内置工具
媒体概览
OpenClaw 可生成图像、视频和音乐，理解入站媒体 （图像、音频、视频），并通过文本转语音朗读回复。所有 媒体能力均由工具驱动：智能体根据对话决定何时使用它们， 且每个工具仅在配置了至少一个后端 提供商时才会出现。
实时语音使用 Talk 会话契约，而非一次性媒体工具
路径。Talk 有三种模式：提供商原生的 realtime、本地或流式
stt-tts，以及用于仅观察式语音捕获的 transcription。这些模式
与电话、会议、浏览器实时通信和原生按键通话客户端
共享提供商目录、事件信封和取消语义。
能力
通过 image_generate，根据文本提示词或参考图像创建和编辑图像。
在聊天会话中异步执行——在后台运行，并在准备就绪后
发布结果。
通过 video_generate 实现文本生成视频、图像生成视频和视频转换视频。
异步执行——在后台运行，并在准备就绪后发布结果。
通过 music_generate 生成音乐或音轨。在聊天
会话中基于共享的媒体生成任务生命周期异步执行。
通过 tts 工具和 tts 配置，
将出站回复转换为语音音频。同步执行。
使用具备视觉能力的模型提供商和专用媒体理解插件， 总结入站图像、音频和视频。
通过批量 STT 或语音通话流式 STT 提供商 转录入站语音消息。
提供商能力矩阵
| 提供商 | 图像 | 视频 | 音乐 | TTS | STT | 实时语音 | 媒体理解 |
|---|---|---|---|---|---|---|---|
| Alibaba | ✓ | ||||||
| Azure Speech | ✓ | ||||||
| BytePlus | ✓ | ||||||
| ComfyUI | ✓ | ✓ | ✓ | ||||
| Deepgram | ✓ | ||||||
| DeepInfra | ✓ | ✓ | ✓ | ✓ | ✓ | ||
| ElevenLabs | ✓ | ✓ | |||||
| fal | ✓ | ✓ | ✓ | ||||
| ✓ | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ | |
| Gradium | ✓ | ||||||
| Inworld | ✓ | ||||||
| LiteLLM | ✓ | ||||||
| Local CLI | ✓ | ||||||
| Microsoft | ✓ | ||||||
| Microsoft Foundry | ✓ | ||||||
| MiniMax | ✓ | ✓ | ✓ | ✓ | |||
| Mistral | ✓ | ||||||
| OpenAI | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ | |
| OpenRouter | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ | |
| PixVerse | ✓ | ||||||
| Qwen | ✓ | ✓ | |||||
| Runway | ✓ | ||||||
| SenseAudio | ✓ | ||||||
| Together | ✓ | ||||||
| Volcengine | ✓ | ||||||
| Vydra | ✓ | ✓ | ✓ | ||||
| xAI | ✓ | ✓ | ✓ | ✓ | ✓ | ||
| Xiaomi MiMo | ✓ |
异步与同步
| 能力 | 模式 | 原因 |
|---|---|---|
| 图像 | 异步 | 提供商处理可能超出一个聊天轮次；生成的附件使用共享完成路径。 |
| 文本转语音 | 同步 | 提供商响应会在数秒内返回；附加到回复音频。 |
| 视频 | 异步 | 提供商处理需要 30 s 到数分钟；较慢的队列最长可运行到配置的超时时间。 |
| 音乐 | 异步 | 与视频具有相同的提供商处理特性。 |
对于异步工具，OpenClaw 将请求提交给提供商，立即返回任务
ID，并在任务账本中跟踪该作业。作业运行期间，智能体会继续
响应其他消息。提供商完成后，
OpenClaw 会使用生成的媒体路径唤醒智能体，使其可通过会话的正常可见回复模式告知
用户：配置后自动发送最终回复，
或在会话要求使用消息工具时使用 message(action="send")。
如果请求方会话处于非活动状态或其主动唤醒失败，
且完成回复中仍缺少部分生成的媒体，
OpenClaw 会发送一次幂等的直接回退，其中仅包含缺失的媒体。已通过
完成回复发送的媒体不会再次发布。
语音转文本和语音通话
配置后，Deepgram、DeepInfra、ElevenLabs、Google、Groq、Mistral、OpenAI、OpenRouter、
SenseAudio 和 xAI 均可通过批量
tools.media.audio 路径转录入站音频。为提及门控或命令解析预检
语音消息的渠道插件会在入站上下文中标记已转录的
附件，因此共享媒体理解流程会
复用该转录文本，而不会对同一段
音频再次发起 STT 调用。
Deepgram、ElevenLabs、Mistral、OpenAI 和 xAI 还注册了语音通话 流式 STT 提供商，因此实时电话音频无需等待录音完成， 即可转发到选定的供应商。
对于实时用户对话，优先使用 Talk 模式。批量音频 附件仍使用媒体路径；浏览器实时通信、原生按键通话、 电话和会议音频应使用 Talk 事件，以及 Gateway 网关返回的会话范围 目录。
提供商映射（供应商如何分布于各个功能面）
图像、视频、音乐、批量 TTS、批量 STT、后端实时语音和 媒体理解功能面。
OpenAI
图像、视频、批量 TTS、批量 STT、语音通话流式 STT、后端 实时语音和记忆嵌入功能面。
DeepInfra
聊天/模型路由、图像生成/编辑、文本生成视频、批量 TTS、 批量 STT、图像媒体理解和记忆嵌入功能面。 DeepInfra 还提供重排序、分类、对象检测和 其他原生模型类型；OpenClaw 尚未针对这些 类别提供提供商契约，因此此插件不会注册它们。
xAI
图像、视频、搜索、代码执行、批量 TTS、批量 STT 和语音 通话流式 STT。xAI 实时语音是一项上游能力，但在 共享实时语音契约能够表示它之前，不会在 OpenClaw 中 注册。
