Tools

تولید ویدئو

عامل‌های OpenClaw از طریق video_generate، از اعلان‌های متنی، تصاویر مرجع یا ویدئوهای موجود، ویدئو تولید می‌کنند. شانزده بک‌اند ارائه‌دهنده پشتیبانی می‌شوند؛ عامل بر اساس پیکربندی و کلیدهای API موجود، به‌طور خودکار گزینه مناسب را انتخاب می‌کند.

video_generate سه حالت زمان اجرا دارد که از ورودی‌های مرجع در فراخوانی تعیین می‌شوند:

generate - بدون رسانه مرجع (متن‌به‌ویدئو).
imageToVideo - یک یا چند تصویر مرجع.
videoToVideo - یک یا چند ویدئوی مرجع.

ارائه‌دهندگان می‌توانند از هر زیرمجموعه‌ای از این حالت‌ها پشتیبانی کنند. ابزار پیش از ارسال، حالت فعال را اعتبارسنجی می‌کند و حالت‌های پشتیبانی‌شده را در action=list گزارش می‌دهد.

شروع سریع

پیکربندی احراز هویت

برای هر ارائه‌دهنده پشتیبانی‌شده، یک کلید API تنظیم کنید:

bash

export GEMINI_API_KEY="your-key"

انتخاب مدل پیش‌فرض (اختیاری)

bash

openclaw config set agents.defaults.mediaModels.video.primary "google/veo-3.1-fast-generate-preview"

درخواست از عامل

یک ویدئوی سینمایی ۵ثانیه‌ای از یک خرچنگ دریایی صمیمی که هنگام غروب موج‌سواری می‌کند، تولید کن.

عامل به‌طور خودکار video_generate را فراخوانی می‌کند. نیازی به افزودن ابزار به فهرست مجاز نیست.

سازوکار تولید ناهمگام

تولید ویدئو ناهمگام است:

OpenClaw درخواست را برای ارائه‌دهنده ارسال می‌کند و بلافاصله یک شناسه وظیفه برمی‌گرداند.
ارائه‌دهنده کار را در پس‌زمینه پردازش می‌کند (معمولاً بسته به ارائه‌دهنده و وضوح، از 30 ثانیه تا چند دقیقه؛ ارائه‌دهندگان کند مبتنی بر صف می‌توانند تا مهلت زمانی پیکربندی‌شده اجرا شوند).
وقتی ویدئو آماده شود، OpenClaw همان نشست را با یک رویداد تکمیل داخلی بیدار می‌کند.
عامل آن را از طریق حالت عادی پاسخ قابل‌مشاهده نشست گزارش می‌کند: پاسخ نهایی خودکار، یا message(action="send") هنگامی که نشست به ابزار پیام نیاز دارد. اگر نشست درخواست‌کننده غیرفعال باشد، یا بیدارسازی آن ناموفق شود و رسانه تولیدشده همچنان در پاسخ تکمیل وجود نداشته باشد، OpenClaw یک جایگزین مستقیم و هم‌توان با رسانه ارسال می‌کند.

هنگامی که کاری در حال اجراست، فراخوانی‌های تکراری video_generate در همان نشست، به‌جای شروع تولیدی دیگر، وضعیت فعلی وظیفه را برمی‌گردانند. برای بررسی بدون راه‌اندازی تولید جدید از action: "status"، یا از openclaw tasks list / openclaw tasks show <lookup> در CLI استفاده کنید (وظایف پس‌زمینه را ببینید).

خارج از اجرای عامل‌های متکی به نشست (برای مثال، فراخوانی مستقیم ابزار)، ابزار به تولید درون‌خطی بازمی‌گردد و مسیر نهایی رسانه را در همان نوبت برمی‌گرداند.

وقتی ارائه‌دهنده بایت برگرداند، فایل‌های ویدئویی تولیدشده در فضای ذخیره‌سازی رسانه تحت مدیریت OpenClaw ذخیره می‌شوند. سقف پیش‌فرض 16MB است (محدودیت مشترک رسانه ویدئویی)؛ agents.defaults.mediaMaxMb آن را برای رندرهای بزرگ‌تر افزایش می‌دهد. هنگامی که ارائه‌دهنده یک نشانی اینترنتی خروجی میزبانی‌شده نیز برمی‌گرداند، اگر ماندگارسازی محلی فایل بیش‌ازحد بزرگ را رد کند، OpenClaw به‌جای ناموفق کردن وظیفه، آن نشانی اینترنتی را تحویل می‌دهد.

