OpenClaw TTS 模块的核心设计理念在于提供“多引擎、可配置、易扩展”的语音合成能力，其架构围绕这一理念进行分层构建 。

一、 核心架构与引擎支持
OpenClaw TTS 采用分层架构，自上而下包括配置层、路由层、引擎层和处理层。其核心优势在于内置支持多个主流的TTS引擎，开发者可根据需求灵活选用或组合 ：

1. ElevenLabs：以超高质量的“超自然语音”著称，提供丰富的声音库、声音克隆和情感控制功能，适合对音质要求极高的场景。
2. OpenAI TTS：与GPT生态系统深度集成，支持六种预设声音和实时流式输出，在成本与质量间取得平衡，尤其适合AI助手类应用。
3. Microsoft Edge TTS：作为默认引擎，其最大优势是零成本、开箱即用，支持多种语言和声音，适合开发测试或对成本敏感的非关键场景。
4. 讯飞超拟人语音：针对中文场景深度优化，支持超拟人效果（如呼吸声）和多种方言，在中文合成领域表现突出。

系统采用智能引擎选择策略，优先级依次为：模型指令指定 > 会话配置指定 > 全局配置指定 > 根据可用API密钥自动选择。当主引擎不可用时，路由层会自动进行故障转移，确保服务的高可用性 。

二、 核心配置与参数调优
配置是发挥OpenClaw TTS能力的关键，主要通过 openclaw.json 文件的 messages.tts 节点进行管理 。

1. 基础与触发模式：通过 provider 指定主引擎，auto 参数控制语音合成的自动触发逻辑，提供四种模式：

   • off：关闭自动TTS。
   • always：始终将文本回复转换为语音。
   • inbound：仅在收到用户语音消息时才回复语音。
   • tagged：仅在AI回复中包含特定TTS标签时才进行转换。

2. 多引擎与高可用配置：支持同时配置多个引擎（如OpenAI为主引擎，ElevenLabs为备用引擎），并可通过 summaryModel 指定模型，用于在回复文本过长时自动生成摘要再进行语音合成，以避免生成过长的音频文件 。

3. 语音参数深度调优：系统支持对语速、音调、音量和情感风格进行精细控制，但各引擎的参数格式和范围存在差异。例如，ElevenLabs的语速参数为 0.5-2.0 的浮点数，而讯飞TTS的相关参数（语速、音量、音调）则采用 0-100 的整数值，50代表正常水平 。

三、 高级特性与实战应用
该模块还包含多项提升实用性和体验的高级特性 ：

1. 多语言与方言处理：具备语言检测与自动切换能力，特别针对中文优化，支持普通话、粤语、四川话等多种方言的合成。对于英文，支持控制单词的拼读方式。
2. 输出适配与长文本处理：支持输出MP3、PCM、Opus等多种音频格式，并能根据目标渠道（如Telegram）自动选择最佳格式。针对长文本，除了使用摘要模型，还支持音频流式传输和分片处理。
3. 模型驱动的动态控制：允许AI模型在回复中通过特定指令动态覆盖TTS配置，例如临时切换声音或调整语速，实现更加智能和上下文相关的语音交互。
4. 丰富的应用场景：文章列举了智能语音助手、新闻播报机器人、有声书生成和多语言客服等典型实战场景，展示了该模块的广泛适用性 。

参考来源

• OpenClaw TTS 语音合成详解：让 AI 助手开口说话