--- read_when: - OpenClaw'ın medya yeteneklerine genel bir bakış mı arıyorsunuz? - Hangi medya sağlayıcısının yapılandırılacağına karar verme - Eşzamansız medya oluşturmanın nasıl çalıştığını anlama sidebarTitle: Media overview summary: Görüntü, video, müzik, konuşma ve medya anlama yeteneklerine genel bakış title: Medya genel bakışı x-i18n: generated_at: "2026-07-12T12:49:26Z" model: gpt-5.6 postprocess_version: locale-links-v1 provider: openai source_hash: f7d7bf8bd2052cdba088d7a612bb89b0fc3a95b3635c7fcd2138eb731121b85f source_path: tools/media-overview.md workflow: 16 --- OpenClaw görseller, videolar ve müzik üretir; gelen medyayı (görseller, ses ve video) anlar ve metinden sese dönüştürmeyle yanıtları sesli olarak okur. Tüm medya yetenekleri araçlarla çalışır: aracı ne zaman kullanacağına konuşmaya göre aracı karar verir ve her araç yalnızca en az bir destek sağlayıcısı yapılandırıldığında görünür. Canlı konuşma, tek seferlik medya aracı yolu yerine Talk oturumu sözleşmesini kullanır. Talk'un üç modu vardır: sağlayıcıya özgü `realtime`, yerel veya akışlı `stt-tts` ve yalnızca gözlem amaçlı konuşma yakalama için `transcription`. Bu modlar; telefon, toplantı, tarayıcıda gerçek zamanlı iletişim ve yerel bas-konuş istemcileriyle sağlayıcı kataloglarını, olay zarflarını ve iptal anlamlarını paylaşır. ## Yetenekler `image_generate` aracılığıyla metin istemlerinden veya referans görsellerden görseller oluşturun ve düzenleyin. Sohbet oturumlarında eşzamansızdır; arka planda çalışır ve hazır olduğunda sonucu gönderir. `video_generate` aracılığıyla metinden videoya, görselden videoya ve videodan videoya üretim. Eşzamansızdır; arka planda çalışır ve hazır olduğunda sonucu gönderir. `music_generate` aracılığıyla müzik veya ses parçaları üretin. Sohbet oturumlarında, paylaşılan medya üretimi görev yaşam döngüsünde eşzamansız çalışır. `tts` aracı ve `messages.tts` yapılandırması aracılığıyla giden yanıtları sesli içeriğe dönüştürün. Eşzamanlıdır. Görme yeteneğine sahip model sağlayıcıları ve özel medya anlama plugin'lerini kullanarak gelen görselleri, sesleri ve videoları özetleyin. Gelen sesli mesajları toplu STT veya Voice Call akışlı STT sağlayıcıları üzerinden yazıya dökün. ## Sağlayıcı yetenek matrisi Bu tablo, özel medya üretimi, TTS ve STT plugin'lerini kapsar. Birçok sohbet modeli sağlayıcısı da (Anthropic, Google, OpenAI ve diğerleri) yanıt modeli aracılığıyla gelen medyayı anlayabilir; tam sağlayıcı listesi için [Medya anlama](/tr/nodes/media-understanding#provider-support-matrix) bölümüne bakın. | Sağlayıcı | Görsel | Video | Müzik | TTS | STT | Gerçek zamanlı ses | Medya anlama | | ----------------- | :----: | :---: | :---: | :-: | :-: | :----------------: | :----------: | | Alibaba | | ✓ | | | | | | | Azure Speech | | | | ✓ | | | | | BytePlus | | ✓ | | | | | | | ComfyUI | ✓ | ✓ | ✓ | | | | | | Deepgram | | | | | ✓ | | | | DeepInfra | ✓ | ✓ | | ✓ | ✓ | | ✓ | | ElevenLabs | | | | ✓ | ✓ | | | | fal | ✓ | ✓ | ✓ | | | | | | Google | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ | | Gradium | | | | ✓ | | | | | Inworld | | | | ✓ | | | | | LiteLLM | ✓ | | | | | | | | Yerel CLI | | | | ✓ | | | | | Microsoft | | | | ✓ | | | | | Microsoft Foundry | ✓ | | | | | | | | MiniMax | ✓ | ✓ | ✓ | ✓ | | | | | Mistral | | | | | ✓ | | | | OpenAI | ✓ | ✓ | | ✓ | ✓ | ✓ | ✓ | | OpenRouter | ✓ | ✓ | ✓ | ✓ | ✓ | | ✓ | | PixVerse | | ✓ | | | | | | | Qwen | | ✓ | | | | | ✓ | | Runway | | ✓ | | | | | | | SenseAudio | | | | | ✓ | | | | Together | | ✓ | | | | | | | Volcengine | | | | ✓ | | | | | Vydra | ✓ | ✓ | | ✓ | | | | | xAI | ✓ | ✓ | | ✓ | ✓ | | ✓ | | Xiaomi MiMo | | | | ✓ | | | | Buradaki **gerçek zamanlı ses**, sağlayıcıya özgü çift yönlü gerçek zamanlı iletişim (Talk `realtime` modu; örneğin Gemini Live veya OpenAI Realtime API) anlamına gelir. Şu anda bunu yalnızca Google ve OpenAI kaydeder. Deepgram, ElevenLabs, Mistral, OpenAI ve xAI ayrıca