视频生成 - OpenClaw

OpenClaw 智能体可以根据文本 prompt、参考图片或现有视频生成视频。支持 16 个提供商后端，每个后端都有不同的模型选项、输入模式和功能集。智能体会根据你的配置和可用 API 密钥自动选择合适的提供商。

video_generate 工具只会在至少有一个视频生成提供商可用时出现。如果你在智能体工具中看不到它，请设置提供商 API 密钥或配置 agents.defaults.videoGenerationModel。

OpenClaw 将视频生成视为三种运行时模式：

generate - 没有参考媒体的文本转视频请求。
imageToVideo - 请求包含一个或多个参考图片。
videoToVideo - 请求包含一个或多个参考视频。

提供商可以支持这些模式的任意子集。该工具会在提交前验证当前模式，并在 action=list 中报告支持的模式。

快速开始

配置身份验证

为任意受支持的提供商设置 API 密钥：

export GEMINI_API_KEY="your-key"

选择默认模型（可选）

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

询问智能体

生成一个 5 秒的电影感视频，内容是一只友好的龙虾在日落时冲浪。

智能体会自动调用 video_generate。无需工具允许列表。

异步生成的工作方式

视频生成是异步的。当智能体在会话中调用 video_generate 时：

OpenClaw 将请求提交给提供商，并立即返回任务 ID。
提供商在后台处理作业（通常需要 30 秒到几分钟，具体取决于提供商和分辨率；慢速队列型提供商可能会一直运行到配置的超时时间）。
视频准备好后，OpenClaw 会通过内部完成事件唤醒同一个会话。
智能体会告知用户并附加完成的视频。在使用仅消息工具可见投递的群组/渠道聊天中，智能体会通过消息工具中转结果，而不是由 OpenClaw 直接发布。

当作业正在进行时，同一会话中的重复 video_generate 调用会返回当前任务状态，而不是启动另一次生成。使用 openclaw tasks list 或 openclaw tasks show <taskId> 可从 CLI 检查进度。在没有会话支撑的智能体运行之外（例如直接工具调用），该工具会回退到内联生成，并在同一轮中返回最终媒体路径。当提供商返回字节数据时，生成的视频文件会保存在 OpenClaw 管理的媒体存储下。默认生成视频保存上限遵循视频媒体限制，agents.defaults.mediaMaxMb 可为更大的渲染提高上限。当提供商还返回托管输出 URL 时，如果本地持久化因文件过大而拒绝保存，OpenClaw 可以改为投递该 URL，而不是让任务失败。

任务生命周期

状态	含义
`queued`	任务已创建，正在等待提供商接受。
`running`	提供商正在处理（通常需要 30 秒到几分钟，具体取决于提供商和分辨率）。
`succeeded`	视频已就绪；智能体会被唤醒并将其发布到对话中。
`failed`	提供商错误或超时；智能体会带着错误详情被唤醒。

从 CLI 检查状态：

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

如果当前会话已有视频任务处于 queued 或 running 状态，video_generate 会返回现有任务状态，而不是启动新的任务。使用 action: "status" 可显式检查状态，而不会触发新的生成。

