​

画像とメディアのサポート (2025-12-05)

​

目的

• openclaw message send --mediaで、任意のキャプション付きメディアを送信する。
• web inboxからの自動応答で、テキストとともにメディアを含められるようにする。
• タイプごとの上限を妥当かつ予測しやすいものに保つ。

​

CLIサーフェス

• openclaw message send --media <path-or-url> [--message <caption>]
  • --mediaは任意。メディアのみ送信する場合、キャプションは空でもかまいません。
  • --dry-runは解決済みペイロードを表示します。--jsonは{ channel, to, messageId, mediaUrl, caption }を出力します。

​

WhatsApp Webチャンネルの動作

• 入力: ローカルファイルパスまたはHTTP(S) URL。
• フロー: Bufferに読み込み、メディア種別を検出し、正しいペイロードを構築します:
  • 画像: JPEGにリサイズして再圧縮します（最大辺2048px）。channels.whatsapp.mediaMaxMb（デフォルト: 50 MB）を目標にします。
  • 音声/ボイス/動画: 16 MBまでそのまま通します。音声はボイスノートとして送信されます（ptt: true）。
  • ドキュメント: それ以外はすべて、100 MBまで。利用可能な場合はファイル名を保持します。
• WhatsAppのGIF風再生: gifPlayback: true付きでMP4を送信します（CLI: --gif-playback）。これによりモバイルクライアントでインラインループ再生されます。
• MIME検出は、まずマジックバイト、次にヘッダー、最後にファイル拡張子を優先します。
• キャプションは--messageまたはreply.textから取得します。空のキャプションも許可されます。
• ログ: 非verboseでは↩️/✅を表示します。verboseではサイズとソースパス/URLも含まれます。

​

自動応答パイプライン

• getReplyFromConfigは{ text?, mediaUrl?, mediaUrls? }を返します。
• メディアがある場合、web senderはopenclaw message sendと同じパイプラインを使用してローカルパスまたはURLを解決します。
• 複数のメディアエントリが指定された場合は、順番に送信されます。

​

コマンドへの受信メディア（Pi）

• 受信したwebメッセージにメディアが含まれる場合、OpenClawはそれを一時ファイルにダウンロードし、次のテンプレート変数を公開します:
  • 受信メディア用の疑似URLである{{MediaUrl}}
  • コマンド実行前に書き出されるローカル一時パスである{{MediaPath}}
• セッションごとのDocker sandboxが有効な場合、受信メディアはsandbox workspaceにコピーされ、MediaPath/MediaUrlはmedia/inbound/<filename>のような相対パスに書き換えられます。
• メディア理解（tools.media.*または共有tools.media.modelsで設定されている場合）はテンプレート適用前に実行され、Bodyに[Image]、[Audio]、[Video]ブロックを挿入できます。
  • 音声では{{Transcript}}が設定され、コマンド解析には文字起こしが使われるため、スラッシュコマンドも引き続き機能します。
  • 動画と画像の説明では、コマンド解析用にキャプションテキストが保持されます。
  • アクティブなPrimary画像モデルがすでにネイティブにvisionをサポートしている場合、OpenClawは[Image]要約ブロックを省略し、代わりに元の画像をモデルへ渡します。
• デフォルトでは、最初に一致した画像/音声/動画の添付ファイルのみが処理されます。複数の添付ファイルを処理するにはtools.media.<cap>.attachmentsを設定してください。

​

制限とエラー

• 画像: 再圧縮後にchannels.whatsapp.mediaMaxMb（デフォルト: 50 MB）まで。
• 音声/ボイス/動画: 上限16 MB。ドキュメント: 上限100 MB。
• サイズ超過または読み取り不能なメディア → ログに明確なエラーを出し、応答はスキップされます。

• 画像のデフォルト: 10 MB（tools.media.image.maxBytes）。
• 音声のデフォルト: 20 MB（tools.media.audio.maxBytes）。
• 動画のデフォルト: 50 MB（tools.media.video.maxBytes）。
• サイズ超過のメディアでは理解処理はスキップされますが、応答自体は元の本文のまま継続されます。

​

テスト向けメモ

• 画像/音声/ドキュメントのケースについて、send + replyフローをカバーする。
• 画像の再圧縮（サイズ上限）と、音声のボイスノートフラグを検証する。
• 複数メディアの応答が順次送信として展開されることを確認する。