چرخه عمر وظیفه

وضعیت	معنا
`queued`	وظیفه ایجاد شده و منتظر پذیرش آن از سوی ارائه‌دهنده است.
`running`	ارائه‌دهنده در حال پردازش است (معمولاً بسته به ارائه‌دهنده و وضوح، از 30 ثانیه تا چند دقیقه).
`succeeded`	ویدئو آماده است؛ عامل بیدار می‌شود و آن را در گفت‌وگو ارسال می‌کند.
`failed`	خطای ارائه‌دهنده یا پایان مهلت زمانی؛ عامل با جزئیات خطا بیدار می‌شود.

وضعیت را از CLI بررسی کنید:

bash

openclaw tasks listopenclaw tasks show <lookup>openclaw tasks cancel <lookup>

ارائه‌دهندگان پشتیبانی‌شده

ارائه‌دهنده	مدل پیش‌فرض	متن	مرجع تصویر	مرجع ویدئو	احراز هویت
Alibaba	`wan2.6-t2v`	✓	بله (نشانی اینترنتی راه‌دور)	بله (نشانی اینترنتی راه‌دور)	`MODELSTUDIO_API_KEY`
BytePlus (همراه)	`seedance-1-0-pro-250528`	✓	تا 2 تصویر (فریم اول + آخر)	-	`BYTEPLUS_API_KEY`
Plugin نسخه 1.5 ‏BytePlus	`seedance-1-5-pro-251215`	✓	تا 2 تصویر (فریم اول + آخر از طریق نقش)	-	`BYTEPLUS_API_KEY`
BytePlus Seedance 2.0	`dreamina-seedance-2-0-260128`	✓	تا 9 تصویر مرجع	تا 3 ویدئو	`BYTEPLUS_API_KEY`
ComfyUI	`workflow`	✓	1 تصویر	-	`COMFY_API_KEY` یا `COMFY_CLOUD_API_KEY`
DeepInfra	`Pixverse/Pixverse-T2V`	✓	-	-	`DEEPINFRA_API_KEY`
fal	`fal-ai/minimax/video-01-live`	✓	1 تصویر؛ با تبدیل مرجع‌به‌ویدئوی Seedance تا 9 تصویر	با تبدیل مرجع‌به‌ویدئوی Seedance تا 3 ویدئو	`FAL_KEY`
Google	`veo-3.1-fast-generate-preview`	✓	1 تصویر	1 ویدئو	`GEMINI_API_KEY`
MiniMax	`MiniMax-Hailuo-2.3`	✓	1 تصویر	-	`MINIMAX_API_KEY` یا OAuth ‏MiniMax
OpenAI	`sora-2`	✓	1 تصویر	1 ویدئو	`OPENAI_API_KEY`
OpenRouter	`google/veo-3.1-fast`	✓	تا 4 تصویر (فریم اول/آخر یا مراجع)	-	`OPENROUTER_API_KEY`
Qwen	`wan2.6-t2v`	✓	بله (نشانی اینترنتی راه‌دور)	بله (نشانی اینترنتی راه‌دور)	`QWEN_API_KEY`
Runway	`gen4.5`	✓	1 تصویر	1 ویدئو	`RUNWAYML_API_SECRET`
Together	`Wan-AI/Wan2.2-T2V-A14B`	✓	فقط `Wan-AI/Wan2.2-I2V-A14B`	-	`TOGETHER_API_KEY`
Vydra	`veo3`	✓	1 تصویر (`kling`)	-	`VYDRA_API_KEY`
xAI	`grok-imagine-video`	✓	کلاسیک: 1 فریم اول یا 7 مرجع؛ 1.5: ‏1 فریم	کلاسیک: 1 ویدئو	`XAI_API_KEY`

برخی ارائه‌دهندگان متغیرهای محیطی کلید API اضافی یا جایگزین را می‌پذیرند. برای جزئیات، صفحه‌های ارائه‌دهندگان را ببینید.

