Tools

تولید ویدئو

عامل‌های OpenClaw از طریق video_generate و بر اساس درخواست‌های متنی، تصاویر مرجع یا ویدیوهای موجود، ویدیو تولید می‌کنند. شانزده بک‌اند ارائه‌دهنده پشتیبانی می‌شوند؛ عامل بر اساس پیکربندی و کلیدهای API موجود، به‌طور خودکار گزینه مناسب را انتخاب می‌کند.

video_generate سه حالت زمان اجرا دارد که بر اساس ورودی‌های مرجع در فراخوانی تعیین می‌شوند:

generate - بدون رسانه مرجع (متن به ویدیو).
imageToVideo - یک یا چند تصویر مرجع.
videoToVideo - یک یا چند ویدیوی مرجع.

ارائه‌دهندگان می‌توانند از هر زیرمجموعه‌ای از این حالت‌ها پشتیبانی کنند. ابزار پیش از ارسال، حالت فعال را اعتبارسنجی می‌کند و حالت‌های پشتیبانی‌شده را در action=list گزارش می‌دهد.

شروع سریع

پیکربندی احراز هویت

برای هر ارائه‌دهنده پشتیبانی‌شده یک کلید API تنظیم کنید:

bash

export GEMINI_API_KEY="your-key"

انتخاب مدل پیش‌فرض (اختیاری)

bash

openclaw config set agents.defaults.videoGenerationModel.primary "google/veo-3.1-fast-generate-preview"

درخواست از عامل

یک ویدیوی سینمایی ۵ ثانیه‌ای از یک شاه‌میگوی دوست‌داشتنی در حال موج‌سواری هنگام غروب تولید کن.

عامل به‌طور خودکار video_generate را فراخوانی می‌کند. نیازی به افزودن ابزار به فهرست مجاز نیست.

سازوکار تولید ناهمگام

تولید ویدیو ناهمگام است:

OpenClaw درخواست را به ارائه‌دهنده ارسال می‌کند و بلافاصله یک شناسه وظیفه برمی‌گرداند.
ارائه‌دهنده کار را در پس‌زمینه پردازش می‌کند (معمولاً بسته به ارائه‌دهنده و وضوح، از ۳۰ ثانیه تا چند دقیقه؛ ارائه‌دهندگان کندی که از صف استفاده می‌کنند ممکن است تا مهلت زمانی پیکربندی‌شده اجرا شوند).
وقتی ویدیو آماده شد، OpenClaw همان نشست را با یک رویداد تکمیل داخلی بیدار می‌کند.
عامل آن را از طریق حالت عادی پاسخ قابل‌مشاهده نشست گزارش می‌کند: پاسخ نهایی خودکار، یا message(action="send") هنگامی که نشست به ابزار پیام نیاز دارد. اگر نشست درخواست‌کننده غیرفعال باشد، یا بیدارسازی آن ناموفق شود و رسانه تولیدشده همچنان در پاسخ تکمیل موجود نباشد، OpenClaw یک پاسخ جایگزین مستقیم و هم‌توان همراه با رسانه ارسال می‌کند.

هنگامی که کاری در حال اجرا است، فراخوانی‌های تکراری video_generate در همان نشست، به‌جای آغاز تولیدی دیگر، وضعیت فعلی وظیفه را برمی‌گردانند. برای بررسی بدون راه‌اندازی تولید جدید، از action: "status" یا از openclaw tasks list / openclaw tasks show <lookup> در CLI استفاده کنید (به وظایف پس‌زمینه مراجعه کنید).

خارج از اجرای عامل‌های متکی به نشست (برای مثال، فراخوانی مستقیم ابزار)، ابزار از تولید درون‌خطی استفاده می‌کند و مسیر نهایی رسانه را در همان نوبت برمی‌گرداند.

هنگامی که ارائه‌دهنده بایت‌ها را برمی‌گرداند، فایل‌های ویدیویی تولیدشده در فضای ذخیره‌سازی رسانه تحت مدیریت OpenClaw ذخیره می‌شوند. سقف پیش‌فرض ۱۶ مگابایت است (محدودیت مشترک رسانه ویدیویی)؛ agents.defaults.mediaMaxMb این سقف را برای خروجی‌های بزرگ‌تر افزایش می‌دهد. اگر ارائه‌دهنده یک نشانی اینترنتی میزبانی‌شده خروجی را نیز برگرداند و ماندگاری محلی فایل بیش‌ازحد بزرگ را رد کند، OpenClaw به‌جای ناموفق‌کردن وظیفه، آن نشانی اینترنتی را تحویل می‌دهد.

