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、瀏覽器即時通訊及原生按住說話用戶端共用
供應商目錄、事件封套與取消語意。
功能
圖片生成
透過
image_generate，依據文字提示或參考圖片建立及編輯圖片。
在聊天工作階段中採非同步處理——於背景執行，並在準備完成後
發布結果。影片生成
透過
video_generate 進行文字轉影片、圖片轉影片及影片轉影片。
採非同步處理——於背景執行，並在準備完成後發布結果。音樂生成
透過
music_generate 生成音樂或音軌。在聊天
工作階段中，使用共用的媒體生成任務生命週期進行非同步處理。文字轉語音
透過
tts 工具與 tts 設定，
將傳出的回覆轉換為語音。採同步處理。媒體理解
使用具備視覺能力的模型供應商及專用媒體理解外掛，
摘要傳入的圖片、音訊與影片。
語音轉文字
透過批次 STT 或 Voice Call 串流 STT 供應商，
轉錄傳入的語音訊息。
供應商功能矩陣
此表涵蓋專用的媒體生成、TTS 與 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
理解傳入的媒體；完整供應商清單請參閱
媒體理解。
此處的即時語音是指供應商原生的雙向即時通訊（Talk
realtime 模式，例如 Gemini Live 或 OpenAI Realtime API）——目前只有 Google
與 OpenAI 註冊此功能。Deepgram、ElevenLabs、Mistral、OpenAI 與 xAI
另行註冊 Voice Call 串流 STT（單向音訊轉文字）；請參閱下方的
語音轉文字與 Voice Call。
xAI 即時語音是上游功能，但在共用即時語音合約能夠表示它之前，
不會在 OpenClaw 中註冊。非同步與同步
對於非同步工具，OpenClaw 會將請求提交給供應商、立即傳回任務
ID，並在任務帳本中追蹤工作。工作執行期間，代理程式會繼續
回應其他訊息。供應商完成後，OpenClaw 會使用生成的媒體路徑喚醒代理程式，
讓代理程式透過工作階段的一般可見回覆模式通知
使用者：若已設定，則自動傳送最終回覆；若工作階段要求使用
訊息工具，則使用
message(action="send")。如果發出請求的工作階段處於非作用中狀態，
或其主動喚醒失敗，而且完成回覆中仍缺少部分生成的媒體，
OpenClaw 會以冪等方式直接傳送備援回覆，其中只包含缺少的媒體。已由
完成回覆傳送的媒體不會再次發布。
語音轉文字與 Voice Call
設定後，Deepgram、DeepInfra、ElevenLabs、Google、Groq、Mistral、OpenAI、OpenRouter、 SenseAudio 與 xAI 都能透過批次tools.media.audio 路徑
轉錄傳入的音訊。為了執行提及閘控或命令剖析而預先檢查
語音留言的頻道外掛，會在傳入內容中標記已轉錄的
附件，讓共用媒體理解階段重複使用該逐字稿，而不會對同一段
音訊進行第二次 STT 呼叫。
Deepgram、ElevenLabs、Mistral、OpenAI 與 xAI 也會註冊 Voice Call
串流 STT 供應商，因此即時電話音訊可直接轉送給所選
供應商，而不必等待錄音完成。
即時使用者對話建議使用 Talk 模式。批次音訊
附件仍使用媒體路徑；瀏覽器即時通訊、原生按住說話、
電話及會議音訊應使用 Talk 事件，以及閘道傳回的工作階段範圍
目錄。
供應商對應關係（供應商如何分布於各介面）
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。
OpenAI
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。
DeepInfra
DeepInfra
聊天／模型路由、圖片生成／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 也提供重新排序、分類、物件偵測及
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這些類型。
xAI
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 即時語音是上游功能，但在共用即時語音合約
能夠表示它之前，不會在 OpenClaw 中註冊。