xAI

ارائه‌دهندهٔ داخلی جست‌وجوی وب grok، OAuthِ xAI را ترجیح می‌دهد و سپس به XAI_API_KEY یا کلید جست‌وجوی وب Plugin بازمی‌گردد:

openclaw models auth login --provider xai --method oauthopenclaw config set tools.web.search.provider grok

Plugin داخلی xai تولید ویدیو را از طریق ابزار مشترک video_generate ثبت می‌کند.

• مدل پیش‌فرض: xai/grok-imagine-video
• مدل اضافی: xai/grok-imagine-video-1.5
• حالت‌های کلاسیک: متن به ویدیو، تصویر به ویدیو، تولید با تصویر مرجع، ویرایش ویدیوی راه دور و گسترش ویدیوی راه دور
• حالت Video 1.5: فقط تصویر به ویدیو، با دقیقاً یک تصویر فریم نخست
• نسبت‌های ابعاد: 1:1، 16:9، 9:16، 4:3، 3:4، 3:2، 2:3؛ در صورت حذف، حالت کلاسیک و تصویر به ویدیوی Video 1.5 نسبت تصویر منبع را به ارث می‌برند
• وضوح‌ها: حالت کلاسیک 480P/720P؛ Video 1.5 از 1080P نیز پشتیبانی می‌کند؛ پیش‌فرض همهٔ حالت‌های تولید 480P است
• مدت: 1-15 ثانیه برای تولید/تصویر به ویدیو، 1-10 ثانیه هنگام استفاده از نقش‌های کلاسیک reference_image، و 2-10 ثانیه برای گسترش کلاسیک
• تولید با تصویر مرجع: برای هر تصویر ارائه‌شده imageRoles را روی reference_image تنظیم کنید؛ xAI حداکثر 7 تصویر از این نوع می‌پذیرد
• ویرایش/گسترش ویدیو نسبت ابعاد و وضوح ویدیوی ورودی را به ارث می‌برد؛ این عملیات بازنویسی هندسه را نمی‌پذیرند
• مهلت پیش‌فرض عملیات: 600 ثانیه، مگر اینکه video_generate.timeoutMs یا agents.defaults.mediaModels.video.timeoutMs تنظیم شده باشد

Video 1.5 همچنین شناسه‌های grok-imagine-video-1.5-preview و grok-imagine-video-1.5-2026-05-30 متعلق به xAI را تشخیص می‌دهد. OpenClaw شناسهٔ انتخاب‌شده را بدون تغییر ارسال می‌کند، اما همان اعتبارسنجی مختص تصویر را اعمال می‌کند.

برای استفاده از xAI به‌عنوان ارائه‌دهندهٔ پیش‌فرض ویدیو:

{  agents: {    defaults: {      videoGenerationModel: {        primary: "xai/grok-imagine-video",      },    },  },}

Plugin همراه xai، تولید تصویر را از طریق ابزار مشترک image_generate ثبت می‌کند.

• مدل پیش‌فرض تصویر: xai/grok-imagine-image
• مدل اضافی: xai/grok-imagine-image-quality
• حالت‌ها: تبدیل متن به تصویر و ویرایش تصویر مرجع
• ورودی‌های مرجع: یک image یا حداکثر سه images
• نسبت‌های ابعاد: 1:1، 16:9، 9:16، 4:3، 3:4، 3:2، 2:3، 2:1، 1:2، 19.5:9، 9:19.5، 20:9، 9:20
• وضوح‌ها: 1K، 2K
• تعداد: حداکثر 4 تصویر
• مهلت پیش‌فرض عملیات: 600 ثانیه، مگر اینکه image_generate.timeoutMs یا agents.defaults.mediaModels.image.timeoutMs تنظیم شده باشد

OpenClaw از xAI پاسخ‌های تصویری b64_json را درخواست می‌کند تا رسانه تولیدشده از طریق مسیر عادی پیوست کانال ذخیره و تحویل داده شود. تصاویر مرجع محلی به URLهای داده تبدیل می‌شوند؛ ارجاع‌های راه دور http(s) بدون تغییر عبور داده می‌شوند.

برای استفاده از xAI به‌عنوان ارائه‌دهنده پیش‌فرض تصویر:

{  agents: {    defaults: {      imageGenerationModel: {        primary: "xai/grok-imagine-image",      },    },  },}

Plugin همراه xai، تبدیل متن به گفتار را از طریق سطح مشترک ارائه‌دهنده tts ثبت می‌کند.

• صداها: کاتالوگ زنده و احراز هویت‌شده از xAI؛ آن را با openclaw infer tts voices --provider xai فهرست کنید
• صداهای جایگزین آفلاین: ara، eve، leo، rex، sal
• صدای پیش‌فرض: eve
• شناسه‌های صدای سفارشی حساب، حتی در صورت نبودن در پاسخ کاتالوگ داخلی، ارسال می‌شوند
• قالب‌ها: mp3، wav، pcm، mulaw، alaw
• زبان: کد BCP-47 یا auto
• سرعت: بازنویسی سرعت بومی ارائه‌دهنده
• قالب بومی یادداشت صوتی Opus پشتیبانی نمی‌شود

برای استفاده از xAI به‌عنوان ارائه‌دهنده پیش‌فرض TTS:

{  tts: {    provider: "xai",    providers: {      xai: {        voiceId: "eve",      },    },  },}

Plugin همراه xai، تبدیل دسته‌ای گفتار به متن را از طریق سطح رونویسی درک رسانه OpenClaw ثبت می‌کند.

