媒體理解

OpenClaw 可在回覆流水線執行前摘要傳入的媒體（圖片／音訊／影片），讓命令解析與路由使用簡短文字，而非原始位元組。理解功能會自動偵測本機工具或供應商金鑰，你也可以設定明確的模型。原始媒體一律會照常傳送給模型；當理解失敗或停用時，回覆流程會維持不變並繼續執行。供應商外掛會註冊能力中繼資料（哪個供應商支援哪種媒體類型、預設模型、優先順序）。OpenClaw 核心負責共用的 tools.media 設定、備援順序，以及回覆流水線整合。

運作方式

收集附件

收集依序排列的傳入媒體資訊（path、url、contentType 和 kind）。

依能力選取

對每項已啟用的能力（圖片／音訊／影片），依 attachments 政策選取附件（預設：僅第一個附件）。

選擇模型

選取第一個符合資格的模型項目（大小、能力及可用的驗證）。

失敗時備援

如果模型發生錯誤、逾時，或媒體超過 maxBytes，則嘗試下一個項目。

成功時套用

Body 會成為 [Image]、[Audio] 或 [Video] 區塊。音訊也會設定 {{Transcript}}；若有字幕文字，命令解析會使用字幕文字，否則使用逐字稿。字幕會在區塊內保留為 User text:。

設定

tools.media 包含一份標註能力的模型清單，以及少量的個別能力控制項：

{
  tools: {
    media: {
      concurrency: 2, // 同時執行能力工作的最大數量（預設）
      models: [
        { provider: "openai", model: "gpt-4o-mini-transcribe", capabilities: ["audio"] },
        { provider: "google", model: "gemini-3-flash-preview", capabilities: ["image", "video"] },
      ],
      image: { preferredModel: "google/gemini-3-flash-preview" },
      audio: { enabled: true },
      video: { enabled: true },
    },
  },
}

個別能力（image/audio/video）的鍵：

鍵	類型	預設值	備註
`enabled`	`boolean`	自動（`false` 會停用）	設定 `false` 以關閉此能力的自動偵測
`preferredModel`	`string`	第一個相容項目	優先使用 `provider/model`、模型 ID、`provider:<id>` 或 `cli:command`
`prompt`	`string`	能力預設值	當項目未覆寫提示詞時使用的預設提示詞
`maxChars`	`number`	圖片／影片為 `500`，音訊未設定	預設輸出限制
`maxBytes`	`number`	圖片 10MB、音訊 20MB、影片 50MB	預設輸入限制
`timeoutSeconds`	`number`	圖片／音訊為 `60`，影片為 `120`	預設請求逾時
`language`	`string`	未設定	音訊轉錄提示
`scope`	object	未設定	依頻道／聊天類型／來源鍵設限
`attachments`	object	`{ mode: "first", maxAttachments: 1 }`	選取要處理的相符附件
`echoTranscript`	`boolean`	`false`	僅限音訊：在代理處理前回顯逐字稿
`echoFormat`	`string`	`'📝 "{transcript}"'`	僅限音訊：回顯逐字稿的格式

提示詞、限制、語言提示、請求覆寫和供應商選項，可設為能力預設值，或在個別 tools.media.models[] 項目上覆寫。未設定明確模型時，能力預設值也適用於自動偵測到的供應商。

模型項目

每個 models[] 項目都是供應商項目（預設）或命令列介面項目：

供應商項目
命令列介面項目

{
  type: "provider", // 省略時為預設值
  provider: "openai",
  model: "gpt-5.6-sol",
  prompt: "以不超過 500 個字元描述圖片。",
  maxChars: 500,
  maxBytes: 10485760,
  timeoutSeconds: 60,
  capabilities: ["image"],
  profile: "vision-profile",
  preferredProfile: "vision-fallback",
}

{
  type: "cli",
  command: "gemini",
  args: [
    "-m",
    "gemini-3-flash",
    "--allowed-tools",
    "read_file",
    "讀取 {{AttachmentPath}} 的媒體，並以不超過 {{MaxChars}} 個字元描述。",
  ],
  maxChars: 500,
  maxBytes: 52428800,
  timeoutSeconds: 120,
  capabilities: ["video", "image"],
}

命令列介面範本也可使用 {{AttachmentUrl}}、{{AttachmentContentType}}、{{AttachmentDir}}、{{AttachmentIndex}}、{{OutputDir}}（為本次執行建立的暫存目錄）和 {{OutputBase}}（暫存檔案的基礎路徑，不含副檔名）。較舊的 {{MediaPath}}、{{MediaUrl}}、{{MediaType}} 和 {{MediaDir}} 名稱仍保留為已淘汰的相容性別名。

供應商認證資訊

供應商媒體理解功能採用與一般模型呼叫相同的驗證解析順序：驗證設定檔、環境變數，接著是 models.providers.<providerId>.apiKey。tools.media.models[] 項目不接受行內 apiKey 欄位。

