Skip to content

الصور والصوت: تجهيز صور للمحتوى وتحويل المقالات إلى صوت ​

💡 خلاصة بسطر واحد: استخدم OpenClaw لتوليد صور بالذكاء الاصطناعي للمحتوى وتحويل المقالات إلى صوت — توليد الأغلفة، وتوحيد الأسلوب، وإخراج التعليق الصوتي، كل ذلك في محادثة واحدة.

ماذا ستستطيع أن تفعل بعد هذا الدرس ​

  • توليد غلاف ورسوم توضيحية لمقال بنسبة محددة (16:9، 3:4 حسب المنصة)
  • تعديل الصور باستخدام صورة مرجعية لتوحيد أسلوب الرسم في سلسلة كاملة
  • تحويل نص المقال بالكامل إلى صوت لصنع بودكاست أو نسخة صوتية أو صوت للتنقل
  • فحص حالة مهام التوليد في المحادثة والتبديل بين 11 من مزودي الصور حسب الحاجة

لماذا تستخدم OpenClaw بدلًا من ذكاء اصطناعي بإصدار ويب؟ ​

القدرةذكاء اصطناعي بإصدار ويبOpenClaw
الربط بين النص والصور❌ المقال والرسم في تبويبين منفصلين، مع لصق متكرر ذهابًا وإيابًا✅ Claw يقرأ مقالك ويولّد الصور مباشرة دون فقدان السياق
النسبة والكمية❌ نقر يدوي صورة بعد صورة، والنسبة غالبًا لا تناسب المنصة✅ أمر واحد يحدد aspectRatio وcount
اختيار النموذج❌ مقيّد بمزود واحد فقط✅ OpenAI وMiniMax وGoogle وfal وغيرها، 11 مزودًا يُبدَّل متى شئت
توحيد الأسلوب❌ إعادة الوصف من الصفر تعتمد على الحظ✅ ارفع صورة مرجعية وعدّل بأسلوب "إبقاء الموضوع وتغيير الخلفية"
تحويل المقال إلى صوت❌ عليك إيجاد أداة TTS أخرى✅ حوّل نص المقال إلى صوت في المحادثة نفسها

المأزق الذي أنت فيه الآن ​

  • انتهيت من كتابة المقال، لكن الصور لا تزال تتطلب فتح ذكاء اصطناعي بإصدار ويب: تكتب المطلب ثلاث مرات وتضبط النسبة خمس مرات، والأسلوب لا يتطابق أبدًا.
  • تريد إضافة نسخة صوتية (بودكاست/قناة قراءة)، فتحتاج إلى التسجيل في أداة TTS جديدة ولصق النص بالكامل ثم تنزيله.
  • الصور والنص والصوت موزعة على ثلاث أدوات، فبمجرد تعديل المقال يجب إعادة تصدير الصور والصوت.

متى تستخدم هذه الطريقة ​

  • مقالات WeChat الرسمية أو Toutiao تحتاج غلافًا ورسومًا توضيحية للنص
  • منشورات Xiaohongshu المصورة تحتاج عدة صور بأسلوب رسم موحد
  • تريد تحويل مقال طويل إلى صوت لتغطية سيناريوهات "لا يمكن فيها قراءة النص" مثل التنقل والقيادة
  • درس تمهيدي: تطبيقات عملية حسب السيناريو: اختر مسارك

