--- read_when: - OpenClaw'ın medya yeteneklerine genel bakış aranıyor - Hangi medya sağlayıcısının yapılandırılacağına karar verme - Eşzamansız medya üretiminin nasıl çalıştığını anlama sidebarTitle: Media overview summary: Görüntü, video, müzik, konuşma ve medya anlama yeteneklerine genel bakış title: Medya genel bakışı x-i18n: generated_at: "2026-06-28T01:23:56Z" model: gpt-5.5 postprocess_version: locale-links-v1 provider: openai source_hash: c04beb60abbd06d1503302be144e633b526ae55435f061fbb94f6fef85ca9d66 source_path: tools/media-overview.md workflow: 16 --- OpenClaw görüntüler, videolar ve müzik üretir, gelen medyayı (görüntüler, ses, video) anlar ve yanıtları metinden sese ile sesli olarak söyler. Tüm medya yetenekleri araç güdümlüdür: agent, konuşmaya bağlı olarak bunları ne zaman kullanacağına karar verir ve her araç yalnızca en az bir destekleyen sağlayıcı yapılandırıldığında görünür. Canlı konuşma, tek seferlik medya aracı yolu yerine Talk oturumu sözleşmesini kullanır. Talk üç moda sahiptir: sağlayıcıya özgü `realtime`, yerel veya akışlı `stt-tts` ve yalnızca gözlem amaçlı konuşma yakalama için `transcription`. Bu modlar, sağlayıcı kataloglarını, olay zarflarını ve iptal semantiklerini telefon, toplantılar, tarayıcı gerçek zamanlı, ve yerel bas-konuş istemcileriyle paylaşır. ## Yetenekler Metin istemlerinden veya referans görüntülerden `image_generate` aracılığıyla görüntüler oluşturun ve düzenleyin. Sohbet oturumlarında eşzamansızdır — arka planda çalışır ve hazır olduğunda sonucu gönderir. `video_generate` aracılığıyla metinden videoya, görüntüden videoya ve videodan videoya. Eşzamansızdır — arka planda çalışır ve hazır olduğunda sonucu gönderir. `music_generate` aracılığıyla müzik veya ses parçaları üretin. Sohbet oturumlarında, paylaşılan medya üretimi görev yaşam döngüsünde eşzamansızdır. Giden yanıtları `tts` aracı ve `messages.tts` yapılandırmasıyla konuşulan sese dönüştürün. Eşzamanlıdır. Görü yetenekli model sağlayıcıları ve ayrılmış medya anlama Plugin'leri kullanarak gelen görüntüleri, sesleri ve videoları özetleyin. Gelen sesli mesajları toplu STT veya Sesli Arama akışlı STT sağlayıcılarıyla metne dönüştürün. ## Sağlayıcı yetenek matrisi | Sağlayıcı | Görüntü | Video | Müzik | TTS | STT | Gerçek zamanlı ses | Medya anlama | | ----------------- | :-----: | :---: | :---: | :-: | :-: | :----------------: | :----------: | | 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 | ✓ | | | ✓ | | | ✓ | Medya anlama, sağlayıcı yapılandırmanızda kayıtlı herhangi bir görü yetenekli veya ses yetenekli modeli kullanır. Yukarıdaki matris, ayrılmış medya anlama desteğine sahip sağlayıcıları listeler; çoğu çok modlu LLM sağlayıcısı (Anthropic, Google, OpenAI vb.) etkin yanıt modeli olarak yapılandırıldığında gelen medyayı da anlayabilir. ## Eşzamansız ve eşzamanlı | Yetenek | Mod | Neden | | -------------- | ------------ | ---------------------------------------------------------------------------------------------------- | | Görüntü | Eşzamansız | Sağlayıcı işlemesi bir sohbet turundan uzun sürebilir; üretilen ekler paylaşılan tamamlama yolunu kullanır. | | Metinden sese | Eşzamanlı | Sağlayıcı yanıtları saniyeler içinde döner; yanıt sesine eklenir. | | Video | Eşzamansız | Sağlayıcı işlemesi 30 sn ile birkaç dakika sürer; yavaş kuyruklar yapılandırılan zaman aşımına kadar çalışabilir. | | Müzik | Eşzamansız | Video ile aynı sağlayıcı işleme özelliğine sahiptir. | Eşzamansız araçlar için OpenClaw isteği sağlayıcıya gönderir, hemen bir görev kimliği döndürür ve işi görev defterinde izler. Agent, iş çalışırken diğer mesajlara yanıt vermeye devam eder. Sağlayıcı tamamladığında OpenClaw, üretilen medya yollarıyla agent'ı uyandırır; böylece agent, oturumun normal görünür yanıt modu üzerinden kullanıcıya bildirebilir: yapılandırıldığında otomatik son yanıt teslimi veya oturum mesaj aracını gerektiriyorsa `message(action="send")`. İstekte bulunan oturum etkin değilse veya etkin uyanışı başarısız olursa ve üretilen medyanın bir kısmı hâlâ tamamlama yanıtında eksikse, OpenClaw yalnızca eksik medyayı içeren idempotent bir doğrudan geri dönüş gönderir. Tamamlama yanıtıyla zaten teslim edilmiş medya tekrar gönderilmez. ## Konuşmadan metne ve Sesli Arama Deepgram, DeepInfra, ElevenLabs, Mistral, OpenAI, OpenRouter, SenseAudio ve xAI, yapılandırıldığında toplu `tools.media.audio` yolu üzerinden gelen sesin tamamını metne dönüştürebilir. Bahsetme geçidi veya komut ayrıştırma için bir sesli notu ön kontrolden geçiren kanal Plugin'leri, metne dönüştürülen eki gelen bağlam üzerinde işaretler; böylece paylaşılan medya anlama geçişi, aynı ses için ikinci bir STT çağrısı yapmak yerine bu transkripti yeniden kullanır. Deepgram, ElevenLabs, Mistral, OpenAI ve xAI ayrıca Sesli Arama akışlı STT sağlayıcılarını kaydeder; böylece canlı telefon sesi, tamamlanmış bir kayıt beklenmeden seçilen tedarikçiye iletilebilir. Canlı kullanıcı konuşmaları için [Talk modu](/tr/nodes/talk) tercih edin. Toplu ses ekleri medya yolunda kalır; tarayıcı gerçek zamanlı, yerel bas-konuş, telefon ve toplantı sesi Talk olaylarını ve Gateway tarafından döndürülen oturum kapsamlı katalogları kullanmalıdır. ## Sağlayıcı eşlemeleri (tedarikçilerin yüzeylere nasıl ayrıldığı) Görüntü, video, müzik, toplu TTS, arka uç gerçek zamanlı ses ve medya anlama yüzeyleri. Görüntü, video, toplu TTS, toplu STT, Sesli Arama akışlı STT, arka uç gerçek zamanlı ses ve bellek gömme yüzeyleri. Sohbet/model yönlendirme, görüntü oluşturma/düzenleme, metinden videoya, toplu TTS, toplu STT, görüntü medyası anlama ve bellek gömme yüzeyleri. DeepInfra'ya özgü yeniden sıralama/sınıflandırma/nesne algılama modelleri, OpenClaw bu kategoriler için ayrılmış sağlayıcı sözleşmelerine sahip olana kadar kaydedilmez. Görüntü, video, arama, kod yürütme, toplu TTS, toplu STT ve Sesli Arama akışlı STT. xAI Realtime ses, upstream bir yetenektir ancak paylaşılan gerçek zamanlı ses sözleşmesi bunu temsil edebilene kadar OpenClaw'da kaydedilmez. ## İlgili - [Görüntü oluşturma](/tr/tools/image-generation) - [Video oluşturma](/tr/tools/video-generation) - [Müzik oluşturma](/tr/tools/music-generation) - [Metinden sese](/tr/tools/tts) - [Medya anlama](/tr/nodes/media-understanding) - [Ses düğümleri](/tr/nodes/audio) - [Talk modu](/tr/nodes/talk)