> ## Documentation Index
> Fetch the complete documentation index at: https://docs2.openclaw.ai/llms.txt
> Use this file to discover all available pages before exploring further.

# 媒體概覽

OpenClaw 會產生圖片、影片和音樂、理解傳入媒體
（圖片、音訊、影片），並透過文字轉語音大聲朗讀回覆。所有
媒體功能都由工具驅動：代理會根據對話決定何時使用它們，
而每個工具只會在至少設定一個後端供應商時出現。

即時語音使用 Talk 工作階段合約，而不是一次性媒體工具
路徑。Talk 有三種模式：供應商原生的 `realtime`、本機或串流
`stt-tts`，以及用於僅觀察語音擷取的 `transcription`。這些模式
與電話、會議、瀏覽器即時通訊和原生按鍵通話用戶端共用
供應商目錄、事件封套和取消語意。

## 功能

<CardGroup cols={2}>
  <Card title="圖片產生" href="/zh-TW/tools/image-generation" icon="image">
    透過 `image_generate`，從文字提示或參考圖片建立及編輯圖片。
    在聊天工作階段中非同步執行 — 會在背景執行，並在準備好時
    張貼結果。
  </Card>

  <Card title="影片產生" href="/zh-TW/tools/video-generation" icon="video">
    透過 `video_generate` 進行文字轉影片、圖片轉影片和影片轉影片。
    非同步 — 會在背景執行，並在準備好時張貼結果。
  </Card>

  <Card title="音樂產生" href="/zh-TW/tools/music-generation" icon="music">
    透過 `music_generate` 產生音樂或音軌。在聊天工作階段中會在
    共用的媒體產生任務生命週期上非同步執行。
  </Card>

  <Card title="文字轉語音" href="/zh-TW/tools/tts" icon="microphone">
    透過 `tts` 工具加上 `messages.tts` 設定，將外送回覆轉換為
    語音音訊。同步執行。
  </Card>

  <Card title="媒體理解" href="/zh-TW/nodes/media-understanding" icon="eye">
    使用具備視覺能力的模型供應商和專用媒體理解外掛，
    摘要傳入的圖片、音訊和影片。
  </Card>

  <Card title="語音轉文字" href="/zh-TW/nodes/audio" icon="ear-listen">
    透過批次 STT 或 Voice Call 串流 STT 供應商轉錄傳入語音訊息。
  </Card>
</CardGroup>

## 供應商功能矩陣

<Note>
  此表涵蓋專用的媒體產生、TTS 和 STT 外掛。許多
  聊天模型供應商（Anthropic、Google、OpenAI 等）也能透過其
  回覆模型理解傳入媒體；請參閱
  [媒體理解](/zh-TW/nodes/media-understanding#provider-support-matrix)中的完整供應商清單。
</Note>

| 供應商               |  圖片 |  影片 |  音樂 | TTS | STT | 即時語音 | 媒體理解 |
| ----------------- | :-: | :-: | :-: | :-: | :-: | :--: | :--: |
| Alibaba           |     |  ✓  |     |     |     |      |      |
| Azure Speech      |     |     |     |  ✓  |     |      |      |
| BytePlus          |     |  ✓  |     |     |     |      |      |
| ComfyUI           |  ✓  |  ✓  |  ✓  |     |     |      |      |
| Deepgram          |     |     |     |     |  ✓  |      |      |
| DeepInfra         |  ✓  |  ✓  |     |  ✓  |  ✓  |      |   ✓  |
| ElevenLabs        |     |     |     |  ✓  |  ✓  |      |      |
| fal               |  ✓  |  ✓  |  ✓  |     |     |      |      |
| Google            |  ✓  |  ✓  |  ✓  |  ✓  |  ✓  |   ✓  |   ✓  |
| Gradium           |     |     |     |  ✓  |     |      |      |
| Inworld           |     |     |     |  ✓  |     |      |      |
| LiteLLM           |  ✓  |     |     |     |     |      |      |
| Local CLI         |     |     |     |  ✓  |     |      |      |
| Microsoft         |     |     |     |  ✓  |     |      |      |
| Microsoft Foundry |  ✓  |     |     |     |     |      |      |
| MiniMax           |  ✓  |  ✓  |  ✓  |  ✓  |     |      |      |
| Mistral           |     |     |     |     |  ✓  |      |      |
| OpenAI            |  ✓  |  ✓  |     |  ✓  |  ✓  |   ✓  |   ✓  |
| OpenRouter        |  ✓  |  ✓  |  ✓  |  ✓  |  ✓  |      |   ✓  |
| PixVerse          |     |  ✓  |     |     |     |      |      |
| Qwen              |     |  ✓  |     |     |     |      |   ✓  |
| Runway            |     |  ✓  |     |     |     |      |      |
| SenseAudio        |     |     |     |     |  ✓  |      |      |
| Together          |     |  ✓  |     |     |     |      |      |
| Volcengine        |     |     |     |  ✓  |     |      |      |
| Vydra             |  ✓  |  ✓  |     |  ✓  |     |      |      |
| xAI               |  ✓  |  ✓  |     |  ✓  |  ✓  |      |   ✓  |
| Xiaomi MiMo       |     |     |     |  ✓  |     |      |      |