🎒 التحضير قبل البدء ​

  • OpenClaw يعمل لديك (هذا الدرس يعتمد الإصدار v2026.10.9 كمرجع)، وقد أكملت تطبيقات عملية حسب السيناريو: اختر مسارك
  • قم بتكوين مفتاح API لمزود صور واحد على الأقل، مثل MINIMAX_API_KEY أو OPENAI_API_KEY أو GEMINI_API_KEY أيًّا كان منها؛ يُنصح المستخدمون في الصين بالبدء من ربط MiniMax (يقدم MiniMax نماذج محادثة ونماذج صور في آن واحد image-01)
  • بدون تكوين مفتاح لن تظهر أداة image_generate، وستساعدك الخطوة 1 على التحقق
  • الصوت: لا حاجة لتسجيل جديد — OPENAI_API_KEY وGEMINI_API_KEY وMINIMAX_API_KEY التي كوّنتها لخطوة الصور هي نفسها طرق المصادقة لمزودي TTS (صوت MiniMax يعمل عبر T2A v2 API، والنموذج الافتراضي speech-2.8-hd)
  • يمكنك إخراج الصوت حتى بدون تكوين أي مفتاح: مزود Microsoft المدمج يعمل عبر Edge Neural TTS العام (بدون مفتاح، بأفضل جهد دون SLA)، وعند عدم تحديد نبرة صوت يتحول النص ذو الطابع الصيني تلقائيًا إلى نبرة صوت صينية zh-CN-XiaoxiaoNeural
  • خيار Auto-TTS متوقف افتراضيًا والردود العادية نصية؛ يستخدم هذا الدرس أمر /tts لإخراج الصوت عند الحاجة دون تشغيل Auto-TTS

نفّذ معي خطوة بخطوة ​

الخطوة 1: فحص النماذج المتاحة لتوليد الصور بالذكاء الاصطناعي (action=list) ​

لماذا: يعتمد توليد الصور في OpenClaw على أداة image_generate، والنماذج المتاحة لك تعتمد على مزودي الخدمة الذين قمت بتكوينهم. ألقِ نظرة على القائمة أولًا حتى لا تكتشف بعد كتابة المطلب أنك لم تكوّن المفتاح.

اكتب في المحادثة:

text
/tool image_generate action=list

ينبغي أن ترى: مزودي الصور المسجلين حاليًا، ونماذجهم الافتراضية، وتلميحات متغيرات البيئة المطلوبة. إذا كانت القائمة فارغة فارجع إلى قسم «التحضير قبل البدء» أعلاه، وكوّن المفتاح ثم عد.

الخطوة 2: اطلب من Claw توليد أول صورة للمقال ​

لماذا: الصق فقرة من المقال مباشرة لـ Claw، وسيتمكن من التقاط الصور الجوهرية من النص لكتابة مطالبات الرسم، وهذا أيسر من محاولة صياغة المطالبات بنفسك.

أرسل الفقرة التالية إلى Claw (استبدل ما بين 【】 بمحتواك):

text
ساعدني في إنشاء غلاف لهذه الفقرة من المقال، بنسبة 16:9 أفقية، بمشهد مشرق ونظيف:
【الصق فقرة بداية مقالك】

يجب أن ترى: يرد Claw أولًا بمعرّف المهمة — توليد الصور غير متزامن، وعندما تجهز الصورة تصل رسالة إتمام مرفقة بالصورة مع تعليق قصير. خلال الانتظار يمكنك متابعة إرسال الرسائل دون انتظار سلبي.

الخطوة 3: تحديد النسبة والعدد والخلفية الشفافة ​

لماذا: أغلفة حساب WeChat الرسمي تتطلب 16:9، وXiaohongshu يتطلب 3:4، وأيقونات الملصقات تتطلب خلفية شفافة. تُضاف هذه المعاملات مباشرة بعد الأمر.

text
/tool image_generate action=generate model=openai/gpt-image-2 prompt="رسم توضيحي مسطح لقطين برتقاليين مستلقيين على مكتب ينظران إلى مسودة ورقية" aspectRatio=16:9 count=2

تُكتب المواد ذات الخلفية الشفافة هكذا:

text
/tool image_generate action=generate model=openai/gpt-image-1.5 prompt="ملصق دائري أحمر، خلفية شفافة" outputFormat=png background=transparent

يجب أن ترى: تُولَّد الصور بالنسبة المحددة (أو أقرب حجم متاح) وبالعدد المطلوب. المعاملات غير المدعومة من النموذج تُتجاهل ويُبلَّغ عنها في النتيجة دون التسبب في خطأ مباشر.

💡 هذه هي القيمة الفريدة لـ OpenClaw

image_generate أداة واحدة تغطي 11 من مزودي الخدمة: لتغيير النموذج يكفي تعديل model= واحد، ويُعاد استخدام باقي الأمر كما هو؛ ومع إعداد fallbacks جيدًا، عند تقييد مزود يُنتقل تلقائيًا إلى التالي (انظر التقنيات المتقدمة).