支持的提供商

提供商	默认模型	文本	图片参考	视频参考	身份验证
Alibaba	`wan2.6-t2v`	✓	支持（远程 URL）	支持（远程 URL）	`MODELSTUDIO_API_KEY`
BytePlus (1.0)	`seedance-1-0-pro-250528`	✓	最多 2 张图片（仅 I2V 模型；首帧 + 末帧）	-	`BYTEPLUS_API_KEY`
BytePlus Seedance 1.5	`seedance-1-5-pro-251215`	✓	最多 2 张图片（通过角色指定首帧 + 末帧）	-	`BYTEPLUS_API_KEY`
BytePlus Seedance 2.0	`dreamina-seedance-2-0-260128`	✓	最多 9 张参考图片	最多 3 个视频	`BYTEPLUS_API_KEY`
ComfyUI	`workflow`	✓	1 张图片	-	`COMFY_API_KEY` 或 `COMFY_CLOUD_API_KEY`
DeepInfra	`Pixverse/Pixverse-T2V`	✓	-	-	`DEEPINFRA_API_KEY`
fal	`fal-ai/minimax/video-01-live`	✓	1 张图片；使用 Seedance reference-to-video 时最多 9 张	使用 Seedance reference-to-video 时最多 3 个视频	`FAL_KEY`
Google	`veo-3.1-fast-generate-preview`	✓	1 张图片	1 个视频	`GEMINI_API_KEY`
MiniMax	`MiniMax-Hailuo-2.3`	✓	1 张图片	-	`MINIMAX_API_KEY` 或 MiniMax OAuth
OpenAI	`sora-2`	✓	1 张图片	1 个视频	`OPENAI_API_KEY`
OpenRouter	`google/veo-3.1-fast`	✓	最多 4 张图片（首帧/末帧或参考）	-	`OPENROUTER_API_KEY`
Qwen	`wan2.6-t2v`	✓	支持（远程 URL）	支持（远程 URL）	`QWEN_API_KEY`
Runway	`gen4.5`	✓	1 张图片	1 个视频	`RUNWAYML_API_SECRET`
Together	`Wan-AI/Wan2.2-T2V-A14B`	✓	1 张图片	-	`TOGETHER_API_KEY`
Vydra	`veo3`	✓	1 张图片（`kling`）	-	`VYDRA_API_KEY`
xAI	`grok-imagine-video`	✓	1 张首帧图片或最多 7 个 `reference_image`	1 个视频	`XAI_API_KEY`

一些提供商接受额外或替代的 API 密钥环境变量。详情请参阅各个提供商页面。运行 video_generate action=list 可在运行时检查可用的提供商、模型和运行时模式。

能力矩阵

video_generate、契约测试和共享实时扫描使用的显式模式契约：

提供商	`generate`	`imageToVideo`	`videoToVideo`	当前共享实时通道
Alibaba	✓	✓	✓	`generate`、`imageToVideo`；跳过 `videoToVideo`，因为此提供商需要远程 `http(s)` 视频 URL
BytePlus	✓	✓	-	`generate`、`imageToVideo`
ComfyUI	✓	✓	-	不在共享扫描中；特定于 workflow 的覆盖由 Comfy 测试维护
DeepInfra	✓	-	-	`generate`；内置契约中的原生 DeepInfra 视频 schema 是文本转视频
fal	✓	✓	✓	`generate`、`imageToVideo`；仅在使用 Seedance reference-to-video 时支持 `videoToVideo`
Google	✓	✓	✓	`generate`、`imageToVideo`；跳过共享 `videoToVideo`，因为当前基于缓冲区的 Gemini/Veo 扫描不接受该输入
MiniMax	✓	✓	-	`generate`、`imageToVideo`
OpenAI	✓	✓	✓	`generate`、`imageToVideo`；跳过共享 `videoToVideo`，因为此组织/输入路径当前需要提供商侧 inpaint/remix 访问权限
OpenRouter	✓	✓	-	`generate`、`imageToVideo`
Qwen	✓	✓	✓	`generate`、`imageToVideo`；跳过 `videoToVideo`，因为此提供商需要远程 `http(s)` 视频 URL
Runway	✓	✓	✓	`generate`、`imageToVideo`；仅当所选模型是 `runway/gen4_aleph` 时运行 `videoToVideo`
Together	✓	✓	-	`generate`、`imageToVideo`
Vydra	✓	✓	-	`generate`；跳过共享 `imageToVideo`，因为内置 `veo3` 仅支持文本，且内置 `kling` 需要远程图片 URL
xAI	✓	✓	✓	`generate`、`imageToVideo`；跳过 `videoToVideo`，因为此提供商当前需要远程 MP4 URL

工具参数

必需

prompt

string

required

要生成的视频文本描述。action: "generate" 需要此参数。

内容输入

image

string

单个参考图像（路径或 URL）。

images

string[]

