تولید ویدئو

"status" وظیفه فعلی نشست را برمی‌گرداند؛ "list" ارائه‌دهندگان را بررسی می‌کند.

OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InRpbWVvdXRNcyIgdHlwZT0ibnVtYmVyIg مهلت زمانی اختیاری عملیات ارائه‌دهنده به میلی‌ثانیه. وقتی حذف شود، OpenClaw در صورت پیکربندی از agents.defaults.videoGenerationModel.timeoutMs استفاده می‌کند. OPENCLAW_DOCS_MARKER:paramClose:

ورودی‌های مرجع حالت زمان اجرا را انتخاب می‌کنند:

• بدون رسانه مرجع → generate
• هر مرجع تصویر → imageToVideo
• هر مرجع ویدیو → videoToVideo
• ورودی‌های صوت مرجع حالت حل‌شده را تغییر نمی‌دهند؛ آن‌ها روی هر حالتی که مراجع تصویر/ویدیو انتخاب می‌کنند اعمال می‌شوند، و فقط با ارائه‌دهندگانی کار می‌کنند که maxInputAudios را اعلام می‌کنند.

ترکیب مراجع تصویر و ویدیو سطح قابلیت مشترک پایداری نیست. برای هر درخواست، یک نوع مرجع را ترجیح دهید.

Fallback و گزینه‌های نوع‌دار

برخی بررسی‌های قابلیت به‌جای مرز ابزار در لایه fallback اعمال می‌شوند، پس درخواستی که از محدودیت‌های ارائه‌دهنده اصلی فراتر می‌رود همچنان می‌تواند روی fallback توانمند اجرا شود:

• نامزد فعال که هیچ maxInputAudios اعلام نکرده است (یا 0) وقتی درخواست شامل مراجع صوتی باشد رد می‌شود؛ نامزد بعدی امتحان می‌شود.
• maxDurationSeconds نامزد فعال کمتر از durationSeconds درخواست‌شده و بدون فهرست supportedDurationSeconds اعلام‌شده → رد می‌شود.
• درخواست شامل providerOptions است و نامزد فعال به‌طور صریح شمای نوع‌دار providerOptions اعلام می‌کند → اگر کلیدهای ارائه‌شده در شما نباشند یا نوع مقدارها منطبق نباشد رد می‌شود. ارائه‌دهندگان بدون شمای اعلام‌شده گزینه‌ها را همان‌طور که هستند دریافت می‌کنند (عبور سازگار با نسخه‌های قبلی). یک ارائه‌دهنده می‌تواند با اعلام شمای خالی (capabilities.providerOptions: {}) از همه گزینه‌های ارائه‌دهنده انصراف دهد، که همان رد شدن ناشی از ناهماهنگی نوع را ایجاد می‌کند.

نخستین دلیل رد شدن در یک درخواست با سطح warn ثبت می‌شود تا اپراتورها ببینند چه زمانی ارائه‌دهنده اصلی آن‌ها کنار گذاشته شده است؛ رد شدن‌های بعدی با سطح debug ثبت می‌شوند تا زنجیره‌های طولانی fallback کم‌صدا بمانند. اگر همه نامزدها رد شوند، خطای تجمیع‌شده دلیل رد شدن هرکدام را شامل می‌شود.

کنش‌ها

انتخاب مدل

OpenClaw مدل را به این ترتیب حل می‌کند:

1. پارامتر ابزار model - اگر عامل در فراخوانی یکی مشخص کند.
2. videoGenerationModel.primary از پیکربندی.
3. videoGenerationModel.fallbacks به‌ترتیب.
4. تشخیص خودکار - ارائه‌دهندگانی که احراز هویت معتبر دارند، از ارائه‌دهنده پیش‌فرض فعلی شروع می‌شود، سپس ارائه‌دهندگان باقی‌مانده به‌ترتیب الفبایی.

اگر یک ارائه‌دهنده شکست بخورد، نامزد بعدی به‌طور خودکار امتحان می‌شود. اگر همه نامزدها شکست بخورند، خطا جزئیات هر تلاش را شامل می‌شود.

برای استفاده فقط از ورودی‌های صریح model، primary و fallbacks، agents.defaults.mediaGenerationAutoProviderFallback: false را تنظیم کنید.

