動画生成

OpenClaw エージェントは、テキストプロンプト、参照画像、または既存の動画から動画を生成できます。16 個のプロバイダーバックエンドがサポートされており、それぞれ異なるモデルオプション、入力モード、機能セットを持ちます。エージェントは、設定と利用可能な API キーに基づいて、適切なプロバイダーを自動的に選択します。

video_generate ツールは、少なくとも 1 つの動画生成プロバイダーが利用可能な場合にのみ表示されます。エージェントツールに表示されない場合は、プロバイダー API キーを設定するか、agents.defaults.videoGenerationModel を構成してください。

OpenClaw は動画生成を 3 つのランタイムモードとして扱います。

generate - 参照メディアなしのテキストから動画へのリクエスト。
imageToVideo - リクエストに 1 つ以上の参照画像が含まれます。
videoToVideo - リクエストに 1 つ以上の参照動画が含まれます。

プロバイダーは、これらのモードの任意のサブセットをサポートできます。ツールは送信前にアクティブなモードを検証し、action=list でサポートされているモードを報告します。

クイックスタート

認証を構成

サポートされている任意のプロバイダーの API キーを設定します。

export GEMINI_API_KEY="your-key"

デフォルトモデルを選択（任意）

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

エージェントに依頼

夕暮れにサーフィンをする親しみやすいロブスターの、5 秒間の映画的な動画を生成してください。

エージェントは video_generate を自動的に呼び出します。ツールの許可リスト登録は必要ありません。

非同期生成の仕組み

動画生成は非同期です。エージェントがセッション内で video_generate を呼び出すと:

OpenClaw はリクエストをプロバイダーに送信し、すぐにタスク ID を返します。
プロバイダーはバックグラウンドでジョブを処理します（通常はプロバイダーと解像度に応じて 30 秒から数分。キューに支えられた低速なプロバイダーでは、設定されたタイムアウトまで実行される場合があります）。
動画の準備ができると、OpenClaw は内部完了イベントで同じセッションを起動します。
エージェントはユーザーに通知し、完成した動画を添付します。メッセージツールのみの可視配信を使用するグループ/チャンネルチャットでは、OpenClaw が直接投稿する代わりに、エージェントがメッセージツールを通じて結果を中継します。

ジョブが実行中の間、同じセッション内で重複する video_generate 呼び出しは、別の生成を開始する代わりに現在のタスクステータスを返します。CLI から進捗を確認するには、 openclaw tasks list または openclaw tasks show <taskId> を使用します。セッションに支えられたエージェント実行の外部（たとえば、直接のツール呼び出し）では、ツールはインライン生成にフォールバックし、同じターンで最終メディアパスを返します。生成された動画ファイルは、プロバイダーがバイトを返す場合、OpenClaw 管理のメディアストレージの下に保存されます。デフォルトの生成動画保存上限は動画メディア制限に従い、agents.defaults.mediaMaxMb はより大きなレンダーのためにそれを引き上げます。プロバイダーがホストされた出力 URL も返す場合、ローカル永続化がサイズ超過ファイルを拒否したときに、OpenClaw はタスクを失敗させる代わりにその URL を配信できます。

タスクライフサイクル

状態	意味
`queued`	タスクが作成され、プロバイダーによる受け入れを待っています。
`running`	プロバイダーが処理中です（通常はプロバイダーと解像度に応じて 30 秒から数分）。
`succeeded`	動画の準備ができました。エージェントが起動し、会話に投稿します。
`failed`	プロバイダーエラーまたはタイムアウトです。エージェントがエラー詳細とともに起動します。

CLI からステータスを確認します。

openclaw tasks list
openclaw tasks show <taskId>
openclaw tasks cancel <taskId>

現在のセッションに対して動画タスクがすでに queued または running の場合、 video_generate は新しいタスクを開始する代わりに既存のタスクステータスを返します。新しい生成をトリガーせずに明示的に確認するには、action: "status" を使用します。

