📖 纸质书《OpenClaw超级个体实操手册》已上市！ 清华大学出版社出版，在开源教程基础上全面重写+逐条验证。🛒 京东专属购买链接（¥42，原价¥59.8）

第14章节 创意应用实战（图片、视频、音乐、TTS、ComfyUI）

本章目标：把旧教程里零散的“画图 / 视频 / 语音 / 第三方 Skill”写法，收束成 OpenClaw 当前官方支持的媒体工作流。

版本基线

先给小白的阅读说明

如果你只是想先做出一个结果，别整章都看

开始前要先知道的 2 件事

  1. 图片和 TTS 通常是同步返回，比较适合新手先试
  2. 视频和音乐通常是后台异步任务，所以不要以为“命令没立刻吐文件就是失败”

小白最容易误会的地方

14.1 先记住这张官方媒体能力图谱

OpenClaw 当前的媒体能力不是零散插件，而是一套共享能力层：

能力 工具 / 命令 常见 provider 说明
图片生成 image_generate / openclaw infer image generate ComfyUI、fal、Google、MiniMax、OpenAI、Vydra 文生图、参考图编辑
视频生成 video_generate / openclaw infer video generate Alibaba、BytePlus、ComfyUI、fal、Google、MiniMax、OpenAI、Qwen、Runway、Together、Vydra、xAI 文生视频、图生视频、视频转视频
音乐生成 music_generate ComfyUI、Google、MiniMax 生成音乐 / 音轨
TTS tts / openclaw infer tts convert ElevenLabs、Microsoft、MiniMax、OpenAI 把文本转成语音
媒体理解 image describe / audio transcribe / video describe 各类多模态 provider 读图、读音频、读视频

最重要的两点：

  1. 图片和 TTS 更偏同步
  2. 视频和音乐是异步后台任务，会进入 task ledger，完成后再唤醒 agent 把结果发回原会话

14.2 图片工作流：现在应该怎么做

14.2.1 命令行直出图

如果你是第一次试媒体能力，强烈建议从这里开始，因为它反馈最快，也最容易判断到底是提示词问题，还是 provider 没配好。

openclaw infer image generate   --prompt "一张手写白板风格的 OpenClaw 自动化架构图"   --json

适合：

看到什么算图片能力已经跑通

14.2.2 对话里直接让 agent 生成

帮我生成一张白板手写风格的配图，主题是“从 cron 到 Task Flow 的自动化升级路径”。

如果 image_generate 已可用，agent 会自动调用对应工具。相比旧教程里的历史 Skill 名称，这才是当前默认主线。

14.2.3 什么时候要单独配 imageGenerationModel

当你满足下面任一情况时，建议手动指定：

{
  "agents": {
    "defaults": {
      "imageGenerationModel": {
        "primary": "openai/gpt-image-1"
      }
    }
  }
}

14.3 视频工作流：理解“异步返回”很关键

14.3.1 最短可用示例

视频生成比图片慢很多，所以你第一次测视频时，目标不是“直接出大片”，而是先确认任务能成功入账并最终完成。

openclaw infer video generate   --prompt "一段 5 秒的电影感镜头：桌面上的 OpenClaw 仪表盘正在更新任务状态"   --json

14.3.2 当前视频工作流的正确心智模型

视频生成不是“一条命令马上拿到 mp4”。更准确的过程是：

  1. OpenClaw 把请求发给 provider
  2. provider 返回任务 id
  3. 任务进入 background task ledger
  4. 完成后 OpenClaw 唤醒原会话，把视频回贴回来

所以你需要学会看：

openclaw tasks list
openclaw tasks show <task-id>
openclaw tasks audit

14.3.3 推荐的视频默认模型写法

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

如果你希望带回退链：

{
  "agents": {
    "defaults": {
      "videoGenerationModel": {
        "primary": "google/veo-3.1-fast-generate-preview",
        "fallbacks": [
          "qwen/wan2.6-r2v-flash"
        ]
      }
    }
  }
}

14.3.4 适合 OpenClaw 做的视频场景

14.4 音乐生成与 TTS：创意产出的最后两块拼图

14.4.1 音乐生成

当前推荐优先通过 agent 工具 music_generate 使用。根据官方文档，如果你看不到这个工具，优先检查：

推荐配置示例：

{
  "agents": {
    "defaults": {
      "musicGenerationModel": {
        "primary": "google/lyria-3-clip-preview"
      }
    }
  }
}

典型 prompt：

生成一段 20 秒的轻电子 synthpop 背景音乐，节奏明快，不要人声，适合做 AI 产品介绍短视频配乐。

14.4.2 TTS：脚本里用 infer，会话里用 tts

openclaw infer tts convert   --text "欢迎来到今天的 OpenClaw 自动化教程。"   --output ./intro.mp3   --json

适合：

14.5 ComfyUI：本地 / 可控工作流的官方连接点

旧教程里很多“本地媒体工作流”写法，是靠零散脚本或第三方桥接完成的。现在更推荐：

这套组合非常适合：

如果你的目标是“生产级可重复工作流”，优先考虑 ComfyUI，而不是继续在旧 Skill 名称上做兼容。

14.6 四类值得直接照搬的创意工作流

工作流 1：教程配图流水线

工作流 2：短视频脚本 + 旁白草稿

工作流 3：品牌一致的封面批量生成

工作流 4：音乐 / 视频异步生产

14.7 本章最容易踩的坑

坑 1：继续把历史第三方 Skill 当默认主线

现在不建议把这些当教程默认入口：

坑 2：没区分“同步”和“异步”媒体任务

坑 3：没给媒体模型单独设默认值

主模型能聊天，不代表它就是最适合图片 / 视频 / 音乐的模型。请把这些能力拆开配置。

坑 4：直接把创意产物交付，不留人工审核

当前最稳的方式仍然是：

14.8 官方参考