{
  models: {
    providers: {
      openai: { apiKey: "<OPENAI_API_KEY>" },
      moonshot: { apiKey: "<MOONSHOT_API_KEY>" },
    },
  },
}

如需設定檔、環境變數及自訂基底 URL 的資訊，請參閱工具和自訂供應商。

規則與行為

超過 maxBytes 的媒體會略過該模型，並嘗試下一個模型。
小於 1024 位元組的音訊檔會視為空白／損毀，並在轉錄前略過；代理會改為取得確定性的預留位置逐字稿。
如果目前作用中的主要圖片模型已原生支援視覺，OpenClaw 會略過 [Image] 摘要區塊，直接將原始圖片傳入模型。MiniMax 是例外：minimax、minimax-cn、minimax-portal 和 minimax-portal-cn 一律透過外掛所擁有的 MiniMax-VL-01 媒體供應商路由圖片理解，即使舊版 MiniMax M2.x 聊天中繼資料宣稱支援圖片輸入也一樣（只有 MiniMax-M3 及更新版本會視為原生支援視覺）。
如果閘道／WebChat 的主要模型僅支援文字，圖片附件會保留為已卸載的 media://inbound/* 參照，讓圖片／PDF 工具或已設定的圖片模型仍可檢查附件，而不會遺失附件。
明確設定的 openclaw infer image describe --file <path> --model <provider/model>（別名：openclaw capability image describe）會直接執行該支援圖片的供應商／模型，包括 ollama/qwen2.5vl:7b 等 Ollama 參照，前提是在 models.providers.ollama.models[] 下設定了相符且支援圖片的模型。
如果 <capability>.enabled 不是 false，但未設定任何模型，OpenClaw 會在目前作用中的回覆模型之供應商支援該能力時嘗試使用該模型。

自動偵測（預設）

當 tools.media.<capability>.enabled 不是 false，且未設定任何模型時，OpenClaw 會依序嘗試下列選項，並在第一個可運作的選項停止：

已設定的圖片模型（僅限圖片）

agents.defaults.imageModel 主要／備援參照，但目前作用中的回覆模型已原生支援視覺時除外。優先使用 provider/model 參照；只有在相符項目唯一時，才會從已設定且支援圖片的供應商模型項目補全未限定的參照。

目前作用中的回覆模型

當目前作用中的回覆模型之供應商支援該能力時，使用該模型。

供應商驗證（僅限音訊，優先於本機命令列介面）

支援音訊的已設定 models.providers.* 項目會優先於本機命令列介面嘗試。內建供應商的優先順序（優先順序相同時，依供應商 ID 的字母順序決定）：Groq/OpenAI → xAI → Deepgram → OpenRouter → Google/SenseAudio → Deepinfra/ElevenLabs → Mistral。

本機命令列介面（僅限音訊）

已就緒的本機二進位檔會成為依序排列的備援清單：

whisper-cli 僅在目前程序中先前的模型叫用觀察到 Metal 或 CUDA 後排在第一位
預設使用 CPU 的 sherpa-onnx-offline（需要 SHERPA_ONNX_MODEL_DIR，並搭配 tokens.txt/encoder.onnx/decoder.onnx/joiner.onnx）
當加速僅具備建置支援或尚未觀察到時，使用 whisper-cli
在 Apple Silicon 上使用 parakeet-mlx（支援 MLX，尚未觀察到裝置使用情況）
whisper（Python 命令列介面；預設使用 turbo 模型，並自動下載）

後端能力檢查結果會被快取，且不會載入模型。建置能力、要求的後端旗標，以及從實際叫用觀察到的後端，會維持彼此分離。自動偵測到的 whisper.cpp 會維持啟用模型執行記錄，以便記錄上游所選後端的那一行。明確設定的命令列介面項目會保留其設定順序、後端旗標和輸出旗標。

供應商驗證（圖片／影片）

支援該能力的已設定 models.providers.* 項目會優先於內建備援順序嘗試。僅設定圖片的供應商如果具有支援圖片的模型，即使不是內建供應商外掛，也會自動註冊至媒體理解功能。內建供應商的優先順序（優先順序相同時，依供應商 ID 的字母順序決定）：

圖片：Anthropic/OpenAI → Google → MiniMax → Deepinfra → MiniMax Portal → Z.AI
影片：Google → Qwen → Moonshot

Antigravity 命令列介面（僅限圖片／影片）

使用第一個已安裝的 agy 或 antigravity 二進位檔（以 OPENCLAW_ANTIGRAVITY_CLI 覆寫），並以媒體所在目錄作為沙箱範圍。

若要停用某項能力的自動偵測：

{
  tools: {
    media: {
      audio: {
        enabled: false,
      },
    },
  },
}