サポートされているプロバイダー

プロバイダー	デフォルトモデル	テキスト	画像参照	動画参照	認証
Alibaba	`wan2.6-t2v`	✓	はい（リモート URL）	はい（リモート URL）	`MODELSTUDIO_API_KEY`
BytePlus (1.0)	`seedance-1-0-pro-250528`	✓	最大 2 枚の画像（I2V モデルのみ。最初 + 最後のフレーム）	-	`BYTEPLUS_API_KEY`
BytePlus Seedance 1.5	`seedance-1-5-pro-251215`	✓	最大 2 枚の画像（ロール経由の最初 + 最後のフレーム）	-	`BYTEPLUS_API_KEY`
BytePlus Seedance 2.0	`dreamina-seedance-2-0-260128`	✓	最大 9 枚の参照画像	最大 3 本の動画	`BYTEPLUS_API_KEY`
ComfyUI	`workflow`	✓	1 枚の画像	-	`COMFY_API_KEY` または `COMFY_CLOUD_API_KEY`
DeepInfra	`Pixverse/Pixverse-T2V`	✓	-	-	`DEEPINFRA_API_KEY`
fal	`fal-ai/minimax/video-01-live`	✓	1 枚の画像。Seedance reference-to-video では最大 9 枚	Seedance reference-to-video では最大 3 本の動画	`FAL_KEY`
Google	`veo-3.1-fast-generate-preview`	✓	1 枚の画像	1 本の動画	`GEMINI_API_KEY`
MiniMax	`MiniMax-Hailuo-2.3`	✓	1 枚の画像	-	`MINIMAX_API_KEY` または MiniMax OAuth
OpenAI	`sora-2`	✓	1 枚の画像	1 本の動画	`OPENAI_API_KEY`
OpenRouter	`google/veo-3.1-fast`	✓	最大 4 枚の画像（最初/最後のフレームまたは参照）	-	`OPENROUTER_API_KEY`
Qwen	`wan2.6-t2v`	✓	はい（リモート URL）	はい（リモート URL）	`QWEN_API_KEY`
Runway	`gen4.5`	✓	1 枚の画像	1 本の動画	`RUNWAYML_API_SECRET`
Together	`Wan-AI/Wan2.2-T2V-A14B`	✓	1 枚の画像	-	`TOGETHER_API_KEY`
Vydra	`veo3`	✓	1 枚の画像（`kling`）	-	`VYDRA_API_KEY`
xAI	`grok-imagine-video`	✓	1 枚の最初のフレーム画像、または最大 7 個の `reference_image`	1 本の動画	`XAI_API_KEY`

一部のプロバイダーは、追加または代替の API キー環境変数を受け入れます。詳細は個別のプロバイダーページを参照してください。実行時に利用可能なプロバイダー、モデル、ランタイムモードを調べるには、video_generate action=list を実行します。

機能マトリクス

video_generate、コントラクトテスト、共有ライブスイープで使用される明示的なモードコントラクト:

プロバイダー	`generate`	`imageToVideo`	`videoToVideo`	現在の共有ライブレーン
Alibaba	✓	✓	✓	`generate`, `imageToVideo`; このプロバイダーはリモート `http(s)` 動画 URL を必要とするため、`videoToVideo` はスキップされます
BytePlus	✓	✓	-	`generate`, `imageToVideo`
ComfyUI	✓	✓	-	共有スイープには含まれません。ワークフロー固有のカバレッジは Comfy テスト側にあります
DeepInfra	✓	-	-	`generate`; ネイティブ DeepInfra 動画スキーマはバンドルされたコントラクト内ではテキストから動画です
fal	✓	✓	✓	`generate`, `imageToVideo`; `videoToVideo` は Seedance reference-to-video を使用する場合のみ
Google	✓	✓	✓	`generate`, `imageToVideo`; 現在のバッファーに支えられた Gemini/Veo スイープがその入力を受け入れないため、共有 `videoToVideo` はスキップされます
MiniMax	✓	✓	-	`generate`, `imageToVideo`
OpenAI	✓	✓	✓	`generate`, `imageToVideo`; この org/入力パスは現在プロバイダー側の inpaint/remix アクセスを必要とするため、共有 `videoToVideo` はスキップされます
OpenRouter	✓	✓	-	`generate`, `imageToVideo`
Qwen	✓	✓	✓	`generate`, `imageToVideo`; このプロバイダーはリモート `http(s)` 動画 URL を必要とするため、`videoToVideo` はスキップされます
Runway	✓	✓	✓	`generate`, `imageToVideo`; `videoToVideo` は選択されたモデルが `runway/gen4_aleph` の場合のみ実行されます
Together	✓	✓	-	`generate`, `imageToVideo`
Vydra	✓	✓	-	`generate`; バンドルされた `veo3` はテキスト専用で、バンドルされた `kling` はリモート画像 URL を必要とするため、共有 `imageToVideo` はスキップされます
xAI	✓	✓	✓	`generate`, `imageToVideo`; このプロバイダーは現在リモート MP4 URL を必要とするため、`videoToVideo` はスキップされます

