---
read_when:
    - در جست‌وجوی نمایی کلی از قابلیت‌های رسانه‌ای OpenClaw هستید
    - تصمیم‌گیری درباره اینکه کدام ارائه‌دهندهٔ رسانه پیکربندی شود
    - درک نحوهٔ عملکرد تولید ناهمگام رسانه
sidebarTitle: Media overview
summary: نگاهی اجمالی به قابلیت‌های تولید تصویر، ویدئو، موسیقی و گفتار و درک رسانه‌ای
title: مروری بر رسانه‌ها
x-i18n:
    generated_at: "2026-07-12T10:56:04Z"
    model: gpt-5.6
    postprocess_version: locale-links-v1
    provider: openai
    source_hash: f7d7bf8bd2052cdba088d7a612bb89b0fc3a95b3635c7fcd2138eb731121b85f
    source_path: tools/media-overview.md
    workflow: 16
---

OpenClaw تصویر، ویدئو و موسیقی تولید می‌کند، رسانه‌های ورودی
(تصویر، صدا و ویدئو) را درک می‌کند و پاسخ‌ها را با تبدیل متن به گفتار با صدای بلند می‌خواند. همهٔ
قابلیت‌های رسانه‌ای مبتنی بر ابزار هستند: عامل بر اساس
گفت‌وگو تصمیم می‌گیرد چه زمانی از آن‌ها استفاده کند و هر ابزار تنها زمانی نمایش داده می‌شود که دست‌کم یک
ارائه‌دهندهٔ پشتیبان پیکربندی شده باشد.

گفتار زنده به‌جای مسیر ابزار رسانه‌ای تک‌مرحله‌ای، از قرارداد نشست Talk استفاده می‌کند.
Talk سه حالت دارد: `realtime` بومی ارائه‌دهنده، `stt-tts` محلی یا جریانی،
و `transcription` برای ضبط گفتار صرفاً با هدف مشاهده. این حالت‌ها
کاتالوگ‌های ارائه‌دهنده، پوش‌های رویداد و معناشناسی لغو را با
تلفن، جلسه‌ها، بلادرنگ مرورگر و کلاینت‌های بومی «فشار برای صحبت» مشترک می‌دانند.

## قابلیت‌ها

<CardGroup cols={2}>
  <Card title="تولید تصویر" href="/fa/tools/image-generation" icon="image">
    با استفاده از `image_generate`، از اعلان‌های متنی یا تصاویر مرجع
    تصویر بسازید و ویرایش کنید. در نشست‌های چت ناهمگام است — در پس‌زمینه اجرا می‌شود و
    پس از آماده‌شدن، نتیجه را ارسال می‌کند.
  </Card>
  <Card title="تولید ویدئو" href="/fa/tools/video-generation" icon="video">
    تبدیل متن به ویدئو، تصویر به ویدئو و ویدئو به ویدئو با `video_generate`.
    ناهمگام — در پس‌زمینه اجرا می‌شود و پس از آماده‌شدن، نتیجه را ارسال می‌کند.
  </Card>
  <Card title="تولید موسیقی" href="/fa/tools/music-generation" icon="music">
    با استفاده از `music_generate` موسیقی یا قطعهٔ صوتی تولید کنید. در نشست‌های
    چت و در چرخهٔ عمر مشترک وظیفهٔ تولید رسانه، ناهمگام است.
  </Card>
  <Card title="تبدیل متن به گفتار" href="/fa/tools/tts" icon="microphone">
    پاسخ‌های خروجی را با استفاده از ابزار `tts` و پیکربندی
    `messages.tts` به صوت گفتاری تبدیل کنید. همگام.
  </Card>
  <Card title="درک رسانه" href="/fa/nodes/media-understanding" icon="eye">
    تصاویر، صداها و ویدئوهای ورودی را با استفاده از ارائه‌دهندگان مدل
    دارای قابلیت بینایی و Pluginهای اختصاصی درک رسانه خلاصه کنید.
  </Card>
  <Card title="تبدیل گفتار به متن" href="/fa/nodes/audio" icon="ear-listen">
    پیام‌های صوتی ورودی را از طریق ارائه‌دهندگان STT دسته‌ای یا STT جریانی
    تماس صوتی رونویسی کنید.
  </Card>
</CardGroup>

