图片、语音与视频：媒体理解与生成能力

聊天窗口不只是文字通道。OpenClaw 把媒体做成了双向能力：收进来能理解，发出去能生成。

收进来：媒体理解

• 图像：发截图、照片，助手直接看图说话；「院子里来了条蛇，拍照发给它」就是官方社区里的真实用法。
• 音频：语音留言自动转写后理解，支持多家转写提供商。
• 视频与文档：视频同样能理解；PDF 有专门工具。

手机端的加成：设备上的相机、屏幕、麦克风都能作为输入源——让助手「看看我拍的这个」时，App 的相机快照（jpg）与短视频（mp4）能力直接顶上，权限全在你的开关里（见手机配对）。

发出去：媒体生成

官方提供统一的能力接口，底层接多家提供商：

• 图像生成与视频生成：结果直接发回聊天窗口。
• 音乐生成：配好提供商即可点歌。
• 文本转语音（TTS）：多个提供商可选，Talk 模式与消息朗读共用这条链路。

媒体在会话里的位置

• 图片、音频、视频、文档都是会话上下文的一部分，之后可以继续追问细节。
• 生成的媒体会作为助手消息投递到你所在的渠道——Telegram 里要图，图就回 Telegram。

实用建议

1. 先试截图理解：把报错截图丢给它，是最常用的起手式。
2. 生成类配额：图像视频生成走提供商计费，成本意识看成本控制。
3. 压缩与格式：手机端上传前 App 会处理附件；过大的媒体注意网络与排队容量（安卓离线队列附件上限 48 MB）。

声音这条线还有更完整的形态：Talk 语音对话。