چرخه عمر وظیفه

وضعیت	معنا
`queued`	وظیفه ایجاد شده و منتظر پذیرش آن از سوی ارائه‌دهنده است.
`running`	ارائه‌دهنده در حال پردازش است (معمولاً بسته به ارائه‌دهنده و وضوح، از ۳۰ ثانیه تا چند دقیقه).
`succeeded`	ویدیو آماده است؛ عامل بیدار می‌شود و آن را در گفتگو ارسال می‌کند.
`failed`	خطای ارائه‌دهنده یا پایان مهلت زمانی؛ عامل با جزئیات خطا بیدار می‌شود.

وضعیت را از CLI بررسی کنید:

bash

openclaw tasks listopenclaw tasks show <lookup>openclaw tasks cancel <lookup>

ارائه‌دهندگان پشتیبانی‌شده

ارائه‌دهنده	مدل پیش‌فرض	متن	مرجع تصویر	مرجع ویدیو	احراز هویت
Alibaba	`wan2.6-t2v`	✓	بله (نشانی اینترنتی راه‌دور)	بله (نشانی اینترنتی راه‌دور)	`MODELSTUDIO_API_KEY`
BytePlus (1.0)	`seedance-1-0-pro-250528`	✓	حداکثر ۲ تصویر (فقط مدل‌های I2V؛ فریم اول و آخر)	-	`BYTEPLUS_API_KEY`
BytePlus Seedance 1.5	`seedance-1-5-pro-251215`	✓	حداکثر ۲ تصویر (فریم اول و آخر از طریق نقش)	-	`BYTEPLUS_API_KEY`
BytePlus Seedance 2.0	`dreamina-seedance-2-0-260128`	✓	حداکثر ۹ تصویر مرجع	حداکثر ۳ ویدیو	`BYTEPLUS_API_KEY`
ComfyUI	`workflow`	✓	۱ تصویر	-	`COMFY_API_KEY` یا `COMFY_CLOUD_API_KEY`
DeepInfra	`Pixverse/Pixverse-T2V`	✓	-	-	`DEEPINFRA_API_KEY`
fal	`fal-ai/minimax/video-01-live`	✓	۱ تصویر؛ با تبدیل مرجع Seedance به ویدیو، حداکثر ۹ تصویر	با تبدیل مرجع Seedance به ویدیو، حداکثر ۳ ویدیو	`FAL_KEY`
Google	`veo-3.1-fast-generate-preview`	✓	۱ تصویر	۱ ویدیو	`GEMINI_API_KEY`
MiniMax	`MiniMax-Hailuo-2.3`	✓	۱ تصویر	-	`MINIMAX_API_KEY` یا OAuth متعلق به MiniMax
OpenAI	`sora-2`	✓	۱ تصویر	۱ ویدیو	`OPENAI_API_KEY`
OpenRouter	`google/veo-3.1-fast`	✓	حداکثر ۴ تصویر (فریم اول/آخر یا مراجع)	-	`OPENROUTER_API_KEY`
Qwen	`wan2.6-t2v`	✓	بله (نشانی اینترنتی راه‌دور)	بله (نشانی اینترنتی راه‌دور)	`QWEN_API_KEY`
Runway	`gen4.5`	✓	۱ تصویر	۱ ویدیو	`RUNWAYML_API_SECRET`
Together	`Wan-AI/Wan2.2-T2V-A14B`	✓	فقط `Wan-AI/Wan2.2-I2V-A14B`	-	`TOGETHER_API_KEY`
Vydra	`veo3`	✓	۱ تصویر (`kling`)	-	`VYDRA_API_KEY`
xAI	`grok-imagine-video`	✓	کلاسیک: ۱ فریم نخست یا ۷ مرجع؛ ۱.۵: ۱ فریم	کلاسیک: ۱ ویدیو	`XAI_API_KEY`

برخی ارائه‌دهندگان متغیرهای محیطی کلید API اضافی یا جایگزین را می‌پذیرند. برای جزئیات به صفحه‌های هر ارائه‌دهنده مراجعه کنید.

برای بررسی ارائه‌دهندگان، مدل‌ها و حالت‌های زمان اجرای موجود در زمان اجرا، video_generate action=list را اجرا کنید.

