Tools
媒體概覽
OpenClaw 會產生圖片、影片與音樂、理解傳入媒體（圖片、音訊、影片），並透過文字轉語音朗讀回覆。所有媒體能力都由工具驅動：代理會根據對話決定何時使用它們，而且每個工具只會在至少設定一個支援提供者時出現。
即時語音使用 Talk 工作階段合約，而不是一次性媒體工具路徑。Talk 有三種模式：提供者原生的 realtime、本機或串流式 stt-tts，以及用於僅觀察語音擷取的 transcription。這些模式會與電話、會議、瀏覽器即時通訊，以及原生按住說話用戶端共用提供者目錄、事件封套與取消語意。
能力
透過 image_generate 從文字提示或參考圖片建立與編輯圖片。同步執行：會隨回覆內嵌完成。
透過 video_generate 進行文字轉影片、圖片轉影片，以及影片轉影片。非同步執行：會在背景執行，並在準備就緒時發布結果。
透過 music_generate 產生音樂或音訊軌。共用提供者會非同步執行；ComfyUI 工作流程路徑會同步執行。
透過 tts 工具加上 messages.tts 設定，將對外回覆轉換為語音音訊。同步執行。
使用具備視覺能力的模型提供者與專用媒體理解 Plugin，摘要傳入圖片、音訊與影片。
透過批次 STT 或 Voice Call 串流 STT 提供者，轉錄傳入語音訊息。
提供者能力矩陣
| 提供者 | 圖片 | 影片 | 音樂 | TTS | STT | 即時語音 | 媒體理解 |
|---|---|---|---|---|---|---|---|
| Alibaba | ✓ | ||||||
| BytePlus | ✓ | ||||||
| ComfyUI | ✓ | ✓ | ✓ | ||||
| DeepInfra | ✓ | ✓ | ✓ | ✓ | ✓ | ||
| Deepgram | ✓ | ✓ | |||||
| ElevenLabs | ✓ | ✓ | |||||
| fal | ✓ | ✓ | |||||
| ✓ | ✓ | ✓ | ✓ | ✓ | ✓ | ||
| Gradium | ✓ | ||||||
| Local CLI | ✓ | ||||||
| Microsoft | ✓ | ||||||
| MiniMax | ✓ | ✓ | ✓ | ✓ | |||
| Mistral | ✓ | ||||||
| OpenAI | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ | |
| OpenRouter | ✓ | ✓ | ✓ | ✓ | |||
| Qwen | ✓ | ||||||
| Runway | ✓ | ||||||
| SenseAudio | ✓ | ||||||
| Together | ✓ | ||||||
| Vydra | ✓ | ✓ | ✓ | ||||
| xAI | ✓ | ✓ | ✓ | ✓ | ✓ | ||
| Xiaomi MiMo | ✓ | ✓ | ✓ |
非同步與同步
| 能力 | 模式 | 原因 |
|---|---|---|
| 圖片 | 同步 | 提供者回應會在數秒內返回；隨回覆內嵌完成。 |
| 文字轉語音 | 同步 | 提供者回應會在數秒內返回；附加到回覆音訊。 |
| 影片 | 非同步 | 提供者處理需要 30 秒到數分鐘；緩慢佇列可能會執行到設定的逾時時間。 |
| 音樂（共用） | 非同步 | 與影片相同的提供者處理特性。 |
| 音樂（ComfyUI） | 同步 | 本機工作流程會對設定的 ComfyUI 伺服器內嵌執行。 |
對於非同步工具，OpenClaw 會將請求提交給提供者、立即返回任務 ID，並在任務分類帳中追蹤工作。代理會在工作執行期間繼續回應其他訊息。提供者完成後，OpenClaw 會以產生的媒體路徑喚醒代理，讓它告知使用者，並在來源傳遞政策要求時，透過訊息工具轉送結果。對於僅限訊息工具的群組/頻道路由，OpenClaw 會將缺少訊息工具傳遞證據視為完成嘗試失敗，並直接將產生的媒體備援傳送到原始頻道。
語音轉文字與 Voice Call
Deepgram、DeepInfra、ElevenLabs、Mistral、OpenAI、SenseAudio 與 xAI 在設定後，都能透過批次 tools.media.audio 路徑轉錄傳入音訊。頻道 Plugin 若為了提及閘控或命令剖析而預先檢查語音備註，會在傳入內容上標記已轉錄的附件，因此共用媒體理解流程會重用該逐字稿，而不是對同一段音訊進行第二次 STT 呼叫。
Deepgram、ElevenLabs、Mistral、OpenAI 與 xAI 也會註冊 Voice Call 串流 STT 提供者，因此即時電話音訊可轉送給選定供應商，而不必等待錄音完成。
對於即時使用者對話，請優先使用 Talk 模式。批次音訊附件會留在媒體路徑上；瀏覽器即時通訊、原生按住說話、電話與會議音訊應使用 Talk 事件，以及 Gateway 返回的工作階段範圍目錄。
提供者對應（供應商如何分布於各介面）
圖片、影片、音樂、批次 TTS、後端即時語音，以及媒體理解介面。
OpenAI
圖片、影片、批次 TTS、批次 STT、Voice Call 串流 STT、後端即時語音，以及記憶嵌入介面。
DeepInfra
聊天/模型路由、圖片產生/編輯、文字轉影片、批次 TTS、批次 STT、圖片媒體理解，以及記憶嵌入介面。DeepInfra 原生的重新排序/分類/物件偵測模型要等到 OpenClaw 擁有這些類別的專用提供者合約後，才會註冊。
xAI
圖片、影片、搜尋、程式碼執行、批次 TTS、批次 STT，以及 Voice Call 串流 STT。xAI Realtime 語音是上游能力，但在共用即時語音合約能表示它之前，不會在 OpenClaw 中註冊。