多个参考图像（最多 9 个）。

imageRoles

string[]

可选的逐位置角色提示，与合并后的图像列表并行。规范值：first_frame、last_frame、reference_image。

video

string

单个参考视频（路径或 URL）。

videos

string[]

多个参考视频（最多 4 个）。

videoRoles

string[]

可选的逐位置角色提示，与合并后的视频列表并行。规范值：reference_video。

audioRef

string

单个参考音频（路径或 URL）。当提供商支持音频输入时，用于背景音乐或语音参考。

audioRefs

string[]

多个参考音频（最多 3 个）。

audioRoles

string[]

可选的逐位置角色提示，与合并后的音频列表并行。规范值：reference_audio。

角色提示会原样转发给提供商。规范值来自 VideoGenerationAssetRole 联合类型，但提供商可能接受额外的角色字符串。*Roles 数组的条目数不得多于对应的参考列表；偏移一位错误会以明确错误失败。使用空字符串可让某个槽位保持未设置。对于 xAI，将每个图像角色都设为 reference_image 以使用其 reference_images 生成模式；对于单图像的图像到视频，省略角色或使用 first_frame。

样式控制

aspectRatio

string

宽高比提示，例如 1:1、16:9、9:16、adaptive，或提供商特定值。OpenClaw 会按提供商规范化或忽略不支持的值。

resolution

string

分辨率提示，例如 480P、720P、768P、1080P、4K，或提供商特定值。OpenClaw 会按提供商规范化或忽略不支持的值。

durationSeconds

number

目标时长（秒）（四舍五入到最接近的提供商支持值）。

size

string

当提供商支持时使用的尺寸提示。

audio

boolean

在支持时为输出启用生成的音频。不同于 audioRef*（输入）。

watermark

boolean

在支持时切换提供商水印。

adaptive 是提供商特定的哨兵值：它会原样转发给在能力中声明 adaptive 的提供商（例如 BytePlus Seedance 使用它根据输入图像尺寸自动检测比例）。未声明它的提供商会通过工具结果中的 details.ignoredOverrides 暴露该值，使丢弃行为可见。

高级

action

"generate" | "status" | "list"

default:"generate"

"status" 返回当前会话任务；"list" 检查提供商。

model

string

提供商/模型覆盖（例如 runway/gen4.5）。

filename

string

输出文件名提示。

timeoutMs

number

可选的提供商操作超时时间，单位为毫秒。省略时，如果已配置，OpenClaw 会使用 agents.defaults.videoGenerationModel.timeoutMs。

providerOptions

object

JSON 对象形式的提供商特定选项（例如 {"seed": 42, "draft": true}）。声明了类型化 schema 的提供商会验证键和类型；未知键或不匹配会在回退期间跳过该候选。没有声明 schema 的提供商会原样接收这些选项。运行 video_generate action=list 查看每个提供商接受的内容。

并非所有提供商都支持所有参数。OpenClaw 会将时长规范化为最接近的提供商支持值，并在回退提供商暴露不同控制面时重新映射已转换的几何提示，例如从尺寸到宽高比。真正不支持的覆盖会尽力忽略，并在工具结果中作为警告报告。硬性能力限制（例如参考输入过多）会在提交前失败。工具结果会报告已应用的设置；details.normalization 会捕获任何从请求到应用的转换。

参考输入会选择运行时模式：

无参考媒体 → generate
任意图像参考 → imageToVideo
任意视频参考 → videoToVideo
参考音频输入不会改变解析出的模式；它们会应用在图像/视频参考所选择模式之上，并且只适用于声明 maxInputAudios 的提供商。