ماتریس قابلیت‌ها

قرارداد صریح حالت که توسط video_generate، آزمون‌های قرارداد و پویش زنده مشترک استفاده می‌شود:

ارائه‌دهنده	`generate`	`imageToVideo`	`videoToVideo`	مسیرهای زنده مشترک امروز
Alibaba	✓	✓	✓	`generate`، `imageToVideo`؛ `videoToVideo` رد می‌شود، زیرا این ارائه‌دهنده به نشانی‌های اینترنتی راه‌دور ویدیو با `http(s)` نیاز دارد
BytePlus	✓	✓	-	`generate`، `imageToVideo`
ComfyUI	✓	✓	-	در پویش مشترک نیست؛ پوشش ویژه گردش‌کار در آزمون‌های Comfy قرار دارد
DeepInfra	✓	-	-	`generate`؛ طرح‌واره‌های بومی ویدیوی DeepInfra در قرارداد Plugin از نوع متن به ویدیو هستند
fal	✓	✓	✓	`generate`، `imageToVideo`؛ `videoToVideo` فقط هنگام استفاده از تبدیل مرجع Seedance به ویدیو
Google	✓	✓	✓	`generate`، `imageToVideo`؛ `videoToVideo` مشترک رد می‌شود، زیرا پویش فعلی Gemini/Veo مبتنی بر بافر این ورودی را نمی‌پذیرد
MiniMax	✓	✓	-	`generate`، `imageToVideo`
OpenAI	✓	✓	✓	`generate`، `imageToVideo`؛ `videoToVideo` مشترک رد می‌شود، زیرا این مسیر سازمان/ورودی در حال حاضر به دسترسی ویرایش ویدیو در سمت ارائه‌دهنده نیاز دارد
OpenRouter	✓	✓	-	`generate`، `imageToVideo`
Qwen	✓	✓	✓	`generate`، `imageToVideo`؛ `videoToVideo` رد می‌شود، زیرا این ارائه‌دهنده به نشانی‌های اینترنتی راه‌دور ویدیو با `http(s)` نیاز دارد
Runway	✓	✓	✓	`generate`، `imageToVideo`؛ `videoToVideo` فقط زمانی اجرا می‌شود که مدل انتخاب‌شده `runway/gen4_aleph` باشد
Together	✓	✓	-	`generate`، `imageToVideo`
Vydra	✓	✓	-	`generate`؛ `imageToVideo` مشترک رد می‌شود، زیرا `veo3` همراه فقط متنی است و `kling` همراه به نشانی اینترنتی راه‌دور تصویر نیاز دارد
xAI	✓	✓	✓	نسخه کلاسیک از همه حالت‌ها پشتیبانی می‌کند؛ Video 1.5 فقط تصویر به ویدیو است؛ ورودی راه‌دور MP4، `videoToVideo` را از پویش مشترک خارج نگه می‌دارد

پارامترهای ابزار

الزامی

promptstringrequired

توضیح متنی ویدیویی که باید تولید شود. برای action: "generate" الزامی است.

ورودی‌های محتوا

imagestring

imagesstring[]

imageRolesstring[]

راهنمای اختیاری نقش برای هر موقعیت، متناظر با فهرست ترکیبی تصاویر. مقادیر متعارف: first_frame، last_frame، reference_image.

videostring

videosstring[]

videoRolesstring[]

راهنمای اختیاری نقش برای هر موقعیت، متناظر با فهرست ترکیبی ویدیوها. مقدار متعارف: reference_video.

audioRefstring

یک صدای مرجع (مسیر یا URL). هنگامی که ارائه‌دهنده از ورودی‌های صوتی پشتیبانی کند، برای موسیقی پس‌زمینه یا مرجع صدا استفاده می‌شود.

audioRefsstring[]

audioRolesstring[]

راهنمای اختیاری نقش برای هر موقعیت، متناظر با فهرست ترکیبی صداها. مقدار متعارف: reference_audio.

Note

راهنماهای نقش بدون تغییر به ارائه‌دهنده ارسال می‌شوند. مقادیر متعارف از اجتماع VideoGenerationAssetRole می‌آیند، اما ارائه‌دهندگان ممکن است رشته‌های نقش دیگری را نیز بپذیرند. آرایه‌های *Roles نباید بیش از فهرست مرجع متناظر ورودی داشته باشند؛ خطاهای یک‌واحدی با پیامی روشن ناموفق می‌شوند. برای تنظیم‌نشده باقی گذاشتن یک جایگاه، از رشتهٔ خالی استفاده کنید. برای xAI، نقش همهٔ تصاویر را روی reference_image تنظیم کنید تا از حالت تولید reference_images آن استفاده شود؛ برای تبدیل یک تصویر به ویدیو، نقش را حذف کنید یا از first_frame استفاده کنید.

