Skip to main content
OpenClaw tạo hình ảnh, video và nhạc, hiểu phương tiện đầu vào (hình ảnh, âm thanh, video) và đọc thành tiếng các phản hồi bằng công nghệ chuyển văn bản thành giọng nói. Mọi khả năng phương tiện đều do công cụ điều khiển: tác tử quyết định thời điểm sử dụng dựa trên cuộc hội thoại, và mỗi công cụ chỉ xuất hiện khi có ít nhất một nhà cung cấp hỗ trợ được cấu hình. Giọng nói trực tiếp sử dụng hợp đồng phiên Talk thay vì đường dẫn công cụ phương tiện dùng một lần. Talk có ba chế độ: realtime gốc của nhà cung cấp, stt-tts cục bộ hoặc phát trực tuyến và transcription để chỉ quan sát việc thu nhận giọng nói. Các chế độ này dùng chung danh mục nhà cung cấp, phong bì sự kiện và ngữ nghĩa hủy với điện thoại, cuộc họp, thời gian thực trên trình duyệt và các ứng dụng khách nhấn để nói gốc.

​
Khả năng

Tạo hình ảnh

Tạo và chỉnh sửa hình ảnh từ lời nhắc văn bản hoặc hình ảnh tham chiếu qua image_generate. Bất đồng bộ trong phiên trò chuyện — chạy trong nền và đăng kết quả khi sẵn sàng.

Tạo video

Chuyển văn bản thành video, hình ảnh thành video và video thành video qua video_generate. Bất đồng bộ — chạy trong nền và đăng kết quả khi sẵn sàng.

Tạo nhạc

Tạo nhạc hoặc bản âm thanh qua music_generate. Bất đồng bộ trong các phiên trò chuyện theo vòng đời tác vụ tạo phương tiện dùng chung.

Chuyển văn bản thành giọng nói

Chuyển đổi phản hồi đầu ra thành âm thanh giọng nói qua công cụ tts cùng với cấu hình messages.tts. Đồng bộ.

Hiểu phương tiện

Tóm tắt hình ảnh, âm thanh và video đầu vào bằng các nhà cung cấp mô hình hỗ trợ thị giác và các plugin chuyên dụng để hiểu phương tiện.

Chuyển giọng nói thành văn bản

Phiên âm tin nhắn thoại đầu vào thông qua các nhà cung cấp STT theo lô hoặc STT phát trực tuyến cho Cuộc gọi thoại.

​
Ma trận khả năng của nhà cung cấp

Bảng này bao gồm các plugin chuyên dụng cho tạo phương tiện, TTS và STT. Nhiều nhà cung cấp mô hình trò chuyện (Anthropic, Google, OpenAI và các nhà cung cấp khác) cũng hiểu phương tiện đầu vào thông qua mô hình phản hồi của họ; xem danh sách đầy đủ các nhà cung cấp tại Hiểu phương tiện.
Giọng nói thời gian thực ở đây có nghĩa là thời gian thực hai chiều gốc của nhà cung cấp (chế độ realtime của Talk, ví dụ Gemini Live hoặc OpenAI Realtime API) — hiện chỉ Google và OpenAI đăng ký khả năng này. Deepgram, ElevenLabs, Mistral, OpenAI và xAI đăng ký riêng STT phát trực tuyến cho Cuộc gọi thoại (âm thanh một chiều thành văn bản); xem Chuyển giọng nói thành văn bản và Cuộc gọi thoại bên dưới. Giọng nói thời gian thực của xAI là một khả năng từ thượng nguồn nhưng chưa được đăng ký trong OpenClaw cho đến khi hợp đồng giọng nói thời gian thực dùng chung có thể biểu diễn khả năng đó.