الخطوة 4: تعديل الصور باستخدام صورة مرجعية لتوحيد أسلوب مجموعة الرسوم التوضيحية ​

لماذا: يجب أن تكون رسوم المقالات المتسلسلة موحدة الأسلوب. إعطاء Claw صورة نهائية كمرجع أكثر موثوقية بكثير من وصف الأسلوب بالكلمات.

text
/tool image_generate action=generate model=openai/gpt-image-2 prompt="احتفظ بالعنصر الرئيسي واستبدل الخلفية باستوديو تصوير ساطع" image=/path/to/reference.png size=1024x1536

يجب أن ترى: تحتفظ الصورة الجديدة بالعنصر الرئيسي من الصورة المرجعية، وتُستبدل الخلفية حسب طلبك. للرجوع إلى صور متعددة استخدم المعامل images: يدعم OpenAI وGoogle حتى 5 صور، وxAI حتى 3 صور، وMiniMax 1 صورة مرجعية للعنصر الرئيسي.

الخطوة 5: تحويل المقال إلى صوت (تحويل نص إلى كلام بالذكاء الاصطناعي) ​

لماذا: لا يستطيع القراء قراءة النص أثناء التنقل، وتحويل المقال إلى صوت يجعل المحتوى نفسه يغطي مشاهد التنقل وقيادة السيارة.

المقال بين يديك؟ حوّله مباشرة دفعة واحدة:

text
/tts audio 【الصق نص المقال المراد قراءته】

المقال كتبه Claw للتو في الدردشة؟ اطلب منه قراءة آخر رد:

text
/tts latest

يجب أن ترى: رسالة مرفقة بالصوت تعود إليك — تتلقى Feishu وMatrix وTelegram وWhatsApp رسالة صوتية أصلية، وتتلقى القنوات الأخرى مرفقًا صوتيًا. /tts audio ينفّذ هذا التحويل مرة واحدة فقط ولا يفعّل مفتاح TTS؛ استخدم /tts status للاستعلام عن الحالة الحالية في أي وقت.

للنصوص الطويلة حد أقصى صارم: /tts audio يسمح بحد أقصى 4096 حرفًا في المرة الواحدة (القيمة الافتراضية لـ maxTextLength). إذا لم تتجاوز الحد يُصنَّع النص كاملًا كما هو، دون تلخيص أو اقتطاع، ودون أي أوامر مسبقة؛ تجاوز 4096 حرفًا يفشل مباشرة مع رسالة Text too long، والمقالات الأطول تُقسَّم وتُلصق لـ /tts audio، مع نطق كل مقطع كاملًا.

بالمناسبة: في وضع stt-tts للمكالمات الصوتية (Talk)، يمر الإخراج الصوتي عبر مسار تصنيع TTS هذا نفسه (يستدعي talk.speak المسار ذاته)؛ أما جلسات realtime الأصلية للمزود فتصنع الصوت داخليًا لدى المزود.

الخطوة 6: الاستعلام عن حالة المهمة وسبب الفشل ​

لماذا: التوليد غير المتزامن قد يكون بطيئًا أو يفشل أحيانًا، فاستعلم عن الحالة أولًا قبل تقرير إعادة المحاولة أو تغيير النموذج.

text
/tool image_generate action=status

يجب أن ترى: حالة مهام التوليد في الجلسة الحالية. إذا فشلت جميع المزودين المرشحين، تتضمن رسالة الخطأ تفاصيل كل محاولة، فاتبعها لإضافة المفتاح أو تغيير النموذج.

📋 Prompt سحري ​

📝 تجهيز الرسوم التوضيحية بنقرة واحدة ​

التأثير المتوقع: تلصق مقالًا، فينتج Claw تلقائيًا الغلاف مع الرسوم التوضيحية، مع تحديد النسبة والعدد بوضوح مرة واحدة.