کنترل‌های سبک

aspectRatiostring

راهنمای نسبت تصویر، مانند 1:1، 16:9، 9:16، adaptive یا مقداری مختص ارائه‌دهنده. OpenClaw مقادیر پشتیبانی‌نشده را متناسب با هر ارائه‌دهنده نرمال‌سازی یا نادیده می‌گیرد.

OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InJlc29sdXRpb24iIHR5cGU9InN0cmluZyI راهنمای وضوح، مانند 360P، 480P، 540P، 720P، 768P، 1080P، 4K یا مقداری مختص ارائه‌دهنده. OpenClaw مقادیر پشتیبانی‌نشده را متناسب با هر ارائه‌دهنده نرمال‌سازی یا نادیده می‌گیرد. OPENCLAW_DOCS_MARKER:paramClose:

durationSecondsnumber

مدت هدف بر حسب ثانیه (گردشده به نزدیک‌ترین مقدار پشتیبانی‌شده توسط ارائه‌دهنده).

sizestring

audioboolean

در صورت پشتیبانی، صدای تولیدشده را در خروجی فعال می‌کند. این مورد از audioRef* (ورودی‌ها) متمایز است.

watermarkboolean

adaptive یک مقدار نشانگر مختص ارائه‌دهنده است: برای ارائه‌دهندگانی که adaptive را در قابلیت‌های خود اعلام کرده‌اند، بدون تغییر ارسال می‌شود (برای نمونه، BytePlus Seedance از آن برای تشخیص خودکار نسبت از ابعاد تصویر ورودی استفاده می‌کند). ارائه‌دهندگانی که آن را اعلام نکرده‌اند، این مقدار را از طریق details.ignoredOverrides در نتیجهٔ ابزار نمایش می‌دهند تا حذف آن قابل مشاهده باشد.

پیشرفته

action"generate" | "status" | "list"default: generate

"status" وظیفهٔ جاری نشست را برمی‌گرداند؛ "list" ارائه‌دهندگان را بررسی می‌کند.

OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9Im1vZGVsIiB0eXBlPSJzdHJpbmci جایگزینی ارائه‌دهنده/مدل (برای نمونه runway/gen4.5). OPENCLAW_DOCS_MARKER:paramClose:

filenamestring

OPENCLAW_DOCS_MARKER:paramOpen:IHBhdGg9InRpbWVvdXRNcyIgdHlwZT0ibnVtYmVyIg مهلت زمانی اختیاری عملیات ارائه‌دهنده بر حسب میلی‌ثانیه. اگر حذف شود، OpenClaw در صورت پیکربندی از agents.defaults.videoGenerationModel.timeoutMs استفاده می‌کند؛ در غیر این صورت، در صورت وجود، مقدار پیش‌فرض ارائه‌دهنده که نویسندهٔ plugin تعیین کرده است به کار می‌رود. OPENCLAW_DOCS_MARKER:paramClose:

providerOptionsobject

گزینه‌های مختص ارائه‌دهنده به‌صورت یک شیء JSON (برای نمونه {"seed": 42, "draft": true}). ارائه‌دهندگانی که طرح‌واره‌ای نوع‌دار اعلام می‌کنند، کلیدها و نوع‌ها را اعتبارسنجی می‌کنند؛ کلیدهای ناشناخته یا عدم تطابق نوع باعث می‌شود گزینهٔ نامزد هنگام بازگشت جایگزین کنار گذاشته شود. ارائه‌دهندگان فاقد طرح‌وارهٔ اعلام‌شده، گزینه‌ها را بدون تغییر دریافت می‌کنند. برای مشاهدهٔ موارد پذیرفته‌شده توسط هر ارائه‌دهنده، video_generate action=list را اجرا کنید.

Note

همهٔ ارائه‌دهندگان از همهٔ پارامترها پشتیبانی نمی‌کنند. OpenClaw مدت را به نزدیک‌ترین مقدار پشتیبانی‌شده توسط ارائه‌دهنده نرمال‌سازی می‌کند و هنگامی که ارائه‌دهندهٔ جایگزین سطح کنترلی متفاوتی ارائه دهد، راهنماهای هندسی تبدیل‌شده، مانند تبدیل اندازه به نسبت تصویر، را دوباره نگاشت می‌کند. جایگزینی‌های واقعاً پشتیبانی‌نشده به‌صورت بهترین تلاش نادیده گرفته می‌شوند و در نتیجهٔ ابزار به‌عنوان هشدار گزارش می‌شوند. محدودیت‌های سخت قابلیت‌ها (مانند تعداد بیش‌ازحد ورودی‌های مرجع) پیش از ارسال باعث شکست می‌شوند. نتایج ابزار تنظیمات اعمال‌شده را گزارش می‌کنند؛ details.normalization هرگونه تبدیل مقدار درخواستی به مقدار اعمال‌شده را ثبت می‌کند.