​
Bất đồng bộ và đồng bộ

Đối với công cụ bất đồng bộ, OpenClaw gửi yêu cầu đến nhà cung cấp, trả về ngay mã tác vụ và theo dõi công việc trong sổ cái tác vụ. Tác tử tiếp tục phản hồi các tin nhắn khác trong khi công việc đang chạy. Khi nhà cung cấp hoàn tất, OpenClaw đánh thức tác tử với các đường dẫn phương tiện đã tạo để tác tử có thể thông báo cho người dùng qua chế độ phản hồi hiển thị thông thường của phiên: tự động gửi phản hồi cuối cùng khi được cấu hình, hoặc message(action="send") khi phiên yêu cầu công cụ tin nhắn. Nếu phiên của bên yêu cầu không hoạt động hoặc lần đánh thức đang hoạt động thất bại, và một số phương tiện đã tạo vẫn còn thiếu trong phản hồi hoàn tất, OpenClaw gửi một phương án dự phòng trực tiếp có tính lũy đẳng chỉ chứa phương tiện còn thiếu. Phương tiện đã được gửi qua phản hồi hoàn tất sẽ không được đăng lại.

​
Chuyển giọng nói thành văn bản và Cuộc gọi thoại

Deepgram, DeepInfra, ElevenLabs, Google, Groq, Mistral, OpenAI, OpenRouter, SenseAudio và xAI đều có thể phiên âm âm thanh đầu vào thông qua đường dẫn theo lô tools.media.audio khi được cấu hình. Các plugin kênh kiểm tra trước ghi chú thoại để kiểm soát việc đề cập hoặc phân tích cú pháp lệnh sẽ đánh dấu tệp đính kèm đã phiên âm trên ngữ cảnh đầu vào, nhờ đó lượt hiểu phương tiện dùng chung tái sử dụng bản phiên âm đó thay vì thực hiện lệnh gọi STT thứ hai cho cùng âm thanh. Deepgram, ElevenLabs, Mistral, OpenAI và xAI cũng đăng ký các nhà cung cấp STT phát trực tuyến cho Cuộc gọi thoại, nhờ đó âm thanh điện thoại trực tiếp có thể được chuyển tiếp đến nhà cung cấp đã chọn mà không cần chờ bản ghi hoàn tất. Đối với các cuộc hội thoại trực tiếp với người dùng, hãy ưu tiên chế độ Talk. Tệp đính kèm âm thanh theo lô vẫn đi theo đường dẫn phương tiện; âm thanh thời gian thực trên trình duyệt, nhấn để nói gốc, điện thoại và cuộc họp nên sử dụng các sự kiện Talk cùng danh mục theo phạm vi phiên do Gateway trả về.

​
Ánh xạ nhà cung cấp (cách các nhà cung cấp phân chia giữa các bề mặt)

Các bề mặt hình ảnh, video, nhạc, TTS theo lô, STT theo lô, giọng nói thời gian thực ở phía máy chủ và hiểu phương tiện.
Các bề mặt hình ảnh, video, TTS theo lô, STT theo lô, STT phát trực tuyến cho Cuộc gọi thoại, giọng nói thời gian thực ở phía máy chủ và nhúng bộ nhớ.
Các bề mặt định tuyến trò chuyện/mô hình, tạo/chỉnh sửa hình ảnh, chuyển văn bản thành video, TTS theo lô, STT theo lô, hiểu phương tiện hình ảnh và nhúng bộ nhớ. DeepInfra cũng cung cấp xếp hạng lại, phân loại, phát hiện đối tượng và các loại mô hình gốc khác; OpenClaw chưa có hợp đồng nhà cung cấp cho những danh mục đó, vì vậy plugin này không đăng ký chúng.
Hình ảnh, video, tìm kiếm, thực thi mã, TTS theo lô, STT theo lô và STT phát trực tuyến cho Cuộc gọi thoại. Giọng nói thời gian thực của xAI là một khả năng từ thượng nguồn nhưng chưa được đăng ký trong OpenClaw cho đến khi hợp đồng giọng nói thời gian thực dùng chung có thể biểu diễn khả năng đó.

​
Liên quan