混合使用图像和视频参考不是稳定的共享能力面。建议每次请求只使用一种参考类型。

回退和类型化选项

某些能力检查会在回退层而不是工具边界应用，因此超过主提供商限制的请求仍可在有能力的回退上运行：

当请求包含音频参考时，声明没有 maxInputAudios（或为 0）的活动候选会被跳过；会尝试下一个候选。
活动候选的 maxDurationSeconds 低于请求的 durationSeconds，且未声明 supportedDurationSeconds 列表 → 跳过。
请求包含 providerOptions，并且活动候选显式声明了类型化 providerOptions schema → 如果提供的键不在 schema 中或值类型不匹配，则跳过。没有声明 schema 的提供商会原样接收选项（向后兼容的透传）。提供商可以通过声明空 schema（capabilities.providerOptions: {}）选择退出所有提供商选项，这会导致与类型不匹配相同的跳过行为。

请求中的第一个跳过原因会以 warn 记录，以便操作员看到其主提供商何时被跳过；后续跳过会以 debug 记录，以保持长回退链安静。如果每个候选都被跳过，聚合错误会包含每个候选的跳过原因。

操作

操作	作用
`generate`	默认值。根据给定提示和可选参考输入创建视频。
`status`	在不启动另一次生成的情况下，检查当前会话中正在进行的视频任务状态。
`list`	显示可用的提供商、模型及其能力。

模型选择

OpenClaw 按以下顺序解析模型：

model 工具参数 - 如果智能体在调用中指定了它。
配置中的 videoGenerationModel.primary。
按顺序使用 videoGenerationModel.fallbacks。
自动检测 - 拥有有效凭证的提供商，从当前默认提供商开始，然后按字母顺序使用剩余提供商。

如果某个提供商失败，会自动尝试下一个候选。如果所有候选都失败，错误会包含每次尝试的详情。设置 agents.defaults.mediaGenerationAutoProviderFallback: false，即可只使用显式的 model、primary 和 fallbacks 条目。

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

提供商说明

Alibaba

使用 DashScope / Model Studio 异步端点。参考图像和视频必须是远程 http(s) URL。

BytePlus (1.0)

提供商 ID：byteplus。模型：seedance-1-0-pro-250528（默认）、 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 模型（*-t2v-*）不接受图像输入；I2V 模型和通用 *-pro-* 模型支持单个参考图像（第一帧）。按位置传入图像，或设置 role: "first_frame"。当提供图像时，T2V 模型 ID 会自动切换到对应的 I2V 变体。支持的 providerOptions 键：seed（数字）、draft（布尔值 - 强制 480p）、camera_fixed（布尔值）。

BytePlus Seedance 1.5

需要 @openclaw/byteplus-modelark 插件。提供商 ID：byteplus-seedance15。模型： seedance-1-5-pro-251215。使用统一的 content[] API。最多支持 2 个输入图像（first_frame + last_frame）。所有输入都必须是远程 https:// URL。为每个图像设置 role: "first_frame" / "last_frame"，或按位置传入图像。aspectRatio: "adaptive" 会根据输入图像自动检测比例。 audio: true 映射到 generate_audio。providerOptions.seed （数字）会被转发。

BytePlus Seedance 2.0

需要 @openclaw/byteplus-modelark 插件。提供商 ID：byteplus-seedance2。模型： dreamina-seedance-2-0-260128、 dreamina-seedance-2-0-fast-260128。使用统一的 content[] API。最多支持 9 个参考图像、 3 个参考视频和 3 个参考音频。所有输入都必须是远程 https:// URL。为每个资产设置 role - 支持的值： "first_frame"、"last_frame"、"reference_image"、 "reference_video"、"reference_audio"。aspectRatio: "adaptive" 会根据输入图像自动检测比例。 audio: true 映射到 generate_audio。providerOptions.seed （数字）会被转发。

ComfyUI

由工作流驱动的本地或云端执行。通过已配置的图支持文本转视频和图像转视频。

fal

对长时间运行的任务使用队列支持的流程。默认情况下，OpenClaw 最多等待 20 分钟，然后才会将进行中的 fal 队列任务视为超时。大多数 fal 视频模型接受单个图像引用。Seedance 2.0 引用转视频模型最多接受 9 张图像、3 个视频和 3 个音频引用，并且总引用文件数最多为 12 个。

Google (Gemini / Veo)