ورودی‌های مرجع حالت زمان اجرا را انتخاب می‌کنند:

بدون رسانهٔ مرجع -> generate
هرگونه تصویر مرجع -> imageToVideo
هرگونه ویدیوی مرجع -> videoToVideo
ورودی‌های صدای مرجع حالت حل‌شده را تغییر نمی‌دهند؛ آن‌ها افزون بر حالتی اعمال می‌شوند که مراجع تصویر/ویدیو انتخاب کرده‌اند و فقط با ارائه‌دهندگانی کار می‌کنند که maxInputAudios را اعلام کرده باشند.

ترکیب مراجع تصویر و ویدیو سطح قابلیت مشترک پایداری نیست. ترجیحاً در هر درخواست فقط از یک نوع مرجع استفاده کنید.

بازگشت جایگزین و گزینه‌های نوع‌دار

برخی بررسی‌های قابلیت در لایهٔ بازگشت جایگزین انجام می‌شوند، نه در مرز ابزار؛ بنابراین درخواستی که از محدودیت‌های ارائه‌دهندهٔ اصلی فراتر می‌رود، همچنان می‌تواند روی یک ارائه‌دهندهٔ جایگزین توانمند اجرا شود:

اگر درخواست دارای مراجع صوتی باشد، نامزد فعال که maxInputAudios را اعلام نکرده یا مقدار آن را 0 اعلام کرده است کنار گذاشته می‌شود و نامزد بعدی امتحان می‌شود. همین محافظ برای تعداد مراجع تصویر و ویدیو در برابر maxInputImages/maxInputVideos نیز اعمال می‌شود.
اگر maxDurationSeconds نامزد فعال کمتر از durationSeconds درخواستی باشد و فهرست supportedDurationSeconds اعلام نشده باشد، نامزد کنار گذاشته می‌شود.
اگر درخواست دارای providerOptions باشد و نامزد فعال صراحتاً یک طرح‌وارهٔ نوع‌دار providerOptions اعلام کند، در صورتی که کلیدهای ارائه‌شده در طرح‌واره نباشند یا نوع مقادیر تطابق نداشته باشد، نامزد کنار گذاشته می‌شود. ارائه‌دهندگان فاقد طرح‌وارهٔ اعلام‌شده، گزینه‌ها را بدون تغییر دریافت می‌کنند (عبور سازگار با نسخه‌های پیشین). یک ارائه‌دهنده می‌تواند با اعلام طرح‌واره‌ای خالی (capabilities.providerOptions: {}) از همهٔ گزینه‌های ارائه‌دهنده صرف‌نظر کند که همان کنارگذاری ناشی از عدم تطابق نوع را ایجاد می‌کند.

نخستین دلیل کنارگذاری در هر درخواست با سطح warn ثبت می‌شود تا راهبران متوجه شوند که ارائه‌دهندهٔ اصلی آن‌ها نادیده گرفته شده است؛ کنارگذاری‌های بعدی با سطح debug ثبت می‌شوند تا زنجیره‌های طولانی بازگشت جایگزین بی‌سروصدا بمانند. اگر همهٔ نامزدها کنار گذاشته شوند، خطای تجمیعی دلیل کنارگذاری هرکدام را شامل می‌شود.

کنش‌ها

کنش	کاری که انجام می‌دهد
`generate`	پیش‌فرض. از اعلان داده‌شده و ورودی‌های مرجع اختیاری، یک ویدیو ایجاد می‌کند.
`status`	بدون آغاز تولیدی دیگر، وضعیت وظیفهٔ ویدیویی در حال اجرا برای نشست جاری را بررسی می‌کند.
`list`	ارائه‌دهندگان، مدل‌ها و قابلیت‌های در دسترس آن‌ها را نمایش می‌دهد.

انتخاب مدل

OpenClaw مدل را به این ترتیب تعیین می‌کند:

پارامتر ابزار model - اگر عامل در فراخوانی یکی را مشخص کند.
videoGenerationModel.primary از پیکربندی.
videoGenerationModel.fallbacks به‌ترتیب.
تشخیص خودکار - ارائه‌دهندگانی که احراز هویت معتبر دارند؛ ابتدا ارائه‌دهندهٔ پیش‌فرض فعلی و سپس ارائه‌دهندگان باقی‌مانده به‌ترتیب الفبایی.