برای بررسی ارائه‌دهندگان، مدل‌ها و حالت‌های زمان اجرای موجود در زمان اجرا، video_generate action=list را اجرا کنید.

ماتریس قابلیت‌ها

قرارداد صریح حالت که توسط video_generate، آزمون‌های قرارداد و پویش زنده مشترک استفاده می‌شود:

ارائه‌دهنده	`generate`	`imageToVideo`	`videoToVideo`	مسیرهای زنده مشترک امروز
Alibaba	✓	✓	✓	`generate`، `imageToVideo`؛ `videoToVideo` رد می‌شود، زیرا این ارائه‌دهنده به نشانی‌های اینترنتی راه‌دور ویدئوی `http(s)` نیاز دارد
BytePlus	✓	✓	-	`generate`، `imageToVideo`
ComfyUI	✓	✓	-	در پویش مشترک نیست؛ پوشش ویژه گردش کار در آزمون‌های Comfy قرار دارد
DeepInfra	✓	-	-	`generate`؛ طرح‌واره‌های بومی ویدئوی DeepInfra در قرارداد Plugin از نوع متن‌به‌ویدئو هستند
fal	✓	✓	✓	`generate`، `imageToVideo`؛ `videoToVideo` فقط هنگام استفاده از تبدیل مرجع‌به‌ویدئوی Seedance
Google	✓	✓	✓	`generate`، `imageToVideo`؛ `videoToVideo` مشترک رد می‌شود، زیرا پویش فعلی Gemini/Veo مبتنی بر بافر آن ورودی را نمی‌پذیرد
MiniMax	✓	✓	-	`generate`، `imageToVideo`
OpenAI	✓	✓	✓	`generate`، `imageToVideo`؛ `videoToVideo` مشترک رد می‌شود، زیرا این مسیر سازمان/ورودی در حال حاضر به دسترسی ویرایش ویدئو در سمت ارائه‌دهنده نیاز دارد
OpenRouter	✓	✓	-	`generate`، `imageToVideo`
Qwen	✓	✓	✓	`generate`، `imageToVideo`؛ `videoToVideo` رد می‌شود، زیرا این ارائه‌دهنده به نشانی‌های اینترنتی راه‌دور ویدئوی `http(s)` نیاز دارد
Runway	✓	✓	✓	`generate`، `imageToVideo`؛ `videoToVideo` فقط هنگامی اجرا می‌شود که مدل انتخاب‌شده `runway/gen4_aleph` باشد
Together	✓	✓	-	`generate`، `imageToVideo`
Vydra	✓	✓	-	`generate`؛ `imageToVideo` مشترک رد می‌شود، زیرا `veo3` همراه فقط متنی است و `kling` همراه به نشانی اینترنتی تصویر راه‌دور نیاز دارد
xAI	✓	✓	✓	نسخه کلاسیک از همه حالت‌ها پشتیبانی می‌کند؛ Video 1.5 فقط تصویر‌به‌ویدئو است؛ ورودی MP4 راه‌دور، `videoToVideo` را از پویش مشترک خارج نگه می‌دارد

پارامترهای ابزار

الزامی

promptstringrequired

توضیح متنی ویدیویی که باید تولید شود. برای action: "generate" الزامی است.

ورودی‌های محتوا

imagestring

imagesstring[]

imageRolesstring[]

راهنمای اختیاری نقش برای هر موقعیت، به‌موازات فهرست ترکیبی تصاویر. مقادیر متعارف: first_frame، last_frame، reference_image.

videostring

videosstring[]

videoRolesstring[]

راهنمای اختیاری نقش برای هر موقعیت، به‌موازات فهرست ترکیبی ویدیوها. مقدار متعارف: reference_video.

audioRefstring

یک صوت مرجع (مسیر یا URL). هنگامی‌که ارائه‌دهنده از ورودی‌های صوتی پشتیبانی کند، برای موسیقی پس‌زمینه یا مرجع صدا استفاده می‌شود.

audioRefsstring[]

audioRolesstring[]

راهنمای اختیاری نقش برای هر موقعیت، به‌موازات فهرست ترکیبی صوت‌ها. مقدار متعارف: reference_audio.