## ماتریس قابلیت‌های ارائه‌دهندگان

<Note>
این جدول Pluginهای اختصاصی تولید رسانه، TTS و STT را پوشش می‌دهد. بسیاری از
ارائه‌دهندگان مدل چت (Anthropic، Google، OpenAI و دیگران) نیز رسانه‌های
ورودی را از طریق مدل پاسخ خود درک می‌کنند؛ فهرست کامل ارائه‌دهندگان را در
[درک رسانه](/fa/nodes/media-understanding#provider-support-matrix) ببینید.
</Note>

| ارائه‌دهنده      | تصویر | ویدئو | موسیقی | TTS | STT | صدای بلادرنگ | درک رسانه |
| ----------------- | :---: | :---: | :---: | :-: | :-: | :------------: | :-----------------: |
| Alibaba           |       |   ✓   |       |     |     |                |                     |
| Azure Speech      |       |       |       |  ✓  |     |                |                     |
| BytePlus          |       |   ✓   |       |     |     |                |                     |
| ComfyUI           |   ✓   |   ✓   |   ✓   |     |     |                |                     |
| Deepgram          |       |       |       |     |  ✓  |                |                     |
| DeepInfra         |   ✓   |   ✓   |       |  ✓  |  ✓  |                |          ✓          |
| ElevenLabs        |       |       |       |  ✓  |  ✓  |                |                     |
| fal               |   ✓   |   ✓   |   ✓   |     |     |                |                     |
| Google            |   ✓   |   ✓   |   ✓   |  ✓  |  ✓  |       ✓        |          ✓          |
| Gradium           |       |       |       |  ✓  |     |                |                     |
| Inworld           |       |       |       |  ✓  |     |                |                     |
| LiteLLM           |   ✓   |       |       |     |     |                |                     |
| CLI محلی          |       |       |       |  ✓  |     |                |                     |
| Microsoft         |       |       |       |  ✓  |     |                |                     |
| Microsoft Foundry |   ✓   |       |       |     |     |                |                     |
| MiniMax           |   ✓   |   ✓   |   ✓   |  ✓  |     |                |                     |
| Mistral           |       |       |       |     |  ✓  |                |                     |
| OpenAI            |   ✓   |   ✓   |       |  ✓  |  ✓  |       ✓        |          ✓          |
| OpenRouter        |   ✓   |   ✓   |   ✓   |  ✓  |  ✓  |                |          ✓          |
| PixVerse          |       |   ✓   |       |     |     |                |                     |
| Qwen              |       |   ✓   |       |     |     |                |          ✓          |
| Runway            |       |   ✓   |       |     |     |                |                     |
| SenseAudio        |       |       |       |     |  ✓  |                |                     |
| Together          |       |   ✓   |       |     |     |                |                     |
| Volcengine        |       |       |       |  ✓  |     |                |                     |
| Vydra             |   ✓   |   ✓   |       |  ✓  |     |                |                     |
| xAI               |   ✓   |   ✓   |       |  ✓  |  ✓  |                |          ✓          |
| Xiaomi MiMo       |       |       |       |  ✓  |     |                |                     |

<Note>
**صدای بلادرنگ** در اینجا به معنای بلادرنگ دوسویهٔ بومی ارائه‌دهنده است (حالت
`realtime` در Talk، برای مثال Gemini Live یا OpenAI Realtime API) — در حال حاضر فقط Google
و OpenAI آن را ثبت می‌کنند. Deepgram، ElevenLabs، Mistral، OpenAI و xAI
به‌طور جداگانه STT جریانی تماس صوتی (صوت یک‌طرفه به متن) را ثبت می‌کنند؛
[تبدیل گفتار به متن و تماس صوتی](#speech-to-text-and-voice-call) را در ادامه ببینید.
صدای بلادرنگ xAI یک قابلیت بالادستی است، اما تا زمانی که قرارداد مشترک
صدای بلادرنگ بتواند آن را نمایش دهد، در OpenClaw ثبت نمی‌شود.
</Note>

## ناهمگام در برابر همگام

| قابلیت          | حالت      | دلیل                                                                                                        |
| --------------- | ---------- | ------------------------------------------------------------------------------------------------------------ |
| تصویر           | ناهمگام    | پردازش ارائه‌دهنده ممکن است از یک نوبت چت طولانی‌تر شود؛ پیوست‌های تولیدشده از مسیر تکمیل مشترک استفاده می‌کنند. |
| تبدیل متن به گفتار | همگام   | پاسخ‌های ارائه‌دهنده طی چند ثانیه برمی‌گردند و به صوت پاسخ پیوست می‌شوند.                                    |
| ویدئو           | ناهمگام    | پردازش ارائه‌دهنده از ۳۰ ثانیه تا چند دقیقه طول می‌کشد؛ صف‌های کند می‌توانند تا مهلت زمانی پیکربندی‌شده اجرا شوند. |
| موسیقی          | ناهمگام    | ویژگی پردازش ارائه‌دهنده همانند ویدئو است.                                                                  |

