--- read_when: - Procurando uma visão geral dos recursos de mídia do OpenClaw - Decidindo qual provedor de mídia configurar - Entendendo como a geração assíncrona de mídia funciona sidebarTitle: Media overview summary: Recursos de imagem, vídeo, música, fala e compreensão de mídia em resumo title: Visão geral de mídia x-i18n: generated_at: "2026-06-27T18:16:44Z" model: gpt-5.5 postprocess_version: locale-links-v1 provider: openai source_hash: c04beb60abbd06d1503302be144e633b526ae55435f061fbb94f6fef85ca9d66 source_path: tools/media-overview.md workflow: 16 --- OpenClaw gera imagens, vídeos e música, entende mídia recebida (imagens, áudio, vídeo) e fala respostas em voz alta com conversão de texto em fala. Todos os recursos de mídia são orientados por ferramentas: o agente decide quando usá-los com base na conversa, e cada ferramenta só aparece quando pelo menos um provedor de suporte está configurado. A fala ao vivo usa o contrato de sessão Talk em vez do caminho da ferramenta de mídia de uso único. Talk tem três modos: `realtime` nativo do provedor, `stt-tts` local ou em streaming e `transcription` para captura de fala apenas para observação. Esses modos compartilham catálogos de provedores, envelopes de eventos e semântica de cancelamento com telefonia, reuniões, tempo real no navegador e clientes nativos push-to-talk. ## Recursos Crie e edite imagens a partir de prompts de texto ou imagens de referência via `image_generate`. Assíncrono em sessões de chat — executa em segundo plano e publica o resultado quando estiver pronto. Texto para vídeo, imagem para vídeo e vídeo para vídeo via `video_generate`. Assíncrono — executa em segundo plano e publica o resultado quando estiver pronto. Gere músicas ou faixas de áudio via `music_generate`. Assíncrono em sessões de chat no ciclo de vida compartilhado de tarefas de geração de mídia. Converta respostas enviadas em áudio falado via ferramenta `tts` mais a configuração `messages.tts`. Síncrono. Resuma imagens, áudio e vídeo recebidos usando provedores de modelos com capacidade de visão e plugins dedicados de entendimento de mídia. Transcreva mensagens de voz recebidas por provedores de STT em lote ou STT em streaming de Voice Call. ## Matriz de recursos por provedor | Provedor | Imagem | Vídeo | Música | TTS | STT | Voz em tempo real | Entendimento de mídia | | ----------------- | :----: | :---: | :----: | :-: | :-: | :---------------: | :-------------------: | | Alibaba | | ✓ | | | | | | | BytePlus | | ✓ | | | | | | | ComfyUI | ✓ | ✓ | ✓ | | | | | | DeepInfra | ✓ | ✓ | | ✓ | ✓ | | ✓ | | Deepgram | | | | | ✓ | ✓ | | | ElevenLabs | | | | ✓ | ✓ | | | | fal | ✓ | ✓ | ✓ | | | | | | Google | ✓ | ✓ | ✓ | ✓ | | ✓ | ✓ | | Gradium | | | | ✓ | | | | | Local CLI | | | | ✓ | | | | | Microsoft | | | | ✓ | | | | | Microsoft Foundry | ✓ | | | | | | | | MiniMax | ✓ | ✓ | ✓ | ✓ | | | | | Mistral | | | | | ✓ | | | | OpenAI | ✓ | ✓ | | ✓ | ✓ | ✓ | ✓ | | OpenRouter | ✓ | ✓ | ✓ | ✓ | ✓ | | ✓ | | Qwen | | ✓ | | | | | | | Runway | | ✓ | | | | | | | SenseAudio | | | | | ✓ | | | | Together | | ✓ | | | | | | | Vydra | ✓ | ✓ | | ✓ | | | | | xAI | ✓ | ✓ | | ✓ | ✓ | | ✓ | | Xiaomi MiMo | ✓ | | | ✓ | | | ✓ | O entendimento de mídia usa qualquer modelo com capacidade de visão ou áudio registrado na configuração do seu provedor. A matriz acima lista provedores com suporte dedicado a entendimento de mídia; a maioria dos provedores de LLM multimodal (Anthropic, Google, OpenAI etc.) também consegue entender mídia recebida quando configurada como o modelo de resposta ativo. ## Assíncrono vs. síncrono | Recurso | Modo | Por quê | | -------------- | ------------ | ---------------------------------------------------------------------------------------------------- | | Imagem | Assíncrono | O processamento do provedor pode durar mais que uma rodada de chat; anexos gerados usam o caminho compartilhado de conclusão. | | Texto para fala | Síncrono | As respostas do provedor retornam em segundos; anexadas ao áudio da resposta. | | Vídeo | Assíncrono | O processamento do provedor leva de 30 s a vários minutos; filas lentas podem executar até o tempo limite configurado. | | Música | Assíncrono | Mesma característica de processamento do provedor que vídeo. | Para ferramentas assíncronas, o OpenClaw envia a solicitação ao provedor, retorna um id de tarefa imediatamente e acompanha o trabalho no livro-razão de tarefas. O agente continua respondendo a outras mensagens enquanto o trabalho executa. Quando o provedor termina, o OpenClaw desperta o agente com os caminhos da mídia gerada para que ele possa informar o usuário pelo modo normal de resposta visível da sessão: entrega automática da resposta final quando configurada, ou `message(action="send")` quando a sessão exige a ferramenta de mensagem. Se a sessão solicitante estiver inativa ou sua ativação ativa falhar, e alguma mídia gerada ainda estiver ausente na resposta de conclusão, o OpenClaw envia um fallback direto idempotente apenas com a mídia ausente. Mídia já entregue pela resposta de conclusão não é publicada novamente. ## Fala para texto e Voice Call Deepgram, DeepInfra, ElevenLabs, Mistral, OpenAI, OpenRouter, SenseAudio e xAI podem transcrever áudio recebido pelo caminho em lote `tools.media.audio` quando configurados. Plugins de canal que pré-verificam uma nota de voz para controle de menções ou análise de comandos marcam o anexo transcrito no contexto de entrada, para que a passagem compartilhada de entendimento de mídia reutilize essa transcrição em vez de fazer uma segunda chamada STT para o mesmo áudio. Deepgram, ElevenLabs, Mistral, OpenAI e xAI também registram provedores de STT em streaming para Voice Call, então o áudio telefônico ao vivo pode ser encaminhado ao fornecedor selecionado sem esperar uma gravação concluída. Para conversas de usuário ao vivo, prefira o [modo Talk](/pt-BR/nodes/talk). Anexos de áudio em lote permanecem no caminho de mídia; tempo real no navegador, push-to-talk nativo, telefonia e áudio de reuniões devem usar eventos Talk e os catálogos com escopo de sessão retornados pelo Gateway. ## Mapeamentos de provedores (como fornecedores se dividem entre superfícies) Superfícies de imagem, vídeo, música, TTS em lote, voz em tempo real no backend e entendimento de mídia. Superfícies de imagem, vídeo, TTS em lote, STT em lote, STT em streaming de Voice Call, voz em tempo real no backend e incorporação de memória. Superfícies de roteamento de chat/modelo, geração/edição de imagens, texto para vídeo, TTS em lote, STT em lote, entendimento de mídia por imagem e incorporação de memória. Modelos nativos do DeepInfra de rerank/classificação/detecção de objetos não são registrados até que o OpenClaw tenha contratos de provedor dedicados para essas categorias. Imagem, vídeo, busca, execução de código, TTS em lote, STT em lote e STT em streaming de Voice Call. A voz em tempo real da xAI é um recurso upstream, mas não é registrada no OpenClaw até que o contrato compartilhado de voz em tempo real possa representá-la. ## Relacionados - [Geração de imagens](/pt-BR/tools/image-generation) - [Geração de vídeo](/pt-BR/tools/video-generation) - [Geração de música](/pt-BR/tools/music-generation) - [Texto para fala](/pt-BR/tools/tts) - [Entendimento de mídia](/pt-BR/nodes/media-understanding) - [Nós de áudio](/pt-BR/nodes/audio) - [Modo Talk](/pt-BR/nodes/talk)