先说结论
OpenClaw TTS 支持四类引擎，但各有明显短板：ElevenLabs 质量最高但最贵，Microsoft Edge 免费但无 SLA，讯飞中文最优但配置复杂。
引擎选择不是“哪个好”，而是“哪个能接受”：成本、质量、稳定性、中文支持，四者最多只能兼顾两个。
模型驱动语音控制（动态指令）很灵活，但必须限制权限，否则可能被滥用导致意外费用或安全风险。
从个人开发者选型视角，拆解 OpenClaw TTS 各引擎的适用边界、配置代价与常见坑点，不吹不黑。
给 AI 助手装个“嘴”，听起来很酷，但真正动手时你会发现，TTS 引擎选型本身就是个坑。
OpenClaw 这个框架把 ElevenLabs、OpenAI、Microsoft Edge 和讯飞四个引擎都集成了，文档写得挺全，但实际用起来，每个引擎都有让你“啊？”一下的地方。
先说结论：没有哪个引擎是完美的。你只能在成本、质量、稳定性和中文支持之间做取舍，而且最多只能选两个。
为什么这事值得聊
很多 AI 项目做到最后，发现用户反馈最强烈的不是模型多聪明，而是“能不能让它说话”。语音交互确实是刚需，但 TTS 的集成往往被低估。
OpenClaw 的 TTS 模块设计得不错，分层架构、引擎路由、故障转移都有。但文档里没说的是：每个引擎的配置坑、成本陷阱、以及实际使用中的“差不多就行”。
方案拆解：四类引擎的配置、代价与边界
ElevenLabs：质量天花板，但钱包漏风
ElevenLabs 的语音质量确实好，自然度接近真人。但代价也明显：
- 成本：按字符计费，个人项目随便玩玩可能还好，一旦有用户量，费用会飞涨。
- 配置：需要 API Key，而且 voiceId 和 modelId 得自己从官网找，不是随便填一个就能用。
- 边界：中文支持虽然标了“多语言”，但实际效果不如讯飞。如果项目主要面向中文用户，性价比不高。
文档里提到的voiceSettings参数，比如stability和style，调起来需要耐心。stability设低了声音有表现力但可能“抽风”，设高了又太机械。我倾向于先设为 0.5，然后根据场景微调。
OpenAI TTS：与 GPT 无缝，但选择太少
OpenAI 的 TTS API 和 GPT 模型深度集成，配置简单，延迟低。但问题也很明显：
- 声音只有六种：alloy、echo、fable、onyx、nova、shimmer，而且不能自定义。
- 不支持语速调整：文档里直接写了“不支持调整”，这意味着你无法控制语速。
- 成本：比 ElevenLabs 便宜，但比 Microsoft Edge 贵。
适合的场景是：你已经用了 OpenAI 的模型，不想再引入第三方服务。但如果你对声音多样性有要求，这个引擎会很快让你觉得“不够用”。
Microsoft Edge TTS：免费但无 SLA
这是 OpenClaw 的默认引擎，零成本，开箱即用。但免费的东西往往有隐藏代价：
- 无官方 SLA：文档里明确说了“不适合对稳定性和配额有严格要求的生产环境”。说白了，它可能随时挂掉，或者被限流。
- 质量中等：虽然用了神经网络声音，但和 ElevenLabs 比还是有差距。
- 中文支持不错：有几十种中文声音，包括方言。
如果你只是做个 demo 或者个人小工具，这个引擎完全够用。但一旦要上线，建议至少配一个备用引擎。
讯飞超拟人：中文最优，但配置最复杂
讯飞的中文语音质量在国内是顶尖的，支持方言、情感、超拟人效果。但配置起来也最麻烦：
- 需要三个凭证：appId、apiKey、apiSecret，而且得去讯飞开放平台申请。
- 参数多：voice、speed、volume、pitch、format、sampleRate，每个都得调。
- 方言支持：比如天津话、东北话，但需要特定的 voice 名称，文档里给了几个例子，但实际可用的远不止这些。
如果你做的是中文语音助手，讯飞是首选。但配置成本高，而且调试起来需要反复试错。
适用边界：什么场景该选什么引擎
- 个人 demo / 学习项目：Microsoft Edge TTS 足够了，免费且简单。
- 中文语音助手：优先考虑讯飞，质量最好。如果预算有限，Microsoft Edge 也能凑合。
- 多语言客服：ElevenLabs 的多语言模型最合适，但成本高。如果用户主要是中英文，OpenAI 也可以。
- 有声书 / 故事讲述：ElevenLabs 的表现力最好，但需要调低 stability 以增加情感。
- 成本敏感的生产环境：可以考虑 Microsoft Edge + 讯飞双引擎，Edge 做主，讯飞做备。
最后留一个讨论点
OpenClaw 的 TTS 模块确实灵活，但引擎选型这件事，没有标准答案。如果你现在要做一个面向中文用户的 AI 语音助手，你会选哪个引擎？是追求质量的 ElevenLabs，还是追求免费的 Microsoft Edge，还是追求中文优化的讯飞？或者你有更好的方案？
最后留一个讨论点
如果你要给个人项目选一个 TTS 引擎，你会优先牺牲质量还是成本？或者你有更好的免费替代方案？