在 macOS/Linux/Windows 上，二進位檔偵測採盡力而為；請確保命令列介面位於 PATH（會展開 ~），或以完整命令路徑設定明確的命令列介面模型項目。

Proxy 支援（音訊／影片供應商呼叫）

以供應商為基礎的音訊與影片理解功能會遵循標準輸出 Proxy 環境變數，包括 NO_PROXY/no_proxy 略過規則：HTTPS_PROXY、HTTP_PROXY、ALL_PROXY、https_proxy、http_proxy、all_proxy。小寫變數的優先順序高於大寫變數。如果均未設定，媒體理解功能會直接向外連線；如果 Proxy 值格式錯誤，OpenClaw 會記錄警告並改用直接擷取。圖片理解不會經過此 Proxy 路徑。

能力

在 models[] 項目上設定 capabilities，以將其限制為特定媒體類型。對於共用清單，OpenClaw 會依各內建供應商推斷預設值：

提供者	功能
`openai`, `anthropic`, `minimax`	影像
`minimax-portal`	影像
`moonshot`	影像 + 影片
`openrouter`	影像 + 音訊
`google`（Gemini API）	影像 + 音訊 + 影片
`qwen`	影像 + 影片
`deepinfra`	影像 + 音訊
`mistral`	音訊
`zai`	影像
`groq`, `xai`, `deepgram`, `senseaudio`	音訊
任何具有影像功能模型的 `models.providers.<id>.models[]` 目錄	影像

對於命令列介面項目，請明確設定 capabilities，以避免意外的比對結果；若省略，該項目將符合其出現於其中的每個功能清單。

提供者支援矩陣

功能	提供者	備註
影像	Anthropic, Codex app-server, Deepinfra, Google, MiniMax, MiniMax Portal, Moonshot, OpenAI, OpenAI Codex OAuth, OpenRouter, Qwen, Z.AI, 設定提供者	供應商外掛會註冊影像支援；`openai/` 可使用 API 金鑰或 Codex OAuth 路由；`codex/` 使用有界限的 Codex app-server 回合；支援影像的設定提供者會自動註冊。
音訊	Deepgram, Deepinfra, ElevenLabs, Google, Groq, Mistral, OpenAI, OpenRouter, SenseAudio, xAI	提供者轉錄（Whisper/Groq/xAI/Deepgram/OpenRouter STT/Gemini/SenseAudio/Scribe/Voxtral）。
影片	Google, Moonshot, Qwen	透過供應商外掛提供影片理解功能；Qwen 影片理解使用標準 DashScope 端點。

MiniMax 備註：minimax、minimax-cn、minimax-portal 和 minimax-portal-cn 的影像理解一律來自外掛所擁有的 MiniMax-VL-01 媒體提供者，即使舊版 MiniMax M2.x 聊天中繼資料聲稱支援影像輸入亦然。

模型選擇指南

當品質與安全性至關重要時，請為各項媒體功能優先選用目前最強的新一代模型。
對於處理不受信任輸入且啟用工具的代理程式，請避免使用較舊或較弱的媒體模型。
每項功能至少保留一個後援模型，以確保可用性（高品質模型 + 較快或較便宜的模型）。
當提供者 API 無法使用時，命令列介面後援（whisper-cli、whisper、gemini）可提供協助。
已知的檔案輸出模式具有決定性：若推斷出的逐字稿檔案為空或不存在，則不會產生逐字稿，而不會退回使用命令列介面的進度輸出。
parakeet-mlx：搭配 --output-dir 和預設的 {filename} 輸出範本使用 --output-format txt（或 all）。上游的 PARAKEET_OUTPUT_FORMAT 和 PARAKEET_OUTPUT_TEMPLATE 環境變數也會受到支援。OpenClaw 會讀取 <output-dir>/<media-basename>.txt；預設的 srt 格式、其他格式及自訂輸出範本仍會使用標準輸出。

附件政策

各功能的 attachments 控制要處理哪些附件：

"first" | "all"

預設值:"first"

僅處理第一個選取的附件，或處理所有附件。

number

預設值:"1"

限制處理數量。

"first" | "last" | "path" | "url"

候選附件之間的選取偏好。

當 mode: "all" 時，輸出會標示為 [Image 1/2]、[Audio 2/2] 等。

檔案附件擷取

擷取出的檔案文字會先包裝為不受信任的外部內容，再附加至媒體提示詞；包裝會使用 <<<EXTERNAL_UNTRUSTED_CONTENT id="...">>> / <<<END_EXTERNAL_UNTRUSTED_CONTENT id="...">>> 等邊界標記，並加上一行 Source: External 中繼資料。
此路徑刻意省略較長的 SECURITY NOTICE: 橫幅，以保持媒體提示詞簡短；邊界標記和中繼資料仍會套用。
無法擷取任何文字的檔案會得到 [No extractable text]。
如果 PDF 退回使用轉譯後的頁面影像，OpenClaw 會將這些影像轉送至具視覺功能的回覆模型，並在檔案區塊中保留預留位置 [PDF content rendered to images]。

