تولید ویدئو

ورودی‌های مرجع حالت اجرا را انتخاب می‌کنند:

• بدون رسانه مرجع → generate
• هر مرجع تصویر → imageToVideo
• هر مرجع ویدیو → videoToVideo
• ورودی‌های صدای مرجع حالت حل‌شده را تغییر نمی‌دهند؛ آن‌ها روی هر حالتی که مرجع‌های تصویر/ویدیو انتخاب می‌کنند اعمال می‌شوند، و فقط با ارائه‌دهندگانی کار می‌کنند که maxInputAudios را اعلام کرده‌اند.

ترکیب مرجع‌های تصویر و ویدیو یک سطح قابلیت مشترک پایدار نیست. برای هر درخواست، یک نوع مرجع را ترجیح دهید.

# Fallback و گزینه‌های تایپ‌شده

برخی بررسی‌های قابلیت در لایه fallback اعمال می‌شوند نه در مرز ابزار، بنابراین درخواستی که از محدودیت‌های ارائه‌دهنده اصلی فراتر می‌رود هنوز می‌تواند روی یک fallback توانا اجرا شود:

• نامزد فعال که هیچ maxInputAudios اعلام نکرده است (یا 0) زمانی کنار گذاشته می‌شود که درخواست شامل مرجع‌های صوتی باشد؛ نامزد بعدی امتحان می‌شود.
• maxDurationSeconds نامزد فعال کمتر از durationSeconds درخواست‌شده بدون فهرست اعلام‌شده supportedDurationSeconds → کنار گذاشته می‌شود.
• درخواست شامل providerOptions است و نامزد فعال صراحتاً یک شِمای تایپ‌شده providerOptions اعلام می‌کند → اگر کلیدهای ارائه‌شده در شِما نباشند یا نوع مقدارها همخوان نباشند، کنار گذاشته می‌شود. ارائه‌دهندگان بدون شِمای اعلام‌شده گزینه‌ها را همان‌طور که هستند دریافت می‌کنند (گذر سازگار با گذشته). یک ارائه‌دهنده می‌تواند با اعلام یک شِمای خالی (capabilities.providerOptions: {}) از همه گزینه‌های ارائه‌دهنده انصراف دهد، که همان کنارگذاری مانند ناسازگاری نوع را ایجاد می‌کند.

اولین دلیل کنارگذاری در یک درخواست در سطح warn ثبت می‌شود تا اپراتورها ببینند چه زمانی ارائه‌دهنده اصلی آن‌ها نادیده گرفته شده است؛ کنارگذاری‌های بعدی در سطح debug ثبت می‌شوند تا زنجیره‌های fallback طولانی آرام بمانند. اگر همه نامزدها کنار گذاشته شوند، خطای تجمیع‌شده دلیل کنارگذاری هرکدام را شامل می‌شود.

# کنش‌ها

# انتخاب مدل

OpenClaw مدل را به این ترتیب حل می‌کند:

1. پارامتر ابزار model - اگر عامل در فراخوانی یکی مشخص کند.
2. videoGenerationModel.primary از پیکربندی.
3. videoGenerationModel.fallbacks به‌ترتیب.
4. تشخیص خودکار - ارائه‌دهندگانی که احراز هویت معتبر دارند، با شروع از ارائه‌دهنده پیش‌فرض فعلی، سپس ارائه‌دهندگان باقی‌مانده به‌ترتیب الفبایی.

اگر یک ارائه‌دهنده شکست بخورد، نامزد بعدی به‌طور خودکار امتحان می‌شود. اگر همه نامزدها شکست بخورند، خطا جزئیات هر تلاش را شامل می‌شود.

agents.defaults.mediaGenerationAutoProviderFallback: false را تنظیم کنید تا فقط از ورودی‌های صریح model، primary، و fallbacks استفاده شود.