اگر ارائه‌دهنده‌ای ناموفق شود، نامزد بعدی به‌طور خودکار امتحان می‌شود. اگر همهٔ نامزدها ناموفق شوند، خطا جزئیات هر تلاش را شامل می‌شود.

برای استفادهٔ صرفاً از ورودی‌های صریح model، primary و fallbacks، مقدار agents.defaults.mediaGenerationAutoProviderFallback: false را تنظیم کنید.

json5

{  agents: {    defaults: {      videoGenerationModel: {        primary: "google/veo-3.1-fast-generate-preview",        fallbacks: ["runway/gen4.5", "qwen/wan2.6-t2v"],        timeoutMs: 180000, // جایگزینی اختیاری مهلت زمانی درخواست ارائه‌دهنده برای هر ابزار      },    },  },}

نکات ارائه‌دهندگان

Alibaba

از نقطهٔ پایانی ناهمگام DashScope / Model Studio استفاده می‌کند. تصاویر و ویدیوهای مرجع باید URLهای راه‌دور http(s) باشند.

BytePlus (1.0)

شناسهٔ ارائه‌دهنده: byteplus.

مدل‌ها: seedance-1-0-pro-250528 (پیش‌فرض)، seedance-1-0-pro-t2v-250528، seedance-1-0-pro-fast-251015، seedance-1-0-lite-t2v-250428، seedance-1-0-lite-i2v-250428.

مدل‌های T2V‏ (*-t2v-*) ورودی تصویر را نمی‌پذیرند؛ مدل‌های I2V و مدل‌های عمومی *-pro-* از یک تصویر مرجع (فریم نخست) پشتیبانی می‌کنند. تصویر را به‌صورت موقعیتی ارسال کنید یا role: "first_frame" را تنظیم کنید. وقتی تصویری ارائه شود، شناسه‌های مدل T2V به‌طور خودکار به گونهٔ متناظر I2V تغییر می‌کنند.

کلیدهای پشتیبانی‌شدهٔ providerOptions: ‏seed (عدد)، draft (بولی - وضوح را به 480p محدود می‌کند)، camera_fixed (بولی).

BytePlus Seedance 1.5

به plugin ‏@openclaw/byteplus-modelark نیاز دارد (خارجی و همراه بسته ارائه نمی‌شود). شناسهٔ ارائه‌دهنده: byteplus-seedance15. مدل: seedance-1-5-pro-251215.

از API یکپارچهٔ content[] استفاده می‌کند. حداکثر از ۲ تصویر ورودی (first_frame + last_frame) پشتیبانی می‌کند. همهٔ ورودی‌ها باید URLهای راه‌دور https:// باشند. برای هر تصویر، role: "first_frame" / "last_frame" را تنظیم کنید یا تصاویر را به‌صورت موقعیتی ارسال کنید.

aspectRatio: "adaptive" نسبت را به‌طور خودکار از تصویر ورودی تشخیص می‌دهد. audio: true به generate_audio نگاشت می‌شود. providerOptions.seed (عدد) ارسال می‌شود.

BytePlus Seedance 2.0

به plugin ‏@openclaw/byteplus-modelark نیاز دارد (خارجی و همراه بسته ارائه نمی‌شود). شناسهٔ ارائه‌دهنده: byteplus-seedance2. مدل‌ها: dreamina-seedance-2-0-260128، dreamina-seedance-2-0-fast-260128.

از API یکپارچهٔ content[] استفاده می‌کند. از حداکثر ۹ تصویر مرجع، ۳ ویدیوی مرجع و ۳ صدای مرجع پشتیبانی می‌کند. همهٔ ورودی‌ها باید URLهای راه‌دور https:// باشند. role هر دارایی را تنظیم کنید - مقادیر پشتیبانی‌شده: "first_frame"، "last_frame"، "reference_image"، "reference_video"، "reference_audio".

ComfyUI

اجرای محلی یا ابری مبتنی بر گردش‌کار. از تبدیل متن به ویدئو و تصویر به ویدئو از طریق گراف پیکربندی‌شده پشتیبانی می‌کند.

fal

برای کارهای طولانی‌مدت از جریانی مبتنی بر صف استفاده می‌کند. OpenClaw به‌طور پیش‌فرض تا ۲۰ دقیقه منتظر می‌ماند و پس از آن، کار درحال‌اجرای صف fal را پایان‌یافته بر اثر اتمام مهلت در نظر می‌گیرد. بیشتر مدل‌های ویدئویی fal یک مرجع تصویری می‌پذیرند. مدل‌های تبدیل مرجع به ویدئوی Seedance 2.0 حداکثر ۹ تصویر، ۳ ویدئو و ۳ مرجع صوتی را می‌پذیرند، به‌شرط آنکه مجموع فایل‌های مرجع از ۱۲ مورد بیشتر نباشد.