ツールパラメーター

必須

prompt

string

必須

生成する動画のテキスト説明。action: "generate" には必須です。

コンテンツ入力

image

string

単一の参照画像（パスまたは URL）。

images

string[]

複数の参照画像（最大 9 個）。

imageRoles

string[]

結合された画像リストと並行する、位置ごとの任意のロールヒント。正規値: first_frame, last_frame, reference_image。

video

string

単一の参照動画（パスまたは URL）。

videos

string[]

複数の参照動画（最大 4 個）。

videoRoles

string[]

結合された動画リストと並行する、位置ごとの任意のロールヒント。正規値: reference_video。

audioRef

string

単一の参照音声（パスまたは URL）。プロバイダーが音声入力をサポートする場合に、 BGM または音声参照に使用されます。

audioRefs

string[]

複数の参照音声（最大 3 個）。

audioRoles

string[]

結合された音声リストと並行する、位置ごとの任意のロールヒント。正規値: reference_audio。

ロールヒントはそのままプロバイダーに転送されます。正規値は VideoGenerationAssetRole union から来ていますが、プロバイダーは追加のロール文字列を受け入れる場合があります。*Roles 配列のエントリ数は、対応する参照リストを超えてはいけません。1 つずれのミスは明確なエラーで失敗します。スロットを未設定のままにするには空文字列を使用します。xAI では、その reference_images 生成モードを使用するために、すべての画像ロールを reference_image に設定します。単一画像の image-to-video では、ロールを省略するか first_frame を使用します。

スタイル制御

aspectRatio

string

1:1、16:9、9:16、adaptive、またはプロバイダー固有の値などのアスペクト比ヒント。OpenClaw は、プロバイダーごとに未サポートの値を正規化または無視します。

resolution

string

480P、720P、768P、1080P、4K、またはプロバイダー固有の値などの解像度ヒント。OpenClaw は、プロバイダーごとに未サポートの値を正規化または無視します。

durationSeconds

number

目標 duration（秒）（プロバイダーがサポートする最も近い値に丸められます）。

size

string

プロバイダーがサポートする場合のサイズヒント。

audio

boolean

サポートされている場合、出力で生成音声を有効にします。audioRef*（入力）とは別です。

watermark

boolean

サポートされている場合、プロバイダーのウォーターマークを切り替えます。

adaptive はプロバイダー固有の sentinel です。これは、機能で adaptive を宣言しているプロバイダーにそのまま転送されます（例: BytePlus Seedance は入力画像の寸法から比率を自動検出するために使用します）。宣言していないプロバイダーでは、値はツール結果の details.ignoredOverrides 経由で表示されるため、破棄されたことが分かります。

高度な設定

action

"generate" | "status" | "list"

デフォルト:"generate"