• نقطه پایانی: REST متعلق به xAI، /v1/stt
• مسیر ورودی: بارگذاری فایل صوتی چندبخشی
• انتخاب مدل: xAI مدل رونویسی را به‌صورت داخلی انتخاب می‌کند؛ این نقطه پایانی انتخابگر مدل ندارد
• در هر جایی استفاده می‌شود که رونویسی صوت ورودی tools.media.audio را می‌خواند، از جمله بخش‌های کانال صوتی Discord و پیوست‌های صوتی کانال

برای اجبار استفاده از xAI جهت رونویسی صوت ورودی:

{  tools: {    media: {      audio: {        models: [          {            type: "provider",            provider: "xai",          },        ],      },    },  },}

زبان را می‌توان از طریق پیکربندی مشترک رسانه صوتی یا درخواست رونویسی هر فراخوانی ارائه کرد. سطح مشترک OpenClaw راهنمایی‌های اعلان را می‌پذیرد، اما یکپارچه‌سازی REST STT متعلق به xAI فقط فایل و زبان را ارسال می‌کند، زیرا تنها این موارد با نقطه پایانی عمومی فعلی xAI مطابقت دارند.

Plugin همراه xai همچنین یک ارائه‌دهنده رونویسی بلادرنگ برای صدای زنده تماس صوتی ثبت می‌کند.

• نقطه پایانی: WebSocket متعلق به xAI، wss://api.x.ai/v1/stt
• کدگذاری پیش‌فرض: mulaw
• نرخ نمونه‌برداری پیش‌فرض: 8000
• نقطه‌گذاری پایانی پیش‌فرض: 800ms
• رونویسی‌های موقت: به‌طور پیش‌فرض فعال

جریان رسانه Twilio متعلق به Voice Call، فریم‌های صوتی G.711 mu-law را ارسال می‌کند؛ بنابراین ارائه‌دهنده xAI این فریم‌ها را مستقیماً و بدون تبدیل کدک ارسال می‌کند:

{  plugins: {    entries: {      "voice-call": {        config: {          streaming: {            enabled: true,            provider: "xai",            providers: {              xai: {                apiKey: "${XAI_API_KEY}",                endpointingMs: 800,                language: "en",              },            },          },        },      },    },  },}

پیکربندی متعلق به ارائه‌دهنده در plugins.entries.voice-call.config.streaming.providers.xai قرار دارد. کلیدهای پشتیبانی‌شده عبارت‌اند از apiKey، baseUrl، sampleRate، encoding ‏(pcm، mulaw یا alaw)، interimResults، endpointingMs و language.

Plugin همراه xai، نشست‌های بلادرنگ Grok Voice Agent را برای حالت Talk از طریق قرارداد مشترک registerRealtimeVoiceProvider ثبت می‌کند.

• نقطه پایانی: wss://api.x.ai/v1/realtime?model=<voice-model>
• مدل پیش‌فرض: grok-voice-latest
• صدای پیش‌فرض: eve
• انتقال: gateway-relay (مسیرهای رله iOS، Android و Control UI)
• صوت: PCM16 با 24 kHz یا G.711 µ-law با 8 kHz
• مداخله در حین گفتار: VAD سرور xAI پاسخ را قطع می‌کند؛ OpenClaw پخش صف‌شده را پاک و تاریخچه پخش‌نشده ارائه‌دهنده را کوتاه می‌کند

Talk را در Gateway پیکربندی کنید:

{  talk: {    realtime: {      provider: "xai",      mode: "realtime",      transport: "gateway-relay",      brain: "agent-consult",      providers: {        xai: {          model: "grok-voice-latest",          voice: "eve",          // فقط در صورتی فعال کنید که بازپخش نشست در سمت ارائه‌دهنده پذیرفتنی باشد.          sessionResumption: false,        },      },    },  },  env: { XAI_API_KEY: "xai-..." },}

پیکربندی متعلق به ارائه‌دهنده همچنین از plugins.entries.voice-call.config.realtime.providers.xai تفکیک می‌شود، هنگامی که Voice Call یا انتخابگرهای مشترک بلادرنگ از همان نگاشت ارائه‌دهنده استفاده مجدد می‌کنند. کلیدهای پشتیبانی‌شده عبارت‌اند از apiKey، baseUrl، model، voice، vadThreshold، silenceDurationMs، prefixPaddingMs، reasoningEffort و sessionResumption. reasoningEffort فقط high یا none را می‌پذیرد که با API عامل صوتی xAI مطابقت دارد.