Note

راهنماهای نقش بدون تغییر به ارائه‌دهنده ارسال می‌شوند. مقادیر متعارف از اجتماع VideoGenerationAssetRole می‌آیند، اما ارائه‌دهندگان ممکن است رشته‌های نقش دیگری را نیز بپذیرند. آرایه‌های *Roles نباید تعداد ورودی بیشتری از فهرست مرجع متناظر داشته باشند؛ خطاهای یک‌واحدی با خطایی واضح ناموفق می‌شوند. برای تعیین‌نشده باقی‌گذاشتن یک جایگاه، از رشته خالی استفاده کنید. برای xAI، جهت استفاده از حالت تولید reference_images آن، نقش همه تصاویر را روی reference_image تنظیم کنید؛ برای تبدیل تک‌تصویر به ویدیو، نقش را حذف کنید یا از first_frame استفاده کنید.

کنترل‌های سبک

aspectRatiostring

راهنمای نسبت ابعاد مانند 1:1، 16:9، 9:16، adaptive یا مقداری ویژه ارائه‌دهنده. OpenClaw مقادیر پشتیبانی‌نشده را متناسب با ارائه‌دهنده نرمال‌سازی یا نادیده می‌گیرد.

OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InJlc29sdXRpb24iIHR5cGU9InN0cmluZyI راهنمای وضوح مانند 360P، 480P، 540P، 720P، 768P، 1080P، 4K یا مقداری ویژه ارائه‌دهنده. OpenClaw مقادیر پشتیبانی‌نشده را متناسب با ارائه‌دهنده نرمال‌سازی یا نادیده می‌گیرد. OPENCLAW_DOCS_MARKER:paramClose:

durationSecondsnumber

مدت‌زمان هدف برحسب ثانیه (گردشده به نزدیک‌ترین مقدار پشتیبانی‌شده توسط ارائه‌دهنده).

sizestring

audioboolean

فعال‌سازی صوت تولیدشده در خروجی، در صورت پشتیبانی. متمایز از audioRef* (ورودی‌ها).

watermarkboolean

adaptive یک مقدار نگهبان ویژه ارائه‌دهنده است: همان‌طور که هست به ارائه‌دهندگانی ارسال می‌شود که adaptive را در قابلیت‌های خود اعلام می‌کنند (برای نمونه، BytePlus Seedance از آن برای تشخیص خودکار نسبت از ابعاد تصویر ورودی استفاده می‌کند). ارائه‌دهندگانی که آن را اعلام نمی‌کنند، مقدار را از طریق details.ignoredOverrides در نتیجه ابزار نمایش می‌دهند تا حذف آن قابل مشاهده باشد.

پیشرفته

action"generate" | "status" | "list"default: generate

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

OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9Im1vZGVsIiB0eXBlPSJzdHJpbmci بازنویسی ارائه‌دهنده/مدل (برای نمونه، runway/gen4.5). OPENCLAW_DOCS_MARKER:paramClose:

filenamestring

OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InRpbWVvdXRNcyIgdHlwZT0ibnVtYmVyIg مهلت زمانی اختیاری عملیات ارائه‌دهنده برحسب میلی‌ثانیه. در صورت حذف، OpenClaw در صورت پیکربندی از agents.defaults.mediaModels.video.timeoutMs استفاده می‌کند؛ در غیر این صورت، اگر پیش‌فرضی وجود داشته باشد، از پیش‌فرض ارائه‌دهنده تعیین‌شده توسط نویسنده Plugin استفاده می‌شود. OPENCLAW_DOCS_MARKER:paramClose:

providerOptionsobject

گزینه‌های ویژه ارائه‌دهنده به‌شکل یک شیء JSON (برای نمونه، {"seed": 42, "draft": true}). ارائه‌دهندگانی که شِمای نوع‌دار اعلام می‌کنند، کلیدها و نوع‌ها را اعتبارسنجی می‌کنند؛ کلیدهای ناشناخته یا عدم تطابق نوع‌ها باعث می‌شود نامزد در هنگام بازگشت جایگزین نادیده گرفته شود. ارائه‌دهندگان فاقد شِمای اعلام‌شده، گزینه‌ها را بدون تغییر دریافت می‌کنند. برای مشاهده موارد پذیرفته‌شده توسط هر ارائه‌دهنده، video_generate action=list را اجرا کنید.

