视频生成

OpenClaw 智能体可通过 video_generate，根据文本提示词、参考图像或 现有视频生成视频。支持十六个提供商后端；智能体会根据配置和 可用的 API key 自动选择合适的后端。

video_generate 有三种运行时模式，具体模式根据调用中的参考输入 确定：

• generate - 无参考媒体（文生视频）。
• imageToVideo - 一张或多张参考图像。
• videoToVideo - 一个或多个参考视频。

提供商可支持这些模式的任意子集。该工具会在提交前验证 当前模式，并在 action=list 中报告支持的模式。

快速开始

配置身份验证

为任意受支持的提供商设置 API key：

export GEMINI_API_KEY="your-key"

选择默认模型（可选）

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

向智能体发出请求

生成一段 5 秒的电影感视频，内容是一只友好的龙虾在日落时分冲浪。

智能体会自动调用 video_generate。无需将工具加入允许列表。

异步生成的工作方式

视频生成是异步的：

1. OpenClaw 向提供商提交请求，并立即返回任务 ID。
2. 提供商在后台处理任务（通常需要 30 秒到几分钟，具体取决于提供商和分辨率；由慢速队列支持的提供商最长可运行至所配置的超时时间）。
3. 视频就绪后，OpenClaw 会通过内部完成事件唤醒同一会话。
4. 智能体会通过该会话正常的可见回复模式进行报告： 自动发送最终回复；如果会话要求使用消息工具，则使用 message(action="send")。 如果请求者会话处于非活动状态，或唤醒失败且完成回复中仍缺少生成的媒体， OpenClaw 会以幂等方式直接回退发送该媒体。

任务进行期间，同一会话中重复调用 video_generate 会返回 当前任务状态，而不会启动另一次生成。使用 action: "status" 可在不触发新生成的情况下检查状态，或从 CLI 使用 openclaw tasks list / openclaw tasks show <lookup>（参阅后台任务）。

在不依赖会话的智能体运行之外（例如直接调用工具）， 该工具会回退到内联生成，并在同一轮中返回最终媒体路径。

当提供商返回字节数据时，生成的视频文件会保存到 OpenClaw 管理的媒体存储中。 默认上限为 16MB（共享视频媒体限制）；agents.defaults.mediaMaxMb 可为较大的渲染结果提高此限制。当提供商还返回托管输出 URL 时， 如果本地持久化因文件过大而拒绝保存，OpenClaw 会改为交付该 URL， 而不会使任务失败。

任务生命周期

从 CLI 检查状态：

openclaw tasks list
openclaw tasks show <lookup>
openclaw tasks cancel <lookup>

支持的提供商

部分提供商接受其他或备用的 API key 环境变量。有关详情，请参阅 各个提供商页面。

运行 video_generate action=list 可在运行时查看可用的提供商、模型和 运行时模式。

能力矩阵

video_generate、契约测试和共享实时扫描使用的显式模式契约：

工具参数

必填

要生成的视频的文本描述。对于 action: "generate"，此项为必填。

内容输入

单张参考图像（路径或 URL）。

多张参考图像（最多 9 张）。

可选的逐位置角色提示，与合并后的图像列表一一对应。 规范值：first_frame、last_frame、reference_image。

单个参考视频（路径或 URL）。

多个参考视频（最多 4 个）。

可选的逐位置角色提示，与合并后的视频列表一一对应。 规范值：reference_video。

单个参考音频（路径或 URL）。当提供商支持音频输入时，用作背景音乐或语音 参考。

多个参考音频（最多 3 个）。

可选的逐位置角色提示，与合并后的音频列表一一对应。 规范值：reference_audio。

样式控制

宽高比提示，例如 1:1、16:9、9:16、adaptive，或提供商特定值。OpenClaw 会根据提供商规范化或忽略不支持的值。

分辨率提示，例如 360P、480P、540P、720P、768P、1080P、4K，或提供商特定值。OpenClaw 会根据提供商规范化或忽略不支持的值。

目标时长，以秒为单位（舍入到最接近的提供商支持值）。

提供商支持时使用的尺寸提示。

在支持时为输出启用生成的音频。与 audioRef*（输入）不同。

在支持时切换提供商水印。

adaptive 是提供商特定的哨兵值：对于在能力中声明 adaptive 的提供商，该值会原样转发（例如 BytePlus Seedance 使用它根据输入图像尺寸自动检测宽高比）。 未声明该能力的提供商会通过工具结果中的 details.ignoredOverrides 显示该值，以便明确看出它已被丢弃。

高级选项

"status" 返回当前会话任务；"list" 检查提供商。

覆盖提供商/模型（例如 runway/gen4.5）。

输出文件名提示。

可选的提供商操作超时时间，以毫秒为单位。省略时，OpenClaw 会使用已配置的 agents.defaults.mediaModels.video.timeoutMs；否则，如果存在插件编写者设置的提供商默认值，则使用该默认值。

JSON 对象形式的提供商特定选项（例如 {"seed": 42, "draft": true}）。 声明了类型化 schema 的提供商会验证键和类型；遇到未知 键或类型不匹配时，将在回退期间跳过该候选提供商。未声明 schema 的提供商会原样接收选项。运行 video_generate action=list 可查看每个提供商接受的选项。