{  agents: {    defaults: {      videoGenerationModel: {        primary: "google/veo-3.1-fast-generate-preview",        fallbacks: ["runway/gen4.5", "qwen/wan2.6-t2v"],      },    },  },}

یادداشت‌های ارائه‌دهنده

حالت‌های قابلیت provider

قرارداد مشترک تولید ویدئو به‌جای فقط محدودیت‌های تجمیعی تخت، از قابلیت‌های ویژه هر حالت پشتیبانی می‌کند. پیاده‌سازی‌های جدید provider باید بلوک‌های حالت صریح را ترجیح دهند:

capabilities: {  generate: {    maxVideos: 1,    maxDurationSeconds: 10,    supportsResolution: true,  },  imageToVideo: {    enabled: true,    maxVideos: 1,    maxInputImages: 1,    maxInputImagesByModel: { "provider/reference-to-video": 9 },    maxDurationSeconds: 5,  },  videoToVideo: {    enabled: true,    maxVideos: 1,    maxInputVideos: 1,    maxDurationSeconds: 5,  },}

فیلدهای تجمیعی تخت مانند maxInputImages و maxInputVideos برای اعلام پشتیبانی از حالت transform کافی نیستند. providerها باید generate، imageToVideo، و videoToVideo را صریحا اعلام کنند تا تست‌های زنده، تست‌های قرارداد، و ابزار مشترک video_generate بتوانند پشتیبانی از حالت را به‌صورت قطعی اعتبارسنجی کنند.

وقتی یک مدل در یک provider نسبت به بقیه از پشتیبانی گسترده‌تری برای ورودی مرجع برخوردار است، به‌جای افزایش محدودیت کل حالت، از maxInputImagesByModel، maxInputVideosByModel، یا maxInputAudiosByModel استفاده کنید.

تست‌های زنده

پوشش زنده opt-in برای providerهای همراه مشترک:

OPENCLAW_LIVE_TEST=1 pnpm test:live -- extensions/video-generation-providers.live.test.ts

wrapper مخزن:

pnpm test:live:media video

این فایل زنده env varهای provider را که موجود نیستند از ~/.profile بارگذاری می‌کند، به‌طور پیش‌فرض کلیدهای API زنده/env را بر auth profileهای ذخیره‌شده ترجیح می‌دهد، و به‌طور پیش‌فرض یک smoke ایمن برای release اجرا می‌کند:

• generate برای هر provider غیر FAL در sweep.
• prompt خرچنگ یک‌ثانیه‌ای.
• سقف عملیات برای هر provider از OPENCLAW_LIVE_VIDEO_GENERATION_TIMEOUT_MS (180000 به‌طور پیش‌فرض).

FAL به‌صورت opt-in است، زیرا latency صف سمت provider می‌تواند بر زمان release غلبه کند:

pnpm test:live:media video --video-providers fal

برای اجرای حالت‌های transform اعلام‌شده‌ای که sweep مشترک می‌تواند با رسانه محلی به‌صورت ایمن تمرین کند نیز OPENCLAW_LIVE_VIDEO_GENERATION_FULL_MODES=1 را تنظیم کنید:

• imageToVideo وقتی capabilities.imageToVideo.enabled.
• videoToVideo وقتی capabilities.videoToVideo.enabled و provider/model ورودی ویدئوی محلی buffer-backed را در sweep مشترک می‌پذیرد.

امروز lane زنده مشترک videoToVideo فقط زمانی runway را پوشش می‌دهد که runway/gen4_aleph را انتخاب کنید.

پیکربندی

مدل پیش‌فرض تولید ویدئو را در پیکربندی OpenClaw خود تنظیم کنید:

{  agents: {    defaults: {      videoGenerationModel: {        primary: "qwen/wan2.6-t2v",        fallbacks: ["qwen/wan2.6-r2v-flash"],      },    },  },}

یا از طریق CLI:

openclaw config set agents.defaults.videoGenerationModel.primary "qwen/wan2.6-t2v"

مرتبط

• Alibaba Model Studio
• کارهای پس‌زمینه - ردیابی task برای تولید ویدئوی ناهمگام
• BytePlus
• ComfyUI
• مرجع پیکربندی
• fal
• Google (Gemini)
• MiniMax
• مدل‌ها
• OpenAI
• Qwen
• Runway
• Together AI
• نمای کلی ابزارها
• Vydra
• xAI