elevenlabs-tts

核心用法

ElevenLabs TTS 是一款面向 OpenClaw 平台的文本转语音技能，核心能力围绕 ElevenLabs v3 模型 的情感音频标签系统展开。用户通过方括号标签（如 [excited]]、]、[whispers]]、]、[laughs]]）直接控制语音的情绪、语速、音量和反应，无需复杂的 SSML 或后期处理。

典型工作流程：
1. 在 openclaw.json 配置 API Key 和语音参数
2. 使用音频标签编写带情感的文本（支持 70+ 语言，含希伯来语选择性元音标注）
3. 调用 tts 工具生成 MP3
4. 通过内置 audio_convert.py 转换为 Opus 格式（WhatsApp 兼容）
5. 使用 message 工具发送语音消息

进阶功能：长音频分段合成后拼接、多角色对话单条生成、唱歌模式（Creative 稳定性）。

显著优点

• 情感控制精准：v3 模型的音频标签系统是目前消费级 TTS 中最直观的情感控制方式，1-2 个标签即可实现从耳语到尖叫的动态变化
• 多语言深度优化：希伯来语支持选择性 nikud（元音点）标注，解决辅音文字发音歧义；70+ 语言均支持完整标签控制
• WhatsApp 原生适配：内置 Opus 转换工具解决跨平台兼容问题，支持 Android/iOS 双端播放及语音转文字
• 零后期制作：标签 + 标点组合可直接输出播客、有声书、游戏配音级别的成品音频

潜在缺点与局限性

• v3 非确定性输出：相同文本多次生成结果不同，需多次采样挑选，不适合需要严格一致性的场景
• 长度限制严格：>800 字符后音质下降，长内容需手动分段拼接，增加工作流复杂度
• 标签过度使用反效果：超过 2 个标签/句子会导致机械感，需要用户掌握"少即是多"的艺术
• PVC 语音不支持：个人语音克隆（PVC）未针对 v3 优化，仅 IVC/预制语音可用
• SSML 废弃：传统 break 标签完全不支持，迁移成本高

适合的目标群体

• 内容创作者：YouTube 配音、TikTok 短剧、播客制作，需要快速产出情感丰富的人声
• 多语言运营团队：跨境电商、国际社群运营，需批量生成本地化语音消息
• 教育工作者：语言学习材料制作，利用标签演示语调变化
• 开发者/产品经理：快速原型语音交互功能，验证对话流程

使用风险

• API 成本累积：ElevenLabs 按字符计费，长内容分段生成会显著增加调用次数
• 临时文件堆积：audio_convert.py 使用 delete=False 模式，异常退出时可能残留 /tmp/tts-xxx// 文件
• 情感标签误读：v3 对标签的响应因语音而异，需针对选定声音反复测试
• 数据隐私：文本内容发送至 ElevenLabs 云端，敏感信息（医疗、金融、个人身份）不应通过此技能处理