realtime、本地或流式 stt-tts，以及用于仅观察式语音采集的 transcription。这些模式与电话、会议、浏览器实时和原生按住说话客户端共享提供商目录、事件封装和取消语义。
功能
图像生成
通过文本提示或参考图像，使用
image_generate 创建和编辑图像。聊天会话中异步运行——在后台运行，并在准备好时发布结果。视频生成
通过
video_generate 实现文生视频、图生视频和视频转视频。
异步——在后台运行，并在准备好时发布结果。音乐生成
通过
music_generate 生成音乐或音轨。聊天会话中异步运行，使用共享的媒体生成任务生命周期。文本转语音
通过
tts 工具以及 tts 配置将对外回复转换为语音音频。同步。媒体理解
使用具备视觉能力的模型提供商和专用媒体理解插件，对传入的图像、音频和视频进行摘要。
语音转文本
通过批量 STT 或语音通话流式 STT 提供商转录传入的语音消息。
媒体播放
在控制界面和原生应用中以内嵌方式播放助手的音频和视频，并提供受管理的访问权限和便携式播放版本。
提供商能力矩阵
此表涵盖专用的媒体生成、TTS 和 STT 插件。许多聊天模型提供商（Anthropic、Google、OpenAI 等）也能通过其回复模型理解传入媒体；请参阅 媒体理解 中的完整提供商列表。
这里的 实时语音 指的是提供商原生的双向实时能力（Talk
realtime 模式，例如 Gemini Live 或 OpenAI Realtime API）——目前只有 Google 和 OpenAI 注册了这一能力。Deepgram、ElevenLabs、Mistral、OpenAI 和 xAI 另外注册了语音通话流式 STT（单向音频转文本）；请参阅下方 语音转文本和语音通话。
xAI 实时语音是上游能力，但在共享的 realtime-voice 合同能够表示它之前，尚未在 OpenClaw 中注册。异步与同步
对于异步工具，OpenClaw 会将请求提交给提供商，立即返回一个任务 id，并在任务账本中跟踪该作业。代理在作业运行期间继续响应其他消息。当提供商完成后，OpenClaw 会用生成的媒体路径唤醒代理，以便它可以通过会话的正常可见回复模式告知用户：如果已配置，则自动发送最终回复；如果会话需要消息工具，则使用
message(action="send")。如果请求者会话处于非活动状态，或者其活动唤醒失败，并且完成回复中仍缺少某些生成的媒体，OpenClaw 会仅针对缺失的媒体发送幂等的直接回退。已由完成回复发送过的媒体不会再次发布。
语音转文字和语音通话
Deepgram、DeepInfra、ElevenLabs、Google、Groq、Mistral、OpenAI、OpenRouter、 SenseAudio 和 xAI 在完成配置后，都可以通过批处理tools.media.audio 路径转录传入的音频。会在提及门控或命令解析前预检查语音消息的频道插件，会在传入上下文中标记已转录的附件，使共享的媒体理解流程能够复用该转录结果，而无需对同一音频再次发起 STT 调用。
Deepgram、ElevenLabs、Mistral、OpenAI 和 xAI 还会注册语音通话
流式 STT 提供商，因此实时通话音频可以转发给所选的
提供商，无需等待录音结束。
对于实时用户对话，优先使用 通话模式。批量音频附件仍然通过媒体路径处理；浏览器实时音频、原生按住说话、电话和会议音频应使用 Talk 事件以及 Gateway 返回的会话作用域目录。
供应商映射（各供应商如何分布到不同表面）
Google
图片、视频、音乐、批量 TTS、批量 STT、后端实时语音，以及
媒体理解表面。
OpenAI
OpenAI
图像、视频、批量 TTS、批量 STT、Voice Call 流式 STT、后端
实时语音，以及记忆嵌入相关能力。
DeepInfra
DeepInfra
聊天/模型路由、图像生成/编辑、文本转视频、批量 TTS、
批量 STT、图像媒体理解，以及记忆嵌入表面。
DeepInfra 还暴露了 reranking、classification、object-detection，以及
其他原生模型类型；OpenClaw 目前尚未为这些类别提供供应商合约，
因此此插件不会注册它们。
xAI
xAI
图像、视频、搜索、代码执行、批量 TTS、批量 STT，以及 Voice
Call 流式 STT。xAI Realtime 语音是上游能力，但在共享实时语音合约能够表示它之前，
不会在 OpenClaw 中注册。