Passer au contenu principal
OpenClaw génère des images, des vidéos et de la musique, comprend les médias entrants (images, audio, vidéo) et prononce les réponses à voix haute avec la synthèse vocale. Toutes les capacités multimédias sont pilotées par des outils : l’agent décide quand les utiliser selon la conversation, et chaque outil n’apparaît que lorsqu’au moins un fournisseur sous-jacent est configuré. La parole en direct utilise le contrat de session Talk au lieu du chemin d’outil multimédia ponctuel. Talk propose trois modes : realtime natif au fournisseur, stt-tts local ou en streaming, et transcription pour la capture vocale en observation seule. Ces modes partagent les catalogues de fournisseurs, les enveloppes d’événements et la sémantique d’annulation avec la téléphonie, les réunions, le temps réel dans le navigateur et les clients push-to-talk natifs.

​
Capacités

Génération d’images

Créez et modifiez des images à partir de prompts textuels ou d’images de référence via image_generate. Asynchrone dans les sessions de chat — s’exécute en arrière-plan et publie le résultat lorsqu’il est prêt.

Génération de vidéos

Texte-vers-vidéo, image-vers-vidéo et vidéo-vers-vidéo via video_generate. Asynchrone — s’exécute en arrière-plan et publie le résultat lorsqu’il est prêt.

Génération de musique

Générez de la musique ou des pistes audio via music_generate. Asynchrone dans les sessions de chat sur le cycle de vie partagé des tâches de génération multimédia.

Synthèse vocale

Convertissez les réponses sortantes en audio parlé via l’outil tts et la configuration messages.tts. Synchrone.

Compréhension des médias

Résumez les images, l’audio et la vidéo entrants à l’aide de fournisseurs de modèles compatibles avec la vision et de plugins dédiés à la compréhension des médias.

Reconnaissance vocale

Transcrivez les messages vocaux entrants au moyen de fournisseurs STT par lot ou STT en streaming Voice Call.

​
Matrice des capacités des fournisseurs

FournisseurImageVidéoMusiqueTTSSTTVoix en temps réelCompréhension des médias
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✓✓✓
La compréhension des médias utilise tout modèle compatible avec la vision ou l’audio enregistré dans votre configuration de fournisseur. La matrice ci-dessus liste les fournisseurs avec une prise en charge dédiée de la compréhension des médias ; la plupart des fournisseurs de LLM multimodaux (Anthropic, Google, OpenAI, etc.) peuvent également comprendre les médias entrants lorsqu’ils sont configurés comme modèle de réponse actif.

​
Asynchrone ou synchrone

CapacitéModePourquoi
ImageAsynchroneLe traitement par le fournisseur peut dépasser la durée d’un tour de chat ; les pièces jointes générées utilisent le chemin d’achèvement partagé.
Synthèse vocaleSynchroneLes réponses du fournisseur reviennent en quelques secondes ; elles sont jointes à l’audio de réponse.
VidéoAsynchroneLe traitement par le fournisseur prend de 30 s à plusieurs minutes ; les files lentes peuvent s’exécuter jusqu’au délai d’expiration configuré.
MusiqueAsynchroneMême caractéristique de traitement fournisseur que la vidéo.
Pour les outils asynchrones, OpenClaw soumet la demande au fournisseur, renvoie immédiatement un identifiant de tâche et suit le travail dans le registre des tâches. L’agent continue de répondre aux autres messages pendant l’exécution du travail. Lorsque le fournisseur termine, OpenClaw réveille l’agent avec les chemins des médias générés afin qu’il puisse informer l’utilisateur via le mode de réponse visible normal de la session : livraison automatique de la réponse finale lorsqu’elle est configurée, ou message(action="send") lorsque la session exige l’outil de message. Si la session demanderesse est inactive ou si son réveil actif échoue, et qu’un média généré manque encore dans la réponse d’achèvement, OpenClaw envoie une solution de repli directe idempotente avec uniquement le média manquant. Les médias déjà livrés par la réponse d’achèvement ne sont pas publiés à nouveau.

​
Reconnaissance vocale et Voice Call

Deepgram, DeepInfra, ElevenLabs, Mistral, OpenAI, OpenRouter, SenseAudio et xAI peuvent tous transcrire l’audio entrant via le chemin par lot tools.media.audio lorsqu’ils sont configurés. Les plugins de canal qui pré-vérifient une note vocale pour le filtrage des mentions ou l’analyse des commandes marquent la pièce jointe transcrite sur le contexte entrant, afin que la passe partagée de compréhension des médias réutilise cette transcription au lieu d’effectuer un second appel STT pour le même audio. Deepgram, ElevenLabs, Mistral, OpenAI et xAI enregistrent également des fournisseurs STT en streaming Voice Call, ce qui permet de transférer l’audio téléphonique en direct au fournisseur sélectionné sans attendre un enregistrement terminé. Pour les conversations utilisateur en direct, privilégiez le mode Talk. Les pièces jointes audio par lot restent sur le chemin multimédia ; le temps réel dans le navigateur, le push-to-talk natif, la téléphonie et l’audio de réunion doivent utiliser les événements Talk et les catalogues limités à la session renvoyés par le Gateway.

​
Correspondances de fournisseurs (répartition des fournisseurs entre surfaces)

Surfaces d’image, de vidéo, de musique, de TTS par lot, de voix temps réel backend et de compréhension des médias.
Surfaces d’image, de vidéo, de TTS par lot, de STT par lot, de STT en streaming Voice Call, de voix temps réel backend et d’embeddings mémoire.
Routage chat/modèle, génération/modification d’images, texte-vers-vidéo, TTS par lot, STT par lot, compréhension des médias image et surfaces d’embeddings mémoire. Les modèles de reranking/classification/détection d’objets natifs à DeepInfra ne sont pas enregistrés tant qu’OpenClaw ne dispose pas de contrats fournisseur dédiés pour ces catégories.
Image, vidéo, recherche, exécution de code, TTS par lot, STT par lot et STT en streaming Voice Call. La voix xAI Realtime est une capacité amont, mais elle n’est pas enregistrée dans OpenClaw tant que le contrat partagé de voix temps réel ne peut pas la représenter.

​
Associés