Note

همه ارائه‌دهندگان از همه پارامترها پشتیبانی نمی‌کنند. OpenClaw مدت‌زمان را به نزدیک‌ترین مقدار پشتیبانی‌شده توسط ارائه‌دهنده نرمال‌سازی می‌کند و هنگامی‌که یک ارائه‌دهنده جایگزین سطح کنترل متفاوتی ارائه دهد، راهنماهای هندسی ترجمه‌شده مانند تبدیل اندازه به نسبت ابعاد را نگاشت مجدد می‌کند. بازنویسی‌هایی که واقعاً پشتیبانی نمی‌شوند، بر مبنای بهترین تلاش نادیده گرفته می‌شوند و در نتیجه ابزار به‌صورت هشدار گزارش می‌شوند. محدودیت‌های قطعی قابلیت (مانند تعداد بیش‌ازحد ورودی‌های مرجع) پیش از ارسال باعث شکست می‌شوند. نتایج ابزار تنظیمات اعمال‌شده را گزارش می‌کنند؛ details.normalization هرگونه ترجمه از مقدار درخواستی به مقدار اعمال‌شده را ثبت می‌کند.

ورودی‌های مرجع حالت زمان اجرا را انتخاب می‌کنند:

بدون رسانه مرجع -> generate
هرگونه مرجع تصویری -> imageToVideo
هرگونه مرجع ویدیویی -> videoToVideo
ورودی‌های صوتی مرجع حالت حل‌شده را تغییر نمی‌دهند؛ آن‌ها روی حالتی اعمال می‌شوند که مراجع تصویر/ویدیو انتخاب کرده‌اند و فقط با ارائه‌دهندگانی کار می‌کنند که maxInputAudios را اعلام می‌کنند.

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

بازگشت جایگزین و گزینه‌های نوع‌دار

برخی بررسی‌های قابلیت در لایه بازگشت جایگزین انجام می‌شوند، نه در مرز ابزار؛ بنابراین درخواستی که از محدودیت‌های ارائه‌دهنده اصلی فراتر می‌رود، همچنان می‌تواند روی یک ارائه‌دهنده جایگزین توانمند اجرا شود:

نامزد فعال که maxInputAudios (یا 0) را اعلام نکرده باشد، هنگامی‌که درخواست شامل مراجع صوتی است نادیده گرفته می‌شود؛ نامزد بعدی امتحان می‌شود. همین محدودیت برای شمار مراجع تصویر و ویدیو در برابر maxInputImages/maxInputVideos نیز اعمال می‌شود.
اگر maxDurationSeconds نامزد فعال از durationSeconds درخواستی کمتر باشد و فهرست supportedDurationSeconds اعلام نشده باشد، نامزد نادیده گرفته می‌شود.
اگر درخواست شامل providerOptions باشد و نامزد فعال صراحتاً شِمای نوع‌دار providerOptions را اعلام کند، در صورتی نادیده گرفته می‌شود که کلیدهای ارائه‌شده در شِما نباشند یا نوع مقادیر مطابقت نداشته باشد. ارائه‌دهندگان فاقد شِمای اعلام‌شده، گزینه‌ها را بدون تغییر دریافت می‌کنند (عبور مستقیم سازگار با نسخه‌های پیشین). یک ارائه‌دهنده می‌تواند با اعلام یک شِمای خالی (capabilities.providerOptions: {}) همه گزینه‌های ارائه‌دهنده را غیرفعال کند که باعث همان نادیده‌گرفتن ناشی از عدم تطابق نوع می‌شود.

نخستین دلیل نادیده‌گرفتن در یک درخواست در سطح warn ثبت می‌شود تا اپراتورها ببینند چه زمانی ارائه‌دهنده اصلی آن‌ها کنار گذاشته شده است؛ دلایل بعدی در سطح debug ثبت می‌شوند تا زنجیره‌های طولانی بازگشت جایگزین کم‌صدا بمانند. اگر همه نامزدها نادیده گرفته شوند، خطای تجمیعی دلیل نادیده‌گرفتن هرکدام را دربر می‌گیرد.

