--- read_when: - Procurando uma visão geral dos recursos de mídia do OpenClaw - Decidindo qual provedor de mídia configurar - Entendendo como funciona a geração assíncrona de mídia sidebarTitle: Media overview summary: Visão geral dos recursos de imagem, vídeo, música, fala e compreensão de mídia title: Visão geral de mídia x-i18n: generated_at: "2026-07-12T00:26:18Z" model: gpt-5.6 postprocess_version: locale-links-v1 provider: openai source_hash: f7d7bf8bd2052cdba088d7a612bb89b0fc3a95b3635c7fcd2138eb731121b85f source_path: tools/media-overview.md workflow: 16 --- O OpenClaw gera imagens, vídeos e músicas, compreende mídias recebidas (imagens, áudio e vídeo) e reproduz respostas em voz alta com conversão de texto em fala. Todos os recursos de mídia são orientados por ferramentas: o agente decide quando usá-los com base na conversa, e cada ferramenta só aparece quando há pelo menos um provedor correspondente configurado. A fala ao vivo usa o contrato de sessão do Talk em vez do caminho da ferramenta de mídia de execução única. O Talk tem três modos: `realtime` nativo do provedor, `stt-tts` local ou por streaming e `transcription` para captura de fala somente para observação. Esses modos compartilham catálogos de provedores, envelopes de eventos e semântica de cancelamento com telefonia, reuniões, comunicação em tempo real no navegador e clientes nativos de pressione-para-falar. ## Recursos Crie e edite imagens a partir de prompts de texto ou imagens de referência por meio de `image_generate`. Assíncrona em sessões de chat — é executada em segundo plano e publica o resultado quando estiver pronto. Conversão de texto em vídeo, imagem em vídeo e vídeo em vídeo por meio de `video_generate`. Assíncrona — é executada em segundo plano e publica o resultado quando estiver pronto. Gere músicas ou faixas de áudio por meio de `music_generate`. Assíncrona em sessões de chat, usando o ciclo de vida compartilhado das tarefas de geração de mídia. Converta respostas enviadas em áudio falado por meio da ferramenta `tts` e da configuração `messages.tts`. Síncrona. Resuma imagens, áudios e vídeos recebidos usando provedores de modelos com recursos de visão e plugins dedicados à compreensão de mídia. Transcreva mensagens de voz recebidas por meio de STT em lote ou de provedores de STT por streaming do Voice Call. ## Matriz de recursos dos provedores Esta tabela abrange os plugins dedicados à geração de mídia, TTS e STT. Muitos provedores de modelos de chat (Anthropic, Google, OpenAI e outros) também compreendem mídias recebidas por meio de seus modelos de resposta; consulte a lista completa de provedores em [Compreensão de mídia](/pt-BR/nodes/media-understanding#provider-support-matrix). | Provedor | Imagem | Vídeo | Música | TTS | STT | Voz em tempo real | Compreensão de mídia | | ----------------- | :----: | :---: | :----: | :-: | :-: | :----------------: | :------------------: | | Alibaba | | ✓ | | | | | | | Azure Speech | | | | ✓ | | | | | BytePlus | | ✓ | | | | | | | ComfyUI | ✓ | ✓ | ✓ | | | | | | Deepgram | | | | | ✓ | | | | DeepInfra | ✓ | ✓ | | ✓ | ✓ | | ✓ | | ElevenLabs | | | | ✓ | ✓ | | | | fal | ✓ | ✓ | ✓ | | | | | | Google | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ | | Gradium | | | | ✓ | | | | | Inworld | | | | ✓ | | | | | LiteLLM | ✓ | | | | | | | | CLI local | | | | ✓ | | | | | Microsoft | | | | ✓ | | | | | Microsoft Foundry | ✓ | | | | | | | | MiniMax | ✓ | ✓ | ✓ | ✓ | | | | | Mistral | | | | | ✓ | | | | OpenAI | ✓ | ✓ | | ✓ | ✓ | ✓ | ✓ | | OpenRouter | ✓ | ✓ | ✓ | ✓ | ✓ | | ✓ | | PixVerse | | ✓ | | | | | | | Qwen | | ✓ | | | | | ✓ | | Runway | | ✓ | | | | | | | SenseAudio | | | | | ✓ | | | | Together | | ✓ | | | | | | | Volcengine | | | | ✓ | | | | | Vydra | ✓ | ✓ | | ✓ | | | | | xAI | ✓ | ✓ | | ✓ | ✓ | | ✓ | | Xiaomi MiMo | | | | ✓ | | | | **Voz em tempo real** aqui significa comunicação bidirecional em tempo real nativa do provedor (modo `realtime` do Talk, como Gemini Live ou a OpenAI Realtime API) — atualmente, apenas Google e OpenAI a registram. Deepgram, ElevenLabs, Mistral, OpenAI e xAI registram separadamente STT por streaming do Voice Call (áudio para texto unidirecional); consulte [Conversão de fala em texto e Voice Call](#speech-to-text-and-voice-call) abaixo. A voz em