参考输入决定运行时模式：

• 无参考媒体 -> generate
• 存在任意图像参考 -> imageToVideo
• 存在任意视频参考 -> videoToVideo
• 参考音频输入不会改变解析出的模式；它们会应用于 图像/视频参考所选模式之上，并且仅适用于 声明了 maxInputAudios 的提供商。

混合使用图像和视频参考并非稳定的共享能力接口。 每次请求最好只使用一种参考类型。

回退和类型化选项

某些能力检查在回退层而非工具 边界执行，因此即使请求超出主要提供商的限制，仍可在能力足够的回退提供商上 运行：

• 当请求包含音频参考时，如果当前候选提供商未声明 maxInputAudios（或 0）， 则跳过该候选并尝试下一个候选。对照 maxInputImages/maxInputVideos 检查图像和视频参考数量时，也应用相同的 保护机制。
• 当前候选提供商的 maxDurationSeconds 低于请求的 durationSeconds， 且未声明 supportedDurationSeconds 列表 -> 跳过。
• 请求包含 providerOptions，且当前候选提供商明确 声明了类型化 providerOptions schema -> 如果提供的键 不在 schema 中或值类型不匹配，则跳过。未声明 schema 的提供商会原样接收选项（向后兼容的 透传）。提供商可通过声明空 schema （capabilities.providerOptions: {}）选择不接受任何提供商选项，这会 像类型不匹配一样导致跳过。

请求中的第一个跳过原因会以 warn 级别记录，使操作员可以看到 主要提供商何时被跳过；后续跳过原因会以 debug 级别记录，以免 过长的回退链产生过多日志。如果所有候选提供商都被跳过， 汇总错误会包含每个候选提供商的跳过原因。

操作

模型选择

OpenClaw 按以下顺序解析模型：

1. model 工具参数 - 如果智能体在调用中指定了该参数。
2. 配置中的 videoGenerationModel.primary。
3. 按顺序使用 videoGenerationModel.fallbacks。
4. 自动检测 - 从当前默认提供商开始，然后按字母 顺序检查其余提供商，选择具有有效身份验证的提供商。

如果提供商失败，将自动尝试下一个候选提供商。如果所有 候选提供商均失败，错误会包含每次尝试的详细信息。

始终启用跨已验证身份提供商的自动回退。每次调用指定的 model 仍具有最终决定权。

{
  agents: {
    defaults: {
      videoGenerationModel: {
        primary: "google/veo-3.1-fast-generate-preview",
        fallbacks: ["runway/gen4.5", "qwen/wan2.6-t2v"],
        timeoutMs: 180000, // 可选的每工具提供商请求超时覆盖值
      },
    },
  },
}

提供商说明

提供商能力模式

共享视频生成契约支持特定于模式的能力， 而不仅是扁平的聚合限制。新的提供商实现 应优先使用显式模式块：

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,
  },
}

maxInputImages 和 maxInputVideos 等扁平聚合字段 不足以声明对转换模式的支持。提供商应 显式声明 generate、imageToVideo 和 videoToVideo，使实时 测试、契约测试以及共享的 video_generate 工具能够以确定性方式验证 模式支持。

当提供商中的某个模型比其他模型支持更多引用输入时， 请使用 maxInputImagesByModel、maxInputVideosByModel 或 maxInputAudiosByModel，而不是提高整个模式的限制。

实时测试

共享内置提供商的选择性实时覆盖：

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

仓库封装命令：

pnpm test:live:media video

默认情况下，此实时测试文件优先使用已导出的提供商环境变量，而不是已存储的身份验证 配置文件，并默认运行适用于发布的冒烟测试：

• 扫描中的每个非 FAL 提供商均使用 generate。
• 一秒钟的龙虾提示词。
• 来自 OPENCLAW_LIVE_VIDEO_GENERATION_TIMEOUT_MS 的每提供商操作上限（默认为 180000）。

FAL 需要选择启用，因为提供商侧的队列延迟可能主导发布 耗时：

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

设置 OPENCLAW_LIVE_VIDEO_GENERATION_FULL_MODES=1 后，还会运行已声明的 转换模式；共享扫描可以使用本地媒体安全地测试这些模式：

• 当 capabilities.imageToVideo.enabled 时运行 imageToVideo。
• 当 capabilities.videoToVideo.enabled 且 提供商/模型在共享扫描中接受缓冲区支持的本地视频输入时，运行 videoToVideo。

目前，仅当选择 runway/gen4_aleph 时，共享的 videoToVideo 实时通道才会覆盖 runway。

配置

在 OpenClaw 配置中设置默认视频生成模型：

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

或通过 CLI 设置：

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

相关内容

• Alibaba Model Studio
• 后台任务 - 异步视频生成的任务跟踪
• BytePlus
• ComfyUI
• 配置参考
• fal
• Google (Gemini)
• MiniMax
• Models
• OpenAI
• Qwen
• Runway
• Together AI
• 工具概览
• Vydra
• xAI