کنش‌ها

کنش	کاری که انجام می‌دهد
`generate`	پیش‌فرض. از درخواست متنی داده‌شده و ورودی‌های مرجع اختیاری، ویدیو ایجاد می‌کند.
`status`	بدون آغاز تولیدی دیگر، وضعیت وظیفه ویدیویی در حال اجرا را برای نشست جاری بررسی می‌کند.
`list`	ارائه‌دهندگان، مدل‌ها و قابلیت‌های موجود آن‌ها را نمایش می‌دهد.

انتخاب مدل

OpenClaw مدل را به‌ترتیب زیر تعیین می‌کند:

پارامتر ابزار model - اگر عامل در فراخوانی یکی را مشخص کند.
videoGenerationModel.primary از پیکربندی.
videoGenerationModel.fallbacks به‌ترتیب.
تشخیص خودکار - ارائه‌دهندگانی که احراز هویت معتبر دارند؛ ابتدا ارائه‌دهنده پیش‌فرض جاری و سپس ارائه‌دهندگان باقی‌مانده به‌ترتیب الفبایی.

اگر یک ارائه‌دهنده ناموفق باشد، نامزد بعدی به‌طور خودکار امتحان می‌شود. اگر همه نامزدها ناموفق باشند، خطا جزئیات هر تلاش را دربر می‌گیرد.

بازگشت خودکار میان ارائه‌دهندگان احراز هویت‌شده همیشه فعال است. مقدار model در هر فراخوانی همچنان مرجع نهایی است.

json5

{  agents: {    defaults: {      videoGenerationModel: {        primary: "google/veo-3.1-fast-generate-preview",        fallbacks: ["runway/gen4.5", "qwen/wan2.6-t2v"],        timeoutMs: 180000, // بازنویسی اختیاری مهلت زمانی درخواست ارائه‌دهنده برای هر ابزار      },    },  },}

نکات ارائه‌دهندگان

Alibaba

از نقطه پایانی ناهمگام DashScope / Model Studio استفاده می‌کند. تصاویر و ویدیوهای مرجع باید URLهای راه‌دور http(s) باشند.

BytePlus (همراه)

شناسه ارائه‌دهنده: byteplus.

مدل‌ها: seedance-1-0-pro-250528 (پیش‌فرض)، seedance-1-5-pro-251215.

از API یکپارچه content[] استفاده می‌کند. حداکثر از 2 تصویر ورودی (first_frame + last_frame) پشتیبانی می‌کند. تصاویر را بر اساس موقعیت ارسال کنید یا role هر تصویر را صراحتاً تنظیم کنید.

کلیدهای پشتیبانی‌شده providerOptions: seed (عدد)، draft (بولی - 480p را اجباری می‌کند)، camera_fixed (بولی).

Plugin مربوط به BytePlus Seedance 1.5

به Plugin @openclaw/byteplus-modelark نیاز دارد (خارجی و همراه نیست). شناسه ارائه‌دهنده: byteplus-seedance15. مدل: seedance-1-5-pro-251215.

از API یکپارچه content[] استفاده می‌کند. حداکثر از 2 تصویر ورودی (first_frame + last_frame) پشتیبانی می‌کند. همه ورودی‌ها باید URLهای راه‌دور https:// باشند. role: "first_frame" / "last_frame" را روی هر تصویر تنظیم کنید یا تصاویر را بر اساس موقعیت ارسال کنید.

aspectRatio: "adaptive" نسبت را از تصویر ورودی به‌طور خودکار تشخیص می‌دهد. audio: true به generate_audio نگاشت می‌شود. providerOptions.seed (عدد) ارسال می‌شود.

BytePlus Seedance 2.0

به Plugin @openclaw/byteplus-modelark نیاز دارد (خارجی و همراه نیست). شناسه ارائه‌دهنده: byteplus-seedance2. مدل‌ها: dreamina-seedance-2-0-260128، dreamina-seedance-2-0-fast-260128.

از API یکپارچه content[] استفاده می‌کند. حداکثر از 9 تصویر مرجع، 3 ویدیوی مرجع و 3 صوت مرجع پشتیبانی می‌کند. همه ورودی‌ها باید URLهای راه‌دور https:// باشند. role را روی هر دارایی تنظیم کنید - مقادیر پشتیبانی‌شده: "first_frame"، "last_frame"، "reference_image"، "reference_video"، "reference_audio".

