快速开始
媒体概览
OpenClaw 生成图像、视频和音乐，理解入站媒体（图像、音频、视频），并用文本转语音朗读回复。所有媒体能力都由工具驱动：智能体会根据对话决定何时使用它们，并且每个工具只会在至少配置了一个后端提供商时出现。
实时语音使用 Talk 会话契约，而不是一次性媒体工具路径。Talk 有三种模式：提供商原生的 realtime、本地或流式的 stt-tts，以及用于仅观察语音捕获的 transcription。这些模式与电话、会议、浏览器实时语音和原生按键通话客户端共享提供商目录、事件信封和取消语义。
能力
通过 image_generate 从文本提示或参考图像创建和编辑图像。同步执行——随回复内联完成。
通过 video_generate 实现文本到视频、图像到视频和视频到视频。异步执行——在后台运行，并在就绪时发布结果。
通过 music_generate 生成音乐或音轨。在共享提供商上异步执行；ComfyUI 工作流路径同步运行。
通过 tts 工具和 messages.tts 配置将出站回复转换为语音音频。同步执行。
使用具备视觉能力的模型提供商和专用媒体理解插件，总结入站图像、音频和视频。
通过批量 STT 或 Voice Call 流式 STT 提供商转录入站语音消息。
提供商能力矩阵
| 提供商 | 图像 | 视频 | 音乐 | TTS | STT | 实时语音 | 媒体理解 |
|---|---|---|---|---|---|---|---|
| Alibaba | ✓ | ||||||
| BytePlus | ✓ | ||||||
| ComfyUI | ✓ | ✓ | ✓ | ||||
| DeepInfra | ✓ | ✓ | ✓ | ✓ | ✓ | ||
| Deepgram | ✓ | ✓ | |||||
| ElevenLabs | ✓ | ✓ | |||||
| fal | ✓ | ✓ | |||||
| ✓ | ✓ | ✓ | ✓ | ✓ | ✓ | ||
| Gradium | ✓ | ||||||
| Local CLI | ✓ | ||||||
| Microsoft | ✓ | ||||||
| MiniMax | ✓ | ✓ | ✓ | ✓ | |||
| Mistral | ✓ | ||||||
| OpenAI | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ | |
| OpenRouter | ✓ | ✓ | ✓ | ✓ | |||
| Qwen | ✓ | ||||||
| Runway | ✓ | ||||||
| SenseAudio | ✓ | ||||||
| Together | ✓ | ||||||
| Vydra | ✓ | ✓ | ✓ | ||||
| xAI | ✓ | ✓ | ✓ | ✓ | ✓ | ||
| Xiaomi MiMo | ✓ | ✓ | ✓ |
异步与同步
| 能力 | 模式 | 原因 |
|---|---|---|
| 图像 | 同步 | 提供商响应会在数秒内返回；随回复内联完成。 |
| 文本转语音 | 同步 | 提供商响应会在数秒内返回；附加到回复音频中。 |
| 视频 | 异步 | 提供商处理需要 30 秒到数分钟；慢队列可能一直运行到配置的超时时间。 |
| 音乐（共享） | 异步 | 与视频具有相同的提供商处理特征。 |
| 音乐（ComfyUI） | 同步 | 本地工作流针对配置的 ComfyUI 服务器内联运行。 |
对于异步工具，OpenClaw 会将请求提交给提供商，立即返回任务 ID，并在任务账本中跟踪作业。作业运行期间，智能体会继续回复其他消息。提供商完成后，OpenClaw 会用生成的媒体路径唤醒智能体，让它可以告知用户，并在来源交付策略要求时，通过消息工具转发结果。对于仅消息工具的群组/渠道路由，如果缺少消息工具交付证据，OpenClaw 会将其视为完成尝试失败，并把生成的媒体回退内容直接发送到原始渠道。
语音转文本和 Voice Call
Deepgram、DeepInfra、ElevenLabs、Mistral、OpenAI、SenseAudio 和 xAI 在配置后，都可以通过批量 tools.media.audio 路径转录入站音频。对语音备注进行预检以完成提及门控或命令解析的渠道插件，会在入站上下文中标记已转录的附件，因此共享媒体理解流程会复用该转录，而不是为同一段音频进行第二次 STT 调用。
Deepgram、ElevenLabs、Mistral、OpenAI 和 xAI 也会注册 Voice Call 流式 STT 提供商，因此实时电话音频可以转发给所选供应商，而无需等待录音完成。
对于实时用户对话，优先使用 Talk 模式。批量音频附件仍保留在媒体路径上；浏览器实时语音、原生按键通话、电话和会议音频应使用 Talk 事件，以及 Gateway 网关返回的会话作用域目录。
提供商映射（供应商如何拆分到各个表面）
图像、视频、音乐、批量 TTS、后端实时语音和媒体理解表面。
OpenAI
图像、视频、批量 TTS、批量 STT、Voice Call 流式 STT、后端实时语音和记忆嵌入表面。
DeepInfra
聊天/模型路由、图像生成/编辑、文本到视频、批量 TTS、批量 STT、图像媒体理解和记忆嵌入表面。DeepInfra 原生的重排/分类/对象检测模型不会注册，直到 OpenClaw 为这些类别提供专用提供商契约。
xAI
图像、视频、搜索、代码执行、批量 TTS、批量 STT 和 Voice Call 流式 STT。xAI Realtime 语音是上游能力，但在共享实时语音契约能够表示它之前，不会注册到 OpenClaw 中。