<Note>
  此處的**即時語音**表示供應商原生雙向即時通訊（Talk
  `realtime` 模式，例如 Gemini Live 或 OpenAI Realtime API）— 目前只有 Google
  和 OpenAI 註冊。Deepgram、ElevenLabs、Mistral、OpenAI 和 xAI
  另行註冊 Voice Call 串流 STT（單向音訊轉文字）；請參閱下方的
  [語音轉文字和 Voice Call](#speech-to-text-and-voice-call)。
  xAI Realtime voice 是上游功能，但在共用即時語音合約能夠表示它之前，
  尚未在 OpenClaw 中註冊。
</Note>

## 非同步與同步

| 功能    | 模式  | 原因                                |
| ----- | --- | --------------------------------- |
| 圖片    | 非同步 | 供應商處理可能比一次聊天輪次更久；產生的附件會使用共用完成路徑。  |
| 文字轉語音 | 同步  | 供應商回應會在數秒內返回；附加到回覆音訊。             |
| 影片    | 非同步 | 供應商處理需要 30 秒到數分鐘；慢速佇列可執行到設定的逾時時間。 |
| 音樂    | 非同步 | 與影片相同的供應商處理特性。                    |

對於非同步工具，OpenClaw 會將請求提交給供應商、立即返回任務
id，並在任務帳本中追蹤作業。代理會在作業執行期間繼續
回應其他訊息。當供應商完成時，OpenClaw 會以產生的媒體路徑喚醒
代理，讓它能透過工作階段的一般可見回覆模式告知
使用者：在已設定時自動傳送最終回覆，或在工作階段需要
訊息工具時使用 `message(action="send")`。如果請求者工作階段處於非作用中狀態，
或其作用中喚醒失敗，且完成回覆仍缺少部分產生的媒體，
OpenClaw 會傳送冪等的直接後備，只包含缺少的媒體。已由
完成回覆傳送的媒體不會再次張貼。

## 語音轉文字和 Voice Call

Deepgram、DeepInfra、ElevenLabs、Google、Groq、Mistral、OpenAI、OpenRouter、
SenseAudio 和 xAI 都可以在設定後透過批次
`tools.media.audio` 路徑轉錄傳入音訊。會針對提及閘控或命令剖析
預檢語音筆記的頻道外掛，會在傳入內容上標記已轉錄的
附件，因此共用媒體理解流程會重用該文字稿，而不是針對同一段
音訊發出第二次 STT 呼叫。

Deepgram、ElevenLabs、Mistral、OpenAI 和 xAI 也會註冊 Voice Call
串流 STT 供應商，因此即時電話音訊可以轉送給選定
廠商，而不必等待完整錄音完成。

對於即時使用者對話，請優先使用 [Talk 模式](/zh-TW/nodes/talk)。批次音訊
附件仍留在媒體路徑；瀏覽器即時通訊、原生按鍵通話、
電話和會議音訊應使用 Talk 事件，以及由閘道返回的工作階段範圍
目錄。

## 供應商對應（廠商如何拆分到各介面）

<AccordionGroup>
  <Accordion title="Google">
    圖片、影片、音樂、批次 TTS、批次 STT、後端即時語音，以及
    媒體理解介面。
  </Accordion>

  <Accordion title="OpenAI">
    圖片、影片、批次 TTS、批次 STT、Voice Call 串流 STT、後端
    即時語音，以及記憶嵌入介面。
  </Accordion>

  <Accordion title="DeepInfra">
    聊天/模型路由、圖片產生/編輯、文字轉影片、批次 TTS、
    批次 STT、圖片媒體理解，以及記憶嵌入介面。
    DeepInfra 也公開重新排序、分類、物件偵測和
    其他原生模型類型；OpenClaw 尚未針對這些
    類別提供供應商合約，因此此外掛不會註冊它們。
  </Accordion>

  <Accordion title="xAI">
    圖片、影片、搜尋、程式碼執行、批次 TTS、批次 STT，以及 Voice
    Call 串流 STT。xAI Realtime voice 是上游功能，但在共用即時語音合約能夠
    表示它之前，尚未在 OpenClaw 中註冊。
  </Accordion>
</AccordionGroup>

## 相關

* [圖片產生](/zh-TW/tools/image-generation)
* [影片產生](/zh-TW/tools/video-generation)
* [音樂產生](/zh-TW/tools/music-generation)
* [文字轉語音](/zh-TW/tools/tts)
* [媒體理解](/zh-TW/nodes/media-understanding)
* [音訊節點](/zh-TW/nodes/audio)
* [Talk 模式](/zh-TW/nodes/talk)