برای ابزارهای ناهمگام، OpenClaw درخواست را به ارائه‌دهنده ارسال می‌کند، بلافاصله یک
شناسهٔ وظیفه برمی‌گرداند و کار را در دفتر کل وظایف پیگیری می‌کند. عامل در حین اجرای
کار، به پاسخ‌گویی به پیام‌های دیگر ادامه می‌دهد. وقتی کار ارائه‌دهنده تمام می‌شود،
OpenClaw عامل را با مسیرهای رسانهٔ تولیدشده بیدار می‌کند تا بتواند از طریق حالت عادی
پاسخ قابل‌مشاهدهٔ نشست، کاربر را مطلع کند: تحویل خودکار پاسخ نهایی
در صورت پیکربندی، یا `message(action="send")` هنگامی که نشست به
ابزار پیام نیاز دارد. اگر نشست درخواست‌کننده غیرفعال باشد یا بیدارسازی فعال آن
ناموفق شود و هنوز برخی رسانه‌های تولیدشده در پاسخ تکمیل وجود نداشته باشند،
OpenClaw یک پاسخ جایگزین مستقیم و هم‌توان را که فقط شامل رسانه‌های مفقود است ارسال می‌کند. رسانه‌ای که
پیش‌تر با پاسخ تکمیل تحویل شده است، دوباره ارسال نمی‌شود.

## تبدیل گفتار به متن و تماس صوتی

Deepgram، DeepInfra، ElevenLabs، Google، Groq، Mistral، OpenAI، OpenRouter،
SenseAudio و xAI همگی در صورت پیکربندی می‌توانند صوت ورودی را از طریق مسیر دسته‌ای
`tools.media.audio` رونویسی کنند. Pluginهای کانال که یک
یادداشت صوتی را برای بررسی اولیهٔ الزام اشاره یا تجزیهٔ فرمان بررسی می‌کنند، پیوست رونویسی‌شده
را در بافت ورودی علامت‌گذاری می‌کنند تا گذر مشترک درک رسانه
به‌جای انجام فراخوانی دوم STT برای همان صوت، از آن رونوشت دوباره استفاده کند.

Deepgram، ElevenLabs، Mistral، OpenAI و xAI همچنین ارائه‌دهندگان STT جریانی
تماس صوتی را ثبت می‌کنند تا صوت زندهٔ تلفن بدون انتظار برای کامل‌شدن
ضبط، به فروشندهٔ انتخاب‌شده ارسال شود.

برای گفت‌وگوهای زندهٔ کاربر، [حالت Talk](/fa/nodes/talk) را ترجیح دهید. پیوست‌های صوتی
دسته‌ای در مسیر رسانه باقی می‌مانند؛ بلادرنگ مرورگر، «فشار برای صحبت» بومی،
تلفن و صوت جلسه باید از رویدادهای Talk و کاتالوگ‌های محدود به نشست
برگشتی از Gateway استفاده کنند.

## نگاشت ارائه‌دهندگان (نحوهٔ تقسیم فروشندگان میان سطوح)

<AccordionGroup>
  <Accordion title="Google">
    سطوح تصویر، ویدئو، موسیقی، TTS دسته‌ای، STT دسته‌ای، صدای بلادرنگ سمت پشتی و
    درک رسانه.
  </Accordion>
  <Accordion title="OpenAI">
    سطوح تصویر، ویدئو، TTS دسته‌ای، STT دسته‌ای، STT جریانی تماس صوتی، صدای
    بلادرنگ سمت پشتی و جاسازی حافظه.
  </Accordion>
  <Accordion title="DeepInfra">
    سطوح مسیریابی چت/مدل، تولید/ویرایش تصویر، تبدیل متن به ویدئو، TTS دسته‌ای،
    STT دسته‌ای، درک رسانهٔ تصویری و جاسازی حافظه.
    DeepInfra همچنین بازرتبه‌بندی، طبقه‌بندی، تشخیص اشیا و
    انواع دیگر مدل‌های بومی را ارائه می‌دهد؛ OpenClaw هنوز برای این
    دسته‌ها قرارداد ارائه‌دهنده ندارد، بنابراین این Plugin آن‌ها را ثبت نمی‌کند.
  </Accordion>
  <Accordion title="xAI">
    تصویر، ویدئو، جست‌وجو، اجرای کد، TTS دسته‌ای، STT دسته‌ای و STT جریانی
    تماس صوتی. صدای بلادرنگ xAI یک قابلیت بالادستی است، اما تا زمانی که
    قرارداد مشترک صدای بلادرنگ بتواند آن را نمایش دهد، در OpenClaw ثبت
    نمی‌شود.
  </Accordion>
</AccordionGroup>

## مرتبط

- [تولید تصویر](/fa/tools/image-generation)
- [تولید ویدئو](/fa/tools/video-generation)
- [تولید موسیقی](/fa/tools/music-generation)
- [تبدیل متن به گفتار](/fa/tools/tts)
- [درک رسانه](/fa/nodes/media-understanding)
- [گره‌های صوتی](/fa/nodes/audio)
- [حالت Talk](/fa/nodes/talk)