"status" は現在のセッションタスクを返します。"list" はプロバイダーを検査します。

model

string

プロバイダー/モデルのオーバーライド（例: runway/gen4.5）。

filename

string

出力ファイル名のヒント。

timeoutMs

number

任意のプロバイダー操作タイムアウト（ミリ秒）。省略した場合、OpenClaw は設定されていれば agents.defaults.videoGenerationModel.timeoutMs を使用します。

providerOptions

object

JSON オブジェクトとしてのプロバイダー固有オプション（例: {"seed": 42, "draft": true}）。型付きスキーマを宣言するプロバイダーは、キーと型を検証します。不明なキーまたは不一致があると、フォールバック時にその候補はスキップされます。宣言されたスキーマがないプロバイダーは、オプションをそのまま受け取ります。各プロバイダーが受け入れる内容を確認するには video_generate action=list を実行します。

すべてのプロバイダーがすべてのパラメーターをサポートしているわけではありません。OpenClaw は duration をプロバイダーがサポートする最も近い値に正規化し、フォールバックプロバイダーが異なる制御サーフェスを公開している場合は、size-to-aspect-ratio などの変換済み geometry ヒントを再マップします。本当にサポートされていないオーバーライドはベストエフォートで無視され、ツール結果で警告として報告されます。厳格な機能制限（参照入力が多すぎるなど）は送信前に失敗します。ツール結果は適用された設定を報告します。details.normalization は、要求から適用値への変換を記録します。

参照入力はランタイムモードを選択します。

参照メディアなし → generate
任意の画像参照 → imageToVideo
任意の動画参照 → videoToVideo
参照音声入力は、解決されたモードを変更しません。画像/動画参照が選択したモードの上に適用され、maxInputAudios を宣言しているプロバイダーでのみ動作します。

画像参照と動画参照の混在は、安定した共有機能サーフェスではありません。リクエストごとに参照タイプを 1 つにすることを推奨します。

フォールバックと型付きオプション

一部の機能チェックはツール境界ではなくフォールバックレイヤーで適用されるため、プライマリプロバイダーの制限を超えるリクエストでも、対応可能なフォールバックで実行できる場合があります。

アクティブな候補が maxInputAudios を宣言していない（または 0）場合、リクエストに音声参照が含まれているとスキップされ、次の候補が試行されます。
アクティブな候補の maxDurationSeconds が要求された durationSeconds を下回り、宣言された supportedDurationSeconds リストがない場合 → スキップされます。
リクエストに providerOptions が含まれ、アクティブな候補が型付き providerOptions スキーマを明示的に宣言している場合 → 指定されたキーがスキーマ内にない、または値の型が一致しないとスキップされます。宣言されたスキーマがないプロバイダーは、オプションをそのまま受け取ります（後方互換のパススルー）。プロバイダーは空のスキーマ（capabilities.providerOptions: {}）を宣言することで、すべてのプロバイダーオプションを拒否できます。その場合、型不一致と同じスキップが発生します。

リクエスト内の最初のスキップ理由は warn でログに記録されるため、オペレーターはプライマリプロバイダーが見送られたことを確認できます。後続のスキップは debug でログに記録され、長いフォールバックチェーンを静かに保ちます。すべての候補がスキップされた場合、集約エラーにはそれぞれのスキップ理由が含まれます。

アクション

アクション	実行内容
`generate`	デフォルト。指定されたプロンプトと任意の参照入力から動画を作成します。
`status`	別の生成を開始せずに、現在のセッションで実行中の動画タスクの状態を確認します。
`list`	利用可能なプロバイダー、モデル、およびその機能を表示します。

モデル選択

OpenClaw は次の順序でモデルを解決します。

model ツールパラメーター - agent が呼び出しで指定した場合。
設定の videoGenerationModel.primary。
順番に videoGenerationModel.fallbacks。
自動検出 - 現在のデフォルトプロバイダーから開始し、その後、残りのプロバイダーをアルファベット順に、有効な認証を持つプロバイダー。

プロバイダーが失敗した場合、次の候補が自動的に試行されます。すべての候補が失敗した場合、エラーには各試行の詳細が含まれます。明示的な model、primary、fallbacks エントリのみを使用するには、 agents.defaults.mediaGenerationAutoProviderFallback: false を設定します。

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

プロバイダーの注意事項

Alibaba

DashScope / Model Studio 非同期エンドポイントを使用します。参照画像と動画はリモートの http(s) URL である必要があります。

BytePlus (1.0)

