​

Compatibilidad con imágenes y contenido multimedia (2025-12-05)

​

Objetivos

• Enviar contenido multimedia con subtítulos opcionales mediante openclaw message send --media.
• Permitir que las respuestas automáticas de la bandeja de entrada web incluyan contenido multimedia junto con texto.
• Mantener límites razonables y predecibles por tipo.

​

Superficie de la CLI

• openclaw message send --media <path-or-url> [--message <caption>]
  • --media es opcional; el subtítulo puede estar vacío para envíos solo con contenido multimedia.
  • --dry-run imprime la carga útil resuelta; --json emite { channel, to, messageId, mediaUrl, caption }.

​

Comportamiento del canal WhatsApp Web

• Entrada: ruta de archivo local o URL HTTP(S).
• Flujo: cargar en un Buffer, detectar el tipo de contenido multimedia y crear la carga útil correcta:
  • Imágenes: redimensionar y recomprimir a JPEG (lado máximo 2048 px) apuntando a channels.whatsapp.mediaMaxMb (predeterminado: 50 MB).
  • Audio/Voz/Video: paso directo hasta 16 MB; el audio se envía como nota de voz (ptt: true).
  • Documentos: cualquier otra cosa, hasta 100 MB, conservando el nombre del archivo cuando esté disponible.
• Reproducción estilo GIF de WhatsApp: envía un MP4 con gifPlayback: true (CLI: --gif-playback) para que los clientes móviles lo reproduzcan en bucle en línea.
• La detección de MIME prefiere magic bytes, luego encabezados y después la extensión del archivo.
• El subtítulo proviene de --message o reply.text; se permite subtítulo vacío.
• Registro: en modo no detallado muestra ↩️/✅; en modo detallado incluye tamaño y ruta/URL de origen.

​

Pipeline de respuesta automática

• getReplyFromConfig devuelve { text?, mediaUrl?, mediaUrls? }.
• Cuando hay contenido multimedia, el remitente web resuelve rutas locales o URLs usando el mismo pipeline que openclaw message send.
• Si se proporcionan varias entradas multimedia, se envían secuencialmente.

​

Contenido multimedia entrante a comandos (Pi)

• Cuando los mensajes web entrantes incluyen contenido multimedia, OpenClaw lo descarga en un archivo temporal y expone variables de plantilla:
  • {{MediaUrl}} pseudo-URL para el contenido multimedia entrante.
  • {{MediaPath}} ruta temporal local escrita antes de ejecutar el comando.
• Cuando un sandbox Docker por sesión está habilitado, el contenido multimedia entrante se copia al espacio de trabajo del sandbox y MediaPath/MediaUrl se reescriben a una ruta relativa como media/inbound/<filename>.
• La comprensión multimedia (si se configura mediante tools.media.* o tools.media.models compartido) se ejecuta antes de la creación de plantillas y puede insertar bloques [Image], [Audio] y [Video] en Body.
  • El audio establece {{Transcript}} y usa la transcripción para el análisis del comando, de modo que los comandos slash sigan funcionando.
  • Las descripciones de video e imagen conservan cualquier texto de subtítulo para el análisis del comando.
  • Si el modelo principal de imagen activo ya admite visión de forma nativa, OpenClaw omite el bloque de resumen [Image] y pasa la imagen original al modelo en su lugar.
• De forma predeterminada, solo se procesa el primer archivo adjunto coincidente de imagen/audio/video; establece tools.media.<cap>.attachments para procesar varios archivos adjuntos.

​

Límites y errores

• Imágenes: hasta channels.whatsapp.mediaMaxMb (predeterminado: 50 MB) después de la recompresión.
• Audio/voz/video: límite de 16 MB; documentos: 100 MB.
• Contenido multimedia demasiado grande o ilegible → error claro en los registros y se omite la respuesta.

• Valor predeterminado de imagen: 10 MB (tools.media.image.maxBytes).
• Valor predeterminado de audio: 20 MB (tools.media.audio.maxBytes).
• Valor predeterminado de video: 50 MB (tools.media.video.maxBytes).
• El contenido multimedia demasiado grande omite la comprensión, pero las respuestas siguen procesándose con el cuerpo original.

​

Notas para pruebas

• Cubre flujos de envío + respuesta para casos de imagen/audio/documento.
• Valida la recompresión de imágenes (límite de tamaño) y el indicador de nota de voz para audio.
• Asegúrate de que las respuestas con varios elementos multimedia se distribuyan como envíos secuenciales.