ComfyUI

اجرای محلی یا ابری مبتنی بر گردش‌کار. از تبدیل متن به ویدیو و تصویر به ویدیو از طریق گراف پیکربندی‌شده پشتیبانی می‌کند.

fal

برای کارهای طولانی‌مدت از جریانی مبتنی بر صف استفاده می‌کند. OpenClaw به‌طور پیش‌فرض تا 20 دقیقه منتظر می‌ماند و سپس کار در حال اجرای صف fal را پایان‌یافته بر اثر اتمام مهلت تلقی می‌کند. بیشتر مدل‌های ویدیویی fal یک ارجاع تصویر را می‌پذیرند. مدل‌های تبدیل ارجاع به ویدیوی Seedance 2.0 حداکثر 9 تصویر، 3 ویدیو و 3 ارجاع صوتی را می‌پذیرند، با حداکثر 12 فایل ارجاع در مجموع.

Google (Gemini / Veo)

از یک ارجاع تصویر یا یک ارجاع ویدیو پشتیبانی می‌کند. درخواست‌های صوت تولیدشده در مسیر API مربوط به Gemini با یک هشدار نادیده گرفته می‌شوند، زیرا آن API پارامتر generateAudio را برای تولید ویدیوی کنونی Veo رد می‌کند.

MiniMax

فقط یک ارجاع تصویر. MiniMax وضوح‌های 768P و 1080P را می‌پذیرد؛ درخواست‌هایی مانند 720P پیش از ارسال به نزدیک‌ترین مقدار پشتیبانی‌شده نرمال‌سازی می‌شوند.

OpenAI

فقط بازنویسی size ارسال می‌شود. سایر بازنویسی‌های سبک (aspectRatio، resolution، audio، watermark) با یک هشدار نادیده گرفته می‌شوند.

OpenRouter

از API ناهمگام /videos متعلق به OpenRouter استفاده می‌کند. OpenClaw کار را ارسال می‌کند، polling_url را پایش می‌کند و یکی از unsigned_urls یا نقطه پایانی مستندشدهٔ محتوای کار را بارگیری می‌کند. مقدار پیش‌فرض همراهِ google/veo-3.1-fast مدت‌زمان‌های 4/6/8 ثانیه، وضوح‌های 720P/1080P و نسبت‌های تصویر 16:9/9:16 را اعلام می‌کند.

Qwen

همان بک‌اند DashScope متعلق به Alibaba. ورودی‌های ارجاع باید URLهای راه‌دور http(s) باشند؛ فایل‌های محلی از ابتدا رد می‌شوند.

Runway

از فایل‌های محلی از طریق URIهای داده پشتیبانی می‌کند. تبدیل ویدیو به ویدیو به runway/gen4_aleph نیاز دارد. اجراهای فقط متنی نسبت‌های تصویر 16:9 و 9:16 را ارائه می‌کنند.

Together

فقط یک ارجاع تصویر.

Vydra

برای جلوگیری از تغییرمسیرهایی که احراز هویت را حذف می‌کنند، مستقیماً از https://www.vydra.ai/api/v1 استفاده می‌کند. veo3 فقط برای تبدیل متن به ویدیو ارائه شده است؛ kling به یک URL تصویر راه‌دور نیاز دارد.

xAI

مدل پیش‌فرض grok-imagine-video از تبدیل متن به ویدیو، تبدیل تک‌تصویرِ فریم نخست به ویدیو، حداکثر 7 ورودی reference_image از طریق reference_images متعلق به xAI، و جریان‌های ویرایش/تمدید ویدیوی راه‌دور پشتیبانی می‌کند. مقدار پیش‌فرض تولید 480P است؛ اگر aspectRatio حذف شود، تبدیل تک‌تصویر به ویدیو نسبت منبع را به ارث می‌برد. ویرایش/تمدید ویدیو هندسهٔ ورودی را به ارث می‌برد و بازنویسی نسبت تصویر یا وضوح را نمی‌پذیرد. تمدید بین 2 تا 10 ثانیه را می‌پذیرد.

grok-imagine-video-1.5 فقط برای تبدیل تصویر به ویدیو است: دقیقاً یک تصویر ارائه کنید. از 1 تا 15 ثانیه و 480P، 720P یا 1080P پشتیبانی می‌کند و مقدار پیش‌فرض آن 480P است؛ برای به ارث بردن نسبت تصویر منبع، aspectRatio را حذف کنید. شناسه‌های پیش‌نمایش و نسخهٔ تاریخ‌دار 1.5 با همان اعتبارسنجی مواجه می‌شوند و بدون تغییر ارسال می‌شوند.