プロバイダー ID: byteplus。モデル: seedance-1-0-pro-250528（デフォルト）、 seedance-1-0-pro-t2v-250528、seedance-1-0-pro-fast-251015、 seedance-1-0-lite-t2v-250428、seedance-1-0-lite-i2v-250428。T2V モデル（*-t2v-*）は画像入力を受け付けません。I2V モデルと汎用 *-pro-* モデルは、単一の参照画像（最初のフレーム）をサポートします。画像を位置指定で渡すか、role: "first_frame" を設定します。画像が指定されると、T2V モデル ID は対応する I2V バリアントに自動的に切り替わります。サポートされる providerOptions キー: seed（number）、draft（boolean - 480p を強制）、camera_fixed（boolean）。

BytePlus Seedance 1.5

@openclaw/byteplus-modelark Plugin が必要です。プロバイダー ID: byteplus-seedance15。モデル: seedance-1-5-pro-251215。統合 content[] API を使用します。最大 2 つの入力画像（first_frame + last_frame）をサポートします。すべての入力はリモートの https:// URL である必要があります。各画像に role: "first_frame" / "last_frame" を設定するか、画像を位置指定で渡します。aspectRatio: "adaptive" は入力画像から比率を自動検出します。 audio: true は generate_audio にマップされます。providerOptions.seed （number）は転送されます。

BytePlus Seedance 2.0

@openclaw/byteplus-modelark Plugin が必要です。プロバイダー ID: byteplus-seedance2。モデル: dreamina-seedance-2-0-260128、 dreamina-seedance-2-0-fast-260128。統合 content[] API を使用します。最大 9 個の参照画像、 3 個の参照動画、3 個の参照音声をサポートします。すべての入力はリモートの https:// URL である必要があります。各アセットに role を設定します - サポートされる値: "first_frame"、"last_frame"、"reference_image"、 "reference_video"、"reference_audio"。aspectRatio: "adaptive" は入力画像から比率を自動検出します。 audio: true は generate_audio にマップされます。providerOptions.seed （number）は転送されます。

ComfyUI

ワークフロー駆動のローカルまたはクラウド実行。設定されたグラフを通じて、テキストから動画と画像から動画をサポートします。

fal

長時間実行ジョブにはキューを使ったフローを使用します。OpenClaw はデフォルトで最大 20 分待機した後、進行中の fal キュージョブをタイムアウトとして扱います。ほとんどの fal 動画モデルは単一の画像参照を受け付けます。Seedance 2.0 の参照から動画モデルは最大 9 個の画像、3 個の動画、3 個の音声参照を受け付け、参照ファイルの合計は最大 12 個です。

Google (Gemini / Veo)

1 つの画像または 1 つの動画参照をサポートします。生成音声リクエストは Gemini API パスでは警告付きで無視されます。その API は現在の Veo 動画生成で generateAudio パラメーターを拒否するためです。

MiniMax

単一の画像参照のみ。MiniMax は 768P と 1080P の解像度を受け付けます。720P などのリクエストは送信前に最も近い対応値へ正規化されます。

OpenAI

size オーバーライドのみが転送されます。その他のスタイルオーバーライド (aspectRatio, resolution, audio, watermark) は警告付きで無視されます。

OpenRouter

OpenRouter の非同期 /videos API を使用します。OpenClaw はジョブを送信し、polling_url をポーリングして、unsigned_urls またはドキュメント化されたジョブコンテンツエンドポイントのいずれかをダウンロードします。バンドルされた google/veo-3.1-fast デフォルトは 4/6/8 秒の長さ、720P/1080P の解像度、 16:9/9:16 のアスペクト比を公開しています。

Qwen

Alibaba と同じ DashScope バックエンドです。参照入力はリモートの http(s) URL である必要があります。ローカルファイルは事前に拒否されます。

Runway

data URI 経由でローカルファイルをサポートします。動画から動画には runway/gen4_aleph が必要です。テキストのみの実行では 16:9 と 9:16 のアスペクト比が公開されます。