Google (Gemini / Veo)

از یک مرجع تصویری یا یک مرجع ویدئویی پشتیبانی می‌کند. درخواست‌های تولید صدا در مسیر Gemini API همراه با هشدار نادیده گرفته می‌شوند، زیرا این API پارامتر generateAudio را برای تولید ویدئوی فعلی Veo رد می‌کند.

MiniMax

فقط یک مرجع تصویری. MiniMax وضوح‌های 768P و 1080P را می‌پذیرد؛ درخواست‌هایی مانند 720P پیش از ارسال به نزدیک‌ترین مقدار پشتیبانی‌شده تبدیل می‌شوند.

OpenAI

فقط بازنویسی size ارسال می‌شود. سایر بازنویسی‌های سبک (aspectRatio، resolution، audio، watermark) همراه با هشدار نادیده گرفته می‌شوند.

OpenRouter

از API ناهمگام /videos متعلق به OpenRouter استفاده می‌کند. OpenClaw کار را ارسال می‌کند، polling_url را به‌صورت دوره‌ای بررسی می‌کند و سپس unsigned_urls یا نقطه پایانی مستندشده محتوای کار را بارگیری می‌کند. مقدار پیش‌فرض همراه google/veo-3.1-fast مدت‌های ۴/۶/۸ ثانیه، وضوح‌های 720P/1080P و نسبت‌های تصویر 16:9/9:16 را ارائه می‌کند.

Qwen

از همان بخش پشتیبان DashScope متعلق به Alibaba استفاده می‌کند. ورودی‌های مرجع باید نشانی‌های راه‌دور http(s) باشند؛ فایل‌های محلی پیشاپیش رد می‌شوند.

Runway

از فایل‌های محلی از طریق URIهای داده پشتیبانی می‌کند. تبدیل ویدئو به ویدئو به runway/gen4_aleph نیاز دارد. اجراهای صرفاً متنی نسبت‌های تصویر 16:9 و 9:16 را ارائه می‌کنند.

Together

فقط یک مرجع تصویری.

Vydra

مستقیماً از https://www.vydra.ai/api/v1 استفاده می‌کند تا از تغییرمسیرهایی که اطلاعات احراز هویت را حذف می‌کنند جلوگیری شود. veo3 فقط برای تبدیل متن به ویدئو همراه شده است؛ kling به نشانی راه‌دور تصویر نیاز دارد.

xAI

مدل پیش‌فرض grok-imagine-video از تبدیل متن به ویدئو، تبدیل یک تصویر فریم نخست به ویدئو، حداکثر ۷ ورودی reference_image از طریق reference_images در xAI و جریان‌های راه‌دور ویرایش/تمدید ویدئو پشتیبانی می‌کند. وضوح پیش‌فرض تولید 480P است؛ اگر aspectRatio مشخص نشده باشد، تبدیل تک‌تصویری تصویر به ویدئو نسبت تصویر منبع را به ارث می‌برد. ویرایش/تمدید ویدئو هندسه ورودی را به ارث می‌برد و بازنویسی نسبت تصویر یا وضوح را نمی‌پذیرد. تمدید، مدت ۲ تا ۱۰ ثانیه را می‌پذیرد.

grok-imagine-video-1.5 فقط برای تبدیل تصویر به ویدئو است: دقیقاً یک تصویر ارائه کنید. این مدل از مدت ۱ تا ۱۵ ثانیه و وضوح‌های 480P، 720P یا 1080P پشتیبانی می‌کند و مقدار پیش‌فرض آن 480P است؛ برای به‌ارث‌بردن نسبت تصویر منبع، aspectRatio را حذف کنید. شناسه‌های پیش‌نمایش و تاریخ‌دار 1.5 اعتبارسنجی یکسانی دریافت می‌کنند و بدون تغییر ارسال می‌شوند.