VAD سرور xAI همیشه پاسخ‌ها را ایجاد و وقفه صوتی را مدیریت می‌کند. از consultRouting: "provider-direct" استفاده کنید؛ مسیریابی اجباری رونویسی و غیرفعال‌کردن وقفه صوت ورودی در پروتکل عامل صوتی xAI پشتیبانی نمی‌شوند.

Plugin همراه xAI، x_search را به‌عنوان ابزار OpenClaw برای جست‌وجوی محتوای X (که پیش‌تر Twitter نام داشت) از طریق Grok ارائه می‌کند.

مسیر پیکربندی: plugins.entries.xai.config.xSearch

{  plugins: {    entries: {      xai: {        config: {          xSearch: {            enabled: true,            model: "grok-4.3",            baseUrl: "https://api.x.ai/v1",            inlineCitations: true,          },        },      },    },  },}

Plugin همراه xAI، code_execution را به‌عنوان ابزار OpenClaw برای اجرای کد از راه دور در محیط سندباکس xAI ارائه می‌کند.

مسیر پیکربندی: plugins.entries.xai.config.codeExecution

{  plugins: {    entries: {      xai: {        config: {          codeExecution: {            enabled: true,            model: "grok-4.3",          },        },      },    },  },}

• احراز هویت xAI می‌تواند از کلید API، متغیر محیطی، پیکربندی Plugin به‌عنوان راهکار جایگزین، یا OAuth با یک حساب واجد شرایط xAI استفاده کند. OAuth بدون فراخوانی برگشتی localhost از تأیید با کد دستگاه استفاده می‌کند. xAI تعیین می‌کند کدام حساب‌ها می‌توانند توکن‌های API مبتنی بر OAuth دریافت کنند و ممکن است صفحه رضایت، Grok Build را نمایش دهد، هرچند OpenClaw به برنامه Grok Build نیاز ندارد.
• OpenClaw درحال‌حاضر خانواده مدل چندعاملی xAI را ارائه نمی‌کند. xAI این مدل‌ها را از طریق Responses API ارائه می‌دهد، اما آن‌ها ابزارهای سمت کلاینت یا سفارشی مورداستفاده در حلقه عامل مشترک OpenClaw را نمی‌پذیرند. به محدودیت‌های چندعاملی xAI مراجعه کنید.
• صدای بلادرنگ xAI درحال‌حاضر فقط انتقال Talk از طریق رله Gateway را ارائه می‌دهد. نشست‌های WebSocket ارائه‌دهنده که تحت مالکیت مرورگر هستند، هنوز در Control UI متصل نشده‌اند.
• quality تصویر xAI، mask تصویر و نسبت‌های ابعاد اضافی مختص حالت بومی تا زمانی که ابزار مشترک image_generate کنترل‌های متناظر میان‌ارائه‌دهنده‌ای نداشته باشد، ارائه نمی‌شوند.

• OpenClaw اصلاحات سازگاری ویژه xAI برای شِمای ابزار و فراخوانی ابزار را به‌طور خودکار در مسیر اجراکننده مشترک اعمال می‌کند.
• درخواست‌های بومی xAI به‌طور پیش‌فرض tool_stream: true هستند. برای غیرفعال‌کردن آن، agents.defaults.models["xai/<model>"].params.tool_stream را روی false تنظیم کنید.
• پوشش‌دهنده همراه xAI پیش از ارسال درخواست‌های بومی xAI، کران‌های پشتیبانی‌نشده شمارش contains و کلیدهای پشتیبانی‌نشده میزان استدلال را از بار داده شِما حذف می‌کند. Grok 4.5 از میزان کم، متوسط و زیاد (پیش‌فرض زیاد) پشتیبانی می‌کند. Grok 4.3 از میزان بدون تلاش، کم، متوسط و زیاد (پیش‌فرض کم) پشتیبانی می‌کند. سایر مدل‌های xAI با قابلیت استدلال، کنترل میزان قابل‌تنظیمی ارائه نمی‌کنند، اما همچنان include: ["reasoning.encrypted_content"] را درخواست می‌کنند تا استدلال رمزگذاری‌شده قبلی در نوبت‌های بعدی بازپخش شود.
• web_search، x_search و code_execution به‌عنوان ابزارهای OpenClaw ارائه می‌شوند. OpenClaw فقط قابلیت داخلی مشخص xAI را که هر ابزار نیاز دارد به درخواست همان ابزار متصل می‌کند، به‌جای آنکه همه ابزارهای بومی را به هر نوبت چت متصل کند.
• Grok web_search، plugins.entries.xai.config.webSearch.baseUrl را می‌خواند. x_search، plugins.entries.xai.config.xSearch.baseUrl را می‌خواند و سپس به URL پایه جست‌وجوی وب Grok بازمی‌گردد.
• x_search و code_execution به‌جای آنکه در زمان اجرای مدل هسته به‌صورت ثابت کدنویسی شوند، تحت مالکیت Plugin همراه xAI هستند.
• code_execution اجرای راه دور در سندباکس xAI است، نه exec محلی.