Together

単一の画像参照のみ。

Vydra

認証が失われるリダイレクトを避けるため、https://www.vydra.ai/api/v1 を直接使用します。 veo3 はテキストから動画のみとしてバンドルされています。kling にはリモート画像 URL が必要です。

xAI

テキストから動画、単一の先頭フレーム画像から動画、xAI reference_images 経由で最大 7 個の reference_image 入力、およびリモートの動画編集/延長フローをサポートします。

プロバイダー機能モード

共有の動画生成契約は、単なるフラットな集約上限ではなく、モード固有の機能をサポートします。新しいプロバイダー実装では明示的なモードブロックを優先してください。

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,
  },
}

maxInputImages や maxInputVideos などのフラットな集約フィールドだけでは、変換モード対応を示すには 不十分です。ライブテスト、契約テスト、共有 video_generate ツールがモード対応を決定的に検証できるように、プロバイダーは generate、imageToVideo、videoToVideo を明示的に宣言する必要があります。プロバイダー内の 1 つのモデルが他よりも広い参照入力対応を持つ場合は、モード全体の上限を引き上げるのではなく、maxInputImagesByModel、maxInputVideosByModel、または maxInputAudiosByModel を使用してください。

ライブテスト

共有バンドルプロバイダー向けのオプトインのライブカバレッジ:

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

リポジトリラッパー:

pnpm test:live:media video

このライブファイルは、不足しているプロバイダー環境変数を ~/.profile から読み込み、デフォルトでは保存済み認証プロファイルよりもライブ/環境 API キーを優先し、デフォルトでリリースに安全なスモークを実行します。

スイープ内のすべての非 FAL プロバイダーに対する generate。
1 秒のロブスタープロンプト。
OPENCLAW_LIVE_VIDEO_GENERATION_TIMEOUT_MS からのプロバイダーごとの操作上限 (デフォルトは 180000)。

FAL はオプトインです。プロバイダー側のキュー待ち時間がリリース時間を支配することがあるためです。

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

OPENCLAW_LIVE_VIDEO_GENERATION_FULL_MODES=1 を設定すると、共有スイープがローカルメディアで安全に実行できる宣言済みの変換モードも実行します。

capabilities.imageToVideo.enabled の場合の imageToVideo。
capabilities.videoToVideo.enabled で、かつそのプロバイダー/モデルが共有スイープ内のバッファ backed ローカル動画入力を受け付ける場合の videoToVideo。

現在、共有 videoToVideo ライブレーンは、runway/gen4_aleph を選択した場合にのみ runway をカバーします。

設定

OpenClaw 設定でデフォルトの動画生成モデルを設定します。

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

または CLI 経由:

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

Overview

Plugins

Bundled plugin guides

Building plugins

Skills

Automation

Tools

Agent coordination

クイックスタート

非同期生成の仕組み

タスクライフサイクル

サポートされているプロバイダー

機能マトリクス

ツールパラメーター

必須

コンテンツ入力

スタイル制御

高度な設定

フォールバックと型付きオプション

アクション

モデル選択

プロバイダーの注意事項

プロバイダー機能モード

ライブテスト

設定

関連

Overview

Plugins

Bundled plugin guides

Building plugins

Skills

Automation

Tools

Agent coordination

Documentation Index

​クイックスタート

​非同期生成の仕組み

​タスクライフサイクル

​サポートされているプロバイダー

​機能マトリクス

​ツールパラメーター

​必須

​コンテンツ入力

​スタイル制御

​高度な設定

​フォールバックと型付きオプション

​アクション

​モデル選択

​プロバイダーの注意事項

​プロバイダー機能モード

​ライブテスト

​設定

​関連

クイックスタート

非同期生成の仕組み

タスクライフサイクル

サポートされているプロバイダー

機能マトリクス

ツールパラメーター

必須

コンテンツ入力

スタイル制御

高度な設定

フォールバックと型付きオプション

アクション

モデル選択

プロバイダーの注意事項

プロバイダー機能モード

ライブテスト

設定

関連