媒体能力总览：图片、视频、音乐、语音和理解
OpenClaw 不只会聊天。配置好提供商后，它可以生成图片、视频、音乐，把文字转成语音，也可以理解用户发来的图片、音频和视频。
Live speech 走 Talk，不走一次性媒体工具
实时语音对话请优先看 Talk Mode。
Talk 有三种模式：provider-native realtime、本地或流式 stt-tts、只转写不回答的 transcription。 这些模式和电话、会议、浏览器实时语音、原生 push-to-talk 共用 Talk event 和 session 语义。
能力地图
| 能力 | 工具或页面 | 说明 |
|---|---|---|
| 图片生成 | Image Generation | 文字生成图、参考图编辑 |
| 视频生成 | Video Generation | 异步生成视频 |
| 音乐生成 | Music Generation | 生成音乐或音频 |
| 文字转语音 | TTS | 把回复变成语音 |
| 媒体理解 | 媒体理解 | 理解图片、音频、视频 |
| 语音输入 | 节点音频 | 语音识别和音频输入 |
| 实时语音对话 | Talk Mode | 浏览器 realtime、原生 push-to-talk、transcription |
同步和异步
| 能力 | 通常模式 |
|---|---|
| 图片生成 | 同步 |
| TTS | 同步 |
| 视频生成 | 异步任务 |
| 音乐生成 | 多数为异步任务 |
异步任务会先返回 task id，完成后再唤醒会话。
配置原则
- 先只开一种能力。
- 先用低成本模型测试。
- 群聊里谨慎开启自动媒体输出。
- 生成视频和音乐要注意费用。
- 入站媒体理解要注意隐私。
新手路线
推荐顺序：
- 先配置普通聊天模型。
- 再配置图片理解或 PDF。
- 再尝试图片生成。
- 最后再开视频、音乐和 TTS。
- 如果要做实时语音对话，走 Talk Mode，不要把它当普通音频附件处理。
一步一步来，出问题好排查。