选 voice 特征约束（如 whisper voice 无法 shouting）

适合人群

• 内容创作者（播客、有声书、视频配音）
• 多语言应用场景开发者
• WhatsApp 自动化/客服机器人开发者
• 需要情感化语音交互的 AI 应用

常规风险

| 风险类型 | 说明 | 缓解措施 |

|---------|------|---------|

| API Key 泄露 | 用户自行配置，可能误提交真实密钥 | 使用占位符示例，建议环境变量管理 |

| 成本失控 | 未设置用量上限可能导致超额计费 | ElevenLabs 控制台设置预算告警 |

| 内容合规 | 生成内容需遵守 ElevenLabs 使用政策 | 避免生成欺诈、冒充身份内容 |

| 服务可用性 | 依赖 ElevenLabs 云端 API | 实现降级策略（备用 TTS 服务）|

安全等级说明：S 级（最高），纯文档无执行代码；T3 来源为社区项目，但功能透明无隐藏行为。