حالت‌های قابلیت ارائه‌دهنده

قرارداد مشترک تولید ویدیو به‌جای محدودیت‌های تجمیعی و یک‌دست، از قابلیت‌های مختص هر حالت پشتیبانی می‌کند. پیاده‌سازی‌های جدید ارائه‌دهندگان باید بلوک‌های صریح حالت را ترجیح دهند:

typescript

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 یک‌دست مانند maxInputImages و maxInputVideos برای اعلام پشتیبانی از حالت تبدیل کافی نیستند. ارائه‌دهندگان باید generate، imageToVideo و videoToVideo را صریحاً اعلام کنند تا آزمون‌های زنده، آزمون‌های قرارداد و ابزار مشترک video_generate بتوانند پشتیبانی از حالت را به‌صورت قطعی اعتبارسنجی کنند.

وقتی یک مدل در یک ارائه‌دهنده نسبت به بقیه از ورودی‌های ارجاع بیشتری پشتیبانی می‌کند، به‌جای افزایش محدودیت کل حالت از maxInputImagesByModel، maxInputVideosByModel یا maxInputAudiosByModel استفاده کنید.

آزمون‌های زنده

پوشش زندهٔ اختیاری برای ارائه‌دهندگان مشترک همراه:

bash

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

پوشش‌دهندهٔ مخزن:

bash

pnpm test:live:media video

این فایل زنده به‌طور پیش‌فرض پیش از پروفایل‌های احراز هویت ذخیره‌شده از متغیرهای محیطی ازقبل صادرشدهٔ ارائه‌دهنده استفاده می‌کند و به‌طور پیش‌فرض یک آزمون دودِ امن برای انتشار اجرا می‌کند:

generate برای هر ارائه‌دهندهٔ غیر FAL در پیمایش.
درخواست یک‌ثانیه‌ای Lobster.
سقف عملیات هر ارائه‌دهنده از OPENCLAW_LIVE_VIDEO_GENERATION_TIMEOUT_MS (به‌طور پیش‌فرض 180000).

FAL اختیاری است، زیرا تأخیر صف در سمت ارائه‌دهنده می‌تواند بر زمان انتشار غلبه کند:

bash

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

OPENCLAW_LIVE_VIDEO_GENERATION_FULL_MODES=1 را تنظیم کنید تا حالت‌های تبدیل اعلام‌شده‌ای نیز اجرا شوند که پیمایش مشترک می‌تواند با رسانهٔ محلی به‌طور امن آزمایش کند:

imageToVideo وقتی capabilities.imageToVideo.enabled.
videoToVideo وقتی capabilities.videoToVideo.enabled و ارائه‌دهنده/مدل ورودی ویدیوی محلی مبتنی بر بافر را در پیمایش مشترک می‌پذیرد.

در حال حاضر مسیر زندهٔ مشترک videoToVideo فقط زمانی runway را پوشش می‌دهد که runway/gen4_aleph را انتخاب کنید.

پیکربندی

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

json5

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

یا از طریق CLI:

bash

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

مرتبط

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

Was this useful?

تولید ویدئو

شروع سریع

پیکربندی احراز هویت

انتخاب مدل پیش‌فرض (اختیاری)

درخواست از عامل

سازوکار تولید ناهمگام

چرخه عمر وظیفه

ارائه‌دهندگان پشتیبانی‌شده

ماتریس قابلیت‌ها

پارامترهای ابزار

الزامی

ورودی‌های محتوا

کنترل‌های سبک

پیشرفته

بازگشت جایگزین و گزینه‌های نوع‌دار

کنش‌ها

انتخاب مدل

نکات ارائه‌دهندگان

حالت‌های قابلیت ارائه‌دهنده

آزمون‌های زنده

پیکربندی

مرتبط

On this page

Molty