{
  agents: {
    defaults: {
      videoGenerationModel: {
        primary: "google/veo-3.1-fast-generate-preview",
        fallbacks: ["runway/gen4.5", "qwen/wan2.6-t2v"],
      },
    },
  },
}

# یادداشت‌های ارائه‌دهنده

# حالت‌های قابلیت ارائه‌دهنده

قرارداد مشترک تولید ویدیو به‌جای فقط محدودیت‌های تجمیعی تخت، از قابلیت‌های مختص هر حالت پشتیبانی می‌کند. پیاده‌سازی‌های جدید ارائه‌دهنده باید بلوک‌های صریح حالت را ترجیح دهند:

capabilities: {
  generate: {
    maxVideos: 1,
    maxDurationSeconds: 10,
    supportsResolution: true,
  },
  imageToVideo: {
    enabled: true,
    maxVideos: 1,
    maxInputImages: 1,
    maxInputImagesByModel: { "provider/reference-to-video": 9 },
    maxDurationSeconds: 5,
  },
  videoToVideo: {
    enabled: true,
    maxVideos: 1,
    maxInputVideos: 1,
    maxDurationSeconds: 5,
  },
}

فیلدهای تجمیعی تخت مانند maxInputImages و maxInputVideos برای اعلام پشتیبانی از حالت تبدیل کافی نیستند. ارائه‌دهنده‌ها باید generate، imageToVideo و videoToVideo را به‌صورت صریح اعلام کنند تا آزمون‌های زنده، آزمون‌های قرارداد، و ابزار مشترک video_generate بتوانند پشتیبانی از حالت را به‌صورت قطعی اعتبارسنجی کنند.

وقتی یک مدل در یک ارائه‌دهنده پشتیبانی گسترده‌تری از ورودی مرجع نسبت به بقیه دارد، به‌جای بالا بردن محدودیت سراسری حالت، از maxInputImagesByModel، maxInputVideosByModel، یا maxInputAudiosByModel استفاده کنید.

# آزمون‌های زنده

پوشش زنده اختیاری برای ارائه‌دهنده‌های بسته‌بندی‌شده مشترک:

OPENCLAW_LIVE_TEST=1 pnpm test:live -- extensions/video-generation-providers.live.test.ts

Wrapper مخزن:

pnpm test:live:media video

این فایل زنده متغیرهای محیطی ارائه‌دهنده را که موجود نیستند از ~/.profile بارگذاری می‌کند، به‌طور پیش‌فرض کلیدهای API زنده/محیطی را پیش از پروفایل‌های احراز هویت ذخیره‌شده ترجیح می‌دهد، و به‌طور پیش‌فرض یک smoke امن برای انتشار اجرا می‌کند:

• generate برای هر ارائه‌دهنده غیر FAL در پیمایش.
• اعلان یک‌ثانیه‌ای خرچنگ دریایی.
• سقف عملیات برای هر ارائه‌دهنده از OPENCLAW_LIVE_VIDEO_GENERATION_TIMEOUT_MS (180000 به‌طور پیش‌فرض).

FAL اختیاری است، زیرا تأخیر صف در سمت ارائه‌دهنده می‌تواند زمان انتشار را غالب کند:

pnpm test:live:media video --video-providers fal

برای اجرای حالت‌های تبدیل اعلام‌شده‌ای که پیمایش مشترک می‌تواند با رسانه محلی به‌صورت امن تمرین کند نیز OPENCLAW_LIVE_VIDEO_GENERATION_FULL_MODES=1 را تنظیم کنید:

• imageToVideo وقتی capabilities.imageToVideo.enabled.
• videoToVideo وقتی capabilities.videoToVideo.enabled و ارائه‌دهنده/مدل در پیمایش مشترک ورودی ویدیوی محلی مبتنی بر buffer را می‌پذیرد.

امروز مسیر زنده مشترک videoToVideo فقط وقتی runway را پوشش می‌دهد که runway/gen4_aleph را انتخاب کنید.

# پیکربندی

مدل پیش‌فرض تولید ویدیو را در پیکربندی OpenClaw خود تنظیم کنید:

{
  agents: {
    defaults: {
      videoGenerationModel: {
        primary: "qwen/wan2.6-t2v",
        fallbacks: ["qwen/wan2.6-r2v-flash"],
      },
    },
  },
}

یا از طریق CLI:

openclaw config set agents.defaults.videoGenerationModel.primary "qwen/wan2.6-t2v"

# مرتبط

• Alibaba Model Studio
• وظایف پس‌زمینه - رهگیری وظیفه برای تولید ویدیوی ناهمگام
• BytePlus
• ComfyUI
• مرجع پیکربندی
• fal
• Google (Gemini)
• MiniMax
• مدل‌ها
• OpenAI
• Qwen
• Runway
• Together AI
• نمای کلی ابزارها
• Vydra
• xAI