設定範例

共用模型 + 覆寫
僅音訊 + 影片
僅影像
單一多模態項目

{
  tools: {
    media: {
      models: [
        { provider: "openai", model: "gpt-5.6-sol", capabilities: ["image"] },
        {
          provider: "google",
          model: "gemini-3-flash-preview",
          capabilities: ["image", "audio", "video"],
        },
        {
          type: "cli",
          command: "gemini",
          args: [
            "-m",
            "gemini-3-flash",
            "--allowed-tools",
            "read_file",
            "讀取位於 {{AttachmentPath}} 的媒體，並用不超過 {{MaxChars}} 個字元描述它。",
          ],
          capabilities: ["image", "video"],
        },
      ],
      audio: {
        attachments: { mode: "all", maxAttachments: 2 },
      },
      video: {
        maxChars: 500,
      },
    },
  },
}

{
  tools: {
    media: {
      audio: {
        enabled: true,
        models: [
          { provider: "openai", model: "gpt-4o-mini-transcribe" },
          {
            type: "cli",
            command: "whisper",
            args: ["--model", "base", "{{AttachmentPath}}"],
          },
        ],
      },
      video: {
        enabled: true,
        maxChars: 500,
        models: [
          { provider: "google", model: "gemini-3-flash-preview" },
          {
            type: "cli",
            command: "gemini",
            args: [
              "-m",
              "gemini-3-flash",
              "--allowed-tools",
              "read_file",
              "讀取位於 {{AttachmentPath}} 的媒體，並用不超過 {{MaxChars}} 個字元描述它。",
            ],
          },
        ],
      },
    },
  },
}

{
  tools: {
    media: {
      image: {
        enabled: true,
        maxBytes: 10485760,
        maxChars: 500,
        models: [
          { provider: "openai", model: "gpt-5.6-sol" },
          { provider: "anthropic", model: "claude-opus-5" },
          {
            type: "cli",
            command: "gemini",
            args: [
              "-m",
              "gemini-3-flash",
              "--allowed-tools",
              "read_file",
              "讀取位於 {{AttachmentPath}} 的媒體，並用不超過 {{MaxChars}} 個字元描述它。",
            ],
          },
        ],
      },
    },
  },
}

{
  tools: {
    media: {
      image: {
        models: [
          {
            provider: "google",
            model: "gemini-3.1-pro-preview",
            capabilities: ["image", "video", "audio"],
          },
        ],
      },
      audio: {
        models: [
          {
            provider: "google",
            model: "gemini-3.1-pro-preview",
            capabilities: ["image", "video", "audio"],
          },
        ],
      },
      video: {
        models: [
          {
            provider: "google",
            model: "gemini-3.1-pro-preview",
            capabilities: ["image", "video", "audio"],
          },
        ],
      },
    },
  },
}

狀態輸出

媒體理解執行時，/status 會包含每項功能的摘要行：

📎 媒體：影像成功（openai/gpt-5.6-sol）· 音訊成功（whisper-cli observed=metal）

若要執行預檢清查，請執行 openclaw capability audio providers。本機資料列會將本機後援勝出項目，與全域提供者選擇、就緒狀態，以及各自獨立的可支援／已要求／已觀察後端欄位分開顯示。相同的本機選擇也會以資訊性 doctor 發現項目的形式提供：

openclaw doctor --lint --only core/doctor/local-audio-acceleration --severity-min info

備註

理解功能採盡力而為。錯誤不會阻止回覆。
即使理解功能已停用，附件仍會傳遞給模型。
使用 scope 限制理解功能的執行位置（例如僅限私訊）。

Gateway

Remote access

Security

Nodes and media

Web interfaces

運作方式

設定

模型項目

供應商認證資訊

規則與行為

自動偵測（預設）

Proxy 支援（音訊／影片供應商呼叫）

能力

提供者支援矩陣

模型選擇指南

附件政策

檔案附件擷取

設定範例

狀態輸出

備註

相關內容

​運作方式

​設定

​模型項目

​供應商認證資訊

​規則與行為

​自動偵測（預設）

​Proxy 支援（音訊／影片供應商呼叫）

​能力

​提供者支援矩陣

​模型選擇指南

​附件政策

​檔案附件擷取

​設定範例

​狀態輸出

​備註

​相關內容

運作方式

設定

模型項目

供應商認證資訊

規則與行為

自動偵測（預設）

Proxy 支援（音訊／影片供應商呼叫）

能力

提供者支援矩陣

模型選擇指南

附件政策

檔案附件擷取

設定範例

狀態輸出

備註

相關內容