支持一个图像或一个视频引用。生成音频请求在 Gemini API 路径上会被忽略并发出警告，因为该 API 会拒绝当前 Veo 视频生成的 generateAudio 参数。

MiniMax

仅支持单个图像引用。MiniMax 接受 768P 和 1080P 分辨率；诸如 720P 之类的请求会在提交前规范化为最接近的支持值。

OpenAI

仅转发 size 覆盖项。其他样式覆盖项（aspectRatio、resolution、audio、watermark）会被忽略并发出警告。

OpenRouter

使用 OpenRouter 的异步 /videos API。OpenClaw 提交任务，轮询 polling_url，并下载 unsigned_urls 或文档化的任务内容端点。内置的 google/veo-3.1-fast 默认模型声明支持 4/6/8 秒时长、720P/1080P 分辨率，以及 16:9/9:16 宽高比。

Qwen

使用与 Alibaba 相同的 DashScope 后端。引用输入必须是远程 http(s) URL；本地文件会被预先拒绝。

Runway

通过数据 URI 支持本地文件。视频转视频需要 runway/gen4_aleph。纯文本运行公开 16:9 和 9:16 宽高比。

Together

仅支持单个图像引用。

Vydra

直接使用 https://www.vydra.ai/api/v1，以避免重定向丢失凭证。 veo3 以内置形式仅支持文本转视频；kling 需要远程图像 URL。

xAI

支持文本转视频、单个首帧图像转视频、通过 xAI reference_images 提供的最多 7 个 reference_image 输入，以及远程视频编辑/扩展流程。

提供商能力模式

共享的视频生成契约支持按模式划分的能力，而不仅是扁平的聚合限制。新的提供商实现应优先使用显式模式块：

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,
  },
}

诸如 maxInputImages 和 maxInputVideos 之类的扁平聚合字段 不足以声明支持转换模式。提供商应显式声明 generate、imageToVideo 和 videoToVideo，以便实时测试、契约测试以及共享的 video_generate 工具能够确定性地验证模式支持。当某个提供商中的一个模型拥有比其他模型更宽的引用输入支持时，请使用 maxInputImagesByModel、maxInputVideosByModel 或 maxInputAudiosByModel，而不是提高整个模式的限制。

实时测试

共享内置提供商的可选实时覆盖：

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

仓库包装器：

pnpm test:live:media video

这个实时文件会从 ~/.profile 加载缺失的提供商环境变量，默认优先使用实时/环境 API 密钥，而不是已存储的身份验证配置文件，并且默认运行发布安全的冒烟测试：

对扫描中的每个非 FAL 提供商运行 generate。
一秒龙虾提示词。
每个提供商的操作上限来自 OPENCLAW_LIVE_VIDEO_GENERATION_TIMEOUT_MS（默认 180000）。

FAL 需要显式启用，因为提供商侧队列延迟可能主导发布时间：

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

设置 OPENCLAW_LIVE_VIDEO_GENERATION_FULL_MODES=1，还会运行已声明的转换模式，这些模式可由共享扫描使用本地媒体安全地执行：

当 capabilities.imageToVideo.enabled 时运行 imageToVideo。
当 capabilities.videoToVideo.enabled 且提供商/模型在共享扫描中接受缓冲区支持的本地视频输入时运行 videoToVideo。

目前，只有在你选择 runway/gen4_aleph 时，共享的 videoToVideo 实时通道才覆盖 runway。

配置

在你的 OpenClaw 配置中设置默认视频生成模型：

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

或通过 CLI：

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

Documentation Index

​快速开始

​异步生成的工作方式

​任务生命周期

​支持的提供商

​能力矩阵

​工具参数

​必需

​内容输入

​样式控制

​高级

​回退和类型化选项

​操作

​模型选择

​提供商说明

​提供商能力模式

​实时测试

​配置

​相关

快速开始

异步生成的工作方式

任务生命周期

支持的提供商

能力矩阵

工具参数

必需

内容输入

样式控制

高级

回退和类型化选项

操作

模型选择

提供商说明

提供商能力模式

实时测试

配置

相关