tempo real da xAI é um recurso fornecido pelo serviço de origem, mas não é registrada no OpenClaw até que o contrato compartilhado de voz em tempo real possa representá-la. ## Assíncrono e síncrono | Recurso | Modo | Motivo | | ------------------------- | ---------- | ------------------------------------------------------------------------------------------------------------------ | | Imagem | Assíncrono | O processamento do provedor pode durar mais que um turno do chat; os anexos gerados usam o caminho de conclusão compartilhado. | | Conversão de texto em fala | Síncrono | As respostas do provedor retornam em segundos; são anexadas ao áudio da resposta. | | Vídeo | Assíncrono | O processamento do provedor leva de 30 s a vários minutos; filas lentas podem ser executadas até o tempo limite configurado. | | Música | Assíncrono | Tem a mesma característica de processamento do provedor que o vídeo. | Para ferramentas assíncronas, o OpenClaw envia a solicitação ao provedor, retorna imediatamente um identificador de tarefa e acompanha o trabalho no registro de tarefas. O agente continua respondendo a outras mensagens enquanto o trabalho é executado. Quando o provedor termina, o OpenClaw desperta o agente com os caminhos das mídias geradas para que ele possa informar o usuário pelo modo normal de resposta visível da sessão: entrega automática da resposta final quando configurada ou `message(action="send")` quando a sessão exige a ferramenta de mensagens. Se a sessão solicitante estiver inativa ou seu despertar ativo falhar, e alguma mídia gerada ainda estiver ausente da resposta de conclusão, o OpenClaw enviará diretamente, de modo idempotente, apenas as mídias ausentes. As mídias já entregues pela resposta de conclusão não serão publicadas novamente. ## Conversão de fala em texto e Voice Call Deepgram, DeepInfra, ElevenLabs, Google, Groq, Mistral, OpenAI, OpenRouter, SenseAudio e xAI podem transcrever áudios recebidos pelo caminho em lote `tools.media.audio` quando configurados. Plugins de canais que verificam previamente uma mensagem de voz para filtragem por menção ou análise de comandos marcam o anexo transcrito no contexto recebido, para que a etapa compartilhada de compreensão de mídia reutilize essa transcrição em vez de realizar uma segunda chamada de STT para o mesmo áudio. Deepgram, ElevenLabs, Mistral, OpenAI e xAI também registram provedores de STT por streaming do Voice Call, permitindo que o áudio telefônico ao vivo seja encaminhado ao fornecedor selecionado sem aguardar a conclusão de uma gravação. Para conversas ao vivo com usuários, prefira o [modo Talk](/pt-BR/nodes/talk). Anexos de áudio em lote permanecem no caminho de mídia; comunicação em tempo real no navegador, pressione-para-falar nativo, telefonia e áudio de reuniões devem usar os eventos do Talk e os catálogos com escopo de sessão retornados pelo Gateway. ## Mapeamentos de provedores (como os fornecedores se distribuem entre as superfícies) Superfícies de imagem, vídeo, música, TTS em lote, STT em lote, voz em tempo real no backend e compreensão de mídia. Superfícies de imagem, vídeo, TTS em lote, STT em lote, STT por streaming do Voice Call, voz em tempo real no backend e embeddings de memória. Superfícies de roteamento de chat/modelos, geração/edição de imagens, conversão de texto em vídeo, TTS em lote, STT em lote, compreensão de mídia de imagem e embeddings de memória. A DeepInfra também oferece reclassificação, classificação, detecção de objetos e outros tipos de modelos nativos; o OpenClaw ainda não possui um contrato de provedor para essas categorias, portanto este plugin não as registra. Imagem, vídeo, pesquisa, execução de código, TTS em lote, STT em lote e STT por streaming do Voice Call. A voz em tempo real da xAI é um recurso fornecido pelo serviço de origem, mas não é registrada no OpenClaw até que o contrato compartilhado de voz em tempo real possa representá-la. ## Relacionados - [Geração de imagens](/pt-BR/tools/image-generation) - [Geração de vídeos](/pt-BR/tools/video-generation) - [Geração de música](/pt-BR/tools/music-generation) - [Conversão de texto em fala](/pt-BR/tools/tts) - [Compreensão de mídia](/pt-BR/nodes/media-understanding) - [Nodes de áudio](/pt-BR/nodes/audio) - [Modo Talk](/pt-BR/nodes/talk)