Voice Call akışlı STT'yi (tek yönlü sesten metne) kaydeder; aşağıdaki [Konuşmadan metne ve Voice Call](#speech-to-text-and-voice-call) bölümüne bakın. xAI gerçek zamanlı ses desteği üst kaynakta bulunan bir yetenektir ancak paylaşılan gerçek zamanlı ses sözleşmesi bunu temsil edebilene kadar OpenClaw'da kaydedilmez. ## Eşzamansız ve eşzamanlı | Yetenek | Mod | Nedeni | | ------------- | ----------- | --------------------------------------------------------------------------------------------------------------- | | Görsel | Eşzamansız | Sağlayıcı işlemesi bir sohbet turundan uzun sürebilir; üretilen ekler paylaşılan tamamlama yolunu kullanır. | | Metinden sese | Eşzamanlı | Sağlayıcı yanıtları saniyeler içinde döner ve yanıt sesine eklenir. | | Video | Eşzamansız | Sağlayıcı işlemesi 30 saniyeden birkaç dakikaya kadar sürer; yavaş kuyruklar yapılandırılmış zaman aşımına kadar çalışabilir. | | Müzik | Eşzamansız | Videoyla aynı sağlayıcı işleme özelliklerine sahiptir. | Eşzamansız araçlarda OpenClaw isteği sağlayıcıya gönderir, hemen bir görev kimliği döndürür ve işi görev defterinde izler. İş çalışırken aracı diğer mesajlara yanıt vermeyi sürdürür. Sağlayıcı işlemi tamamladığında OpenClaw, üretilen medya yollarıyla aracıyı uyandırır; böylece aracı, oturumun normal görünür yanıt modu üzerinden kullanıcıyı bilgilendirebilir: yapılandırıldığında otomatik nihai yanıt teslimi veya oturum mesaj aracını gerektirdiğinde `message(action="send")`. İstekte bulunan oturum etkin değilse ya da etkin uyandırma işlemi başarısız olursa ve üretilen medyanın bir kısmı hâlâ tamamlama yanıtında eksikse OpenClaw, yalnızca eksik medyayı içeren idempotent bir doğrudan yedek gönderim yapar. Tamamlama yanıtıyla zaten teslim edilen medya yeniden gönderilmez. ## Konuşmadan metne ve Voice Call Deepgram, DeepInfra, ElevenLabs, Google, Groq, Mistral, OpenAI, OpenRouter, SenseAudio ve xAI; yapılandırıldıklarında gelen sesleri toplu `tools.media.audio` yolu üzerinden yazıya dökebilir. Bahsetme denetimi veya komut ayrıştırma için bir sesli notu önceden kontrol eden kanal plugin'leri, yazıya dökülen eki gelen bağlamda işaretler. Böylece paylaşılan medya anlama geçişi, aynı ses için ikinci bir STT çağrısı yapmak yerine bu dökümü yeniden kullanır. Deepgram, ElevenLabs, Mistral, OpenAI ve xAI ayrıca Voice Call akışlı STT sağlayıcılarını kaydeder. Böylece canlı telefon sesi, tamamlanmış bir kaydı beklemeden seçilen sağlayıcıya iletilebilir. Canlı kullanıcı konuşmaları için [Talk modunu](/tr/nodes/talk) tercih edin. Toplu ses ekleri medya yolunda kalır; tarayıcıdaki gerçek zamanlı ses, yerel bas-konuş, telefon ve toplantı sesleri Talk olaylarını ve Gateway tarafından döndürülen oturum kapsamlı katalogları kullanmalıdır. ## Sağlayıcı eşlemeleri (sağlayıcıların yüzeylere dağılımı) Görsel, video, müzik, toplu TTS, toplu STT, arka uç gerçek zamanlı ses ve medya anlama yüzeyleri. Görsel, video, toplu TTS, toplu STT, Voice Call akışlı STT, arka uç gerçek zamanlı ses ve bellek gömme yüzeyleri. Sohbet/model yönlendirme, görsel üretme/düzenleme, metinden videoya, toplu TTS, toplu STT, görsel medya anlama ve bellek gömme yüzeyleri. DeepInfra ayrıca yeniden sıralama, sınıflandırma, nesne algılama ve diğer yerel model türlerini sunar; OpenClaw'ın bu kategoriler için henüz bir sağlayıcı sözleşmesi olmadığından bu plugin bunları kaydetmez. Görsel, video, arama, kod yürütme, toplu TTS, toplu STT ve Voice Call akışlı STT. xAI gerçek zamanlı ses desteği üst kaynakta bulunan bir yetenektir ancak paylaşılan gerçek zamanlı ses sözleşmesi bunu temsil edebilene kadar OpenClaw'da kaydedilmez. ## İlgili konular - [Görsel üretimi](/tr/tools/image-generation) - [Video üretimi](/tr/tools/video-generation) - [Müzik üretimi](/tr/tools/music-generation) - [Metinden sese](/tr/tools/tts) - [Medya anlama](/tr/nodes/media-understanding) - [Ses Node'ları](/tr/nodes/audio) - [Talk modu](/tr/nodes/talk)