Tools
媒體概覽
OpenClaw 可產生圖片、影片與音樂、理解傳入的媒體 （圖片、音訊、影片），並透過文字轉語音朗讀回覆。所有 媒體功能皆由工具驅動：代理程式會根據對話決定何時使用， 而且每項工具都只會在至少設定一個後端 供應商時出現。
即時語音使用 Talk 工作階段合約，而非單次媒體工具
路徑。Talk 有三種模式：供應商原生 realtime、本機或串流
stt-tts，以及用於僅觀察語音擷取的 transcription。這些模式
與電話、會議、瀏覽器即時功能及原生按住說話用戶端
共用供應商目錄、事件封套與取消語意。
功能
透過 image_generate，根據文字提示或參考圖片建立及編輯圖片。
在聊天工作階段中以非同步方式執行——在背景執行，並在
就緒時發布結果。
透過 video_generate 實現文字轉影片、圖片轉影片及影片轉影片。
非同步——在背景執行，並在結果就緒時發布。
透過 music_generate 生成音樂或音軌。在聊天
工作階段中，依照共用的媒體生成任務生命週期非同步執行。
透過 tts 工具搭配 tts 設定，
將傳出回覆轉換為語音音訊。同步執行。
使用具備視覺能力的模型供應商及專用媒體理解外掛， 摘要傳入的圖片、音訊與影片。
透過批次 STT 或 Voice Call 串流 STT 供應商， 轉錄傳入的語音訊息。
供應商功能矩陣
| 供應商 | 圖片 | 影片 | 音樂 | TTS | STT | 即時語音 | 媒體理解 |
|---|---|---|---|---|---|---|---|
| Alibaba | ✓ | ||||||
| Azure Speech | ✓ | ||||||
| BytePlus | ✓ | ||||||
| ComfyUI | ✓ | ✓ | ✓ | ||||
| Deepgram | ✓ | ||||||
| DeepInfra | ✓ | ✓ | ✓ | ✓ | ✓ | ||
| ElevenLabs | ✓ | ✓ | |||||
| fal | ✓ | ✓ | ✓ | ||||
| ✓ | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ | |
| Gradium | ✓ | ||||||
| Inworld | ✓ | ||||||
| LiteLLM | ✓ | ||||||
| 本機命令列介面 | ✓ | ||||||
| Microsoft | ✓ | ||||||
| Microsoft Foundry | ✓ | ||||||
| MiniMax | ✓ | ✓ | ✓ | ✓ | |||
| Mistral | ✓ | ||||||
| OpenAI | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ | |
| OpenRouter | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ | |
| PixVerse | ✓ | ||||||
| Qwen | ✓ | ✓ | |||||
| Runway | ✓ | ||||||
| SenseAudio | ✓ | ||||||
| Together | ✓ | ||||||
| Volcengine | ✓ | ||||||
| Vydra | ✓ | ✓ | ✓ | ||||
| xAI | ✓ | ✓ | ✓ | ✓ | ✓ | ||
| Xiaomi MiMo | ✓ |
非同步與同步
| 功能 | 模式 | 原因 |
|---|---|---|
| 圖片 | 非同步 | 供應商處理時間可能超過一輪聊天；生成的附件使用共用完成路徑。 |
| 文字轉語音 | 同步 | 供應商回應會在數秒內傳回；附加至回覆音訊。 |
| 影片 | 非同步 | 供應商處理需時 30 秒至數分鐘；緩慢的佇列最長可執行至設定的逾時時間。 |
| 音樂 | 非同步 | 與影片具有相同的供應商處理特性。 |
對於非同步工具，OpenClaw 會將要求提交給供應商、立即傳回任務
ID，並在任務帳本中追蹤工作。工作執行期間，代理程式可繼續
回覆其他訊息。供應商完成後，
OpenClaw 會以生成的媒體路徑喚醒代理程式，使其能透過
工作階段的一般可見回覆模式告知
使用者：若已設定，則自動傳送最終回覆；
若工作階段要求使用訊息工具，則使用 message(action="send")。
如果要求者工作階段處於非使用中狀態或其主動喚醒
失敗，且完成回覆仍缺少部分生成的媒體，
OpenClaw 會以冪等的直接備援方式，僅傳送缺少的媒體。已由
完成回覆傳送的媒體不會再次發布。
語音轉文字與 Voice Call
設定後，Deepgram、DeepInfra、ElevenLabs、Google、Groq、Mistral、OpenAI、OpenRouter、
SenseAudio 與 xAI 都可透過批次
tools.media.audio 路徑轉錄傳入音訊。針對提及閘門或命令剖析
預先檢查語音訊息的頻道外掛，會在傳入內容中標記已轉錄的
附件，讓共用媒體理解流程重複使用該轉錄內容，
而不會對同一段音訊發出第二次 STT 呼叫。
Deepgram、ElevenLabs、Mistral、OpenAI 與 xAI 也會註冊 Voice Call 串流 STT 供應商，因此即時電話音訊可轉送至所選 廠商，無須等待錄音完成。
對於即時使用者對話，建議使用 Talk 模式。批次音訊 附件仍使用媒體路徑；瀏覽器即時功能、原生按住說話、 電話與會議音訊應使用 Talk 事件，以及閘道傳回的工作階段範圍 目錄。
供應商對應（廠商如何分布於各介面）
圖片、影片、音樂、批次 TTS、批次 STT、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、圖片生成／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 也提供重新排序、分類、物件偵測及 其他原生模型類型；OpenClaw 尚未為這些 類別提供供應商合約，因此此外掛不會註冊它們。
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 即時語音是上游功能，但在共用即時語音合約能夠 表示此功能前，不會在 OpenClaw 中 註冊。