حالت‌های قابلیت ارائه‌دهنده

قرارداد مشترک تولید ویدئو، به‌جای محدودیت‌های تجمیعی و مسطح، از قابلیت‌های ویژه هر حالت پشتیبانی می‌کند. پیاده‌سازی‌های جدید ارائه‌دهندگان باید بلوک‌های صریح حالت را ترجیح دهند:

typescript

capabilities: {  generate: {    maxVideos: 1,    maxDurationSeconds: 10,    supportsResolution: true,  },  imageToVideo: {    enabled: true,    maxVideos: 1,    maxInputImages: 1,    maxInputImagesByModel: { "provider/reference-to-video": 9 },    maxDurationSeconds: 5,  },  videoToVideo: {    enabled: true,    maxVideos: 1,    maxInputVideos: 1,    maxDurationSeconds: 5,  },}

فیلدهای تجمیعی و مسطحی مانند maxInputImages و maxInputVideos برای اعلام پشتیبانی از حالت تبدیل کافی نیستند. ارائه‌دهندگان باید generate، imageToVideo و videoToVideo را به‌صراحت اعلام کنند تا آزمون‌های زنده، آزمون‌های قرارداد و ابزار مشترک video_generate بتوانند پشتیبانی از حالت‌ها را به‌صورت قطعی اعتبارسنجی کنند.

اگر یک مدل از یک ارائه‌دهنده نسبت به سایر مدل‌ها از ورودی‌های مرجع بیشتری پشتیبانی می‌کند، به‌جای افزایش محدودیت سراسر حالت از maxInputImagesByModel، maxInputVideosByModel یا maxInputAudiosByModel استفاده کنید.

آزمون‌های زنده

پوشش زنده اختیاری برای ارائه‌دهندگان مشترک همراه‌شده:

bash

OPENCLAW_LIVE_TEST=1 pnpm test:live -- extensions/video-generation-providers.live.test.ts

پوشش اجرایی مخزن:

bash

pnpm test:live:media video

این فایل زنده به‌طور پیش‌فرض متغیرهای محیطی ازپیش‌صادرشده ارائه‌دهنده را بر نمایه‌های احراز هویت ذخیره‌شده مقدم می‌داند و به‌طور پیش‌فرض یک آزمون دود ایمن برای انتشار اجرا می‌کند:

generate برای هر ارائه‌دهنده غیر FAL در پیمایش.
درخواست یک‌ثانیه‌ای خرچنگ.
سقف عملیات هر ارائه‌دهنده از OPENCLAW_LIVE_VIDEO_GENERATION_TIMEOUT_MS (به‌طور پیش‌فرض 180000).

FAL اختیاری است، زیرا تأخیر صف در سمت ارائه‌دهنده می‌تواند بر زمان انتشار غلبه کند:

bash

pnpm test:live:media video --video-providers fal

برای اجرای حالت‌های تبدیل اعلام‌شده‌ای که پیمایش مشترک می‌تواند با رسانه محلی به‌صورت ایمن آزمایش کند، OPENCLAW_LIVE_VIDEO_GENERATION_FULL_MODES=1 را نیز تنظیم کنید:

imageToVideo هنگامی که capabilities.imageToVideo.enabled فعال است.
videoToVideo هنگامی که capabilities.videoToVideo.enabled فعال است و ارائه‌دهنده/مدل ورودی ویدئویی محلی مبتنی بر بافر را در پیمایش مشترک می‌پذیرد.

درحال‌حاضر مسیر زنده مشترک videoToVideo فقط زمانی runway را پوشش می‌دهد که runway/gen4_aleph را انتخاب کنید.

پیکربندی

مدل پیش‌فرض تولید ویدئو را در پیکربندی OpenClaw خود تنظیم کنید:

json5

{  agents: {    defaults: {      videoGenerationModel: {        primary: "qwen/wan2.6-t2v",        fallbacks: ["qwen/wan2.6-r2v-flash"],      },    },  },}

یا از طریق CLI:

bash

openclaw config set agents.defaults.videoGenerationModel.primary "qwen/wan2.6-t2v"

مطالب مرتبط

استودیوی مدل Alibaba
وظایف پس‌زمینه - ردیابی وظایف برای تولید ناهمگام ویدئو
BytePlus
ComfyUI
مرجع پیکربندی
fal
Google (Gemini)
MiniMax
مدل‌ها
OpenAI
Qwen
Runway
Together AI
نمای کلی ابزارها
Vydra
xAI

Was this useful?

تولید ویدئو

شروع سریع

پیکربندی احراز هویت

انتخاب مدل پیش‌فرض (اختیاری)

درخواست از عامل

سازوکار تولید ناهمگام

چرخه عمر وظیفه

ارائه‌دهندگان پشتیبانی‌شده

ماتریس قابلیت‌ها

پارامترهای ابزار

الزامی

ورودی‌های محتوا

کنترل‌های سبک

پیشرفته

بازگشت جایگزین و گزینه‌های نوع‌دار

کنش‌ها

انتخاب مدل

نکات ارائه‌دهندگان

حالت‌های قابلیت ارائه‌دهنده

آزمون‌های زنده

پیکربندی

مطالب مرتبط

On this page

Molty