text
الدور: رسام محتوى محترف.
المهمة: توليد رسوم توضيحية للمقال الذي أقدمه.
معلومات الإدخال:
### الحقول المطلوبة
【فقرة من المقال أو نصه الكامل】
【منصة النشر: حساب WeChat الرسمي/Xiaohongshu/أخرى】
### حقول اختيارية
【الأسلوب المفضل؟】
【اللون الرئيسي؟】
مواصفات الإخراج: أولًا توليد 1 صورة غلاف بنسبة 16:9، ثم توليد 2 رسم توضيحي للمتن بنسبة 3:4؛ مع تعليق قصير لكل صورة.
القيود:
✅ عناصر الصورة يجب أن تأتي من محتوى المقال، دون إضافة كيانات غير موجودة في النص
✅ توحيد أسلوب جميع الرسوم التوضيحية ولونها الرئيسي
❌ عدم إنشاء ملصقات كثيفة النصوص (النصوص تُترك للتنسيق)
❌ عدم استخدام لقطات مقربة لوجوه حقيقية

🔧 تعديل موحد الأسلوب للصور ​

التأثير المتوقع: تعطي صورة مرجعية نهائية، فتتبع الصور الجديدة أسلوبها وألوانها تلقائيًا.

text
الدور: حارس أسلوب الرسوم التوضيحية.
المهمة: توليد رسم توضيحي لمشهد جديد بناءً على الصورة المرجعية.
معلومات الإدخال:
### الحقول المطلوبة
【مسار الصورة المرجعية، مثل /path/to/style.png】
【وصف المشهد الجديد】
### حقول اختيارية
【نسبة الإخراج؟】
مواصفات الإخراج: ارسم المشهد الجديد بأسلوب الصورة المرجعية وألوانها، مع وضوح العنصر الرئيسي.
القيود:
✅ محاذاة التكوين وضربات الفرشاة والألوان مع الصورة المرجعية
✅ ترك مساحة في الصورة لموضع التعليق
❌ عدم إدخال خامات أو أساليب غير موجودة في الصورة المرجعية
❌ عدم تعديل ملف الصورة المرجعية نفسه

🚀 تحويل المقال إلى صوت ​

التأثير المتوقع: تلصق مقالًا، فيحوّله Claw أولًا إلى مسودة نظيفة مناسبة للأذن، ثم يحوّلها إلى صوت ويرسلها، مع تقسيم النصوص الطويلة تلقائيًا.

text
الدور: منتج برنامج بودكاست.
المهمة: إعادة صياغة المقال الذي أقدمه إلى مسودة نظيفة مناسبة للقراءة الصوتية، وتحويلها إلى صوت وإرسالها إليّ.
معلومات الإدخال:
### الحقول المطلوبة
【النص الكامل للمقال أو مسار الملف】
### حقول اختيارية
【تفضيل نبرة الصوت، مثل صوت أنثوي هادئ؟】
【سرعة الكلام، مثل 1.1 ضعف؟】
مواصفات الإخراج: إخراج المسودة النظيفة أولًا، ثم تحويلها إلى صوت؛ إذا تجاوزت المسودة 4096 حرفًا تُقسَّم للتحويل، مع قراءة كل مقطع كاملًا.
القيود:
✅ إعادة صياغة رموز markdown والروابط وكتل الشيفرة إلى عبارات مفهومة عند الاستماع
✅ الوفاء لآراء النص الأصلي ومعلوماته دون إضافة محتوى جديد
❌ عدم قراءة الرموز مثل # و* و[] حرفيًا
❌ عدم وضع أكثر من 4096 حرفًا في مقطع صوتي واحد

نقاط التحقق ✅ ​

  • /tool image_generate action=list يستطيع سرد نموذج واحد على الأقل
  • نسبة صورة الغلاف مطابقة لمنصة النشر (مثل 16:9 / 3:4)
  • استخدام الرسوم التوضيحية المتسلسلة للصورة المرجعية نفسها بأسلوب موحد
  • النسخة الصوتية تقرأ النص كاملًا دون اقتطاع
  • معرفة أين تبحث عن سبب فشل التوليد (action=status + تفاصيل الخطأ)

تنبيهات للمزالق ​

  • عدم ظهور الأداة: تظهر image_generate فقط بعد إعداد مزود صور واحد على الأقل. أعد مفتاح API أولًا، أو سجّل الدخول عبر OpenAI ChatGPT/Codex OAuth.
  • لا تستخدم gpt-image-2 للخلفية الشفافة: واجهة gpt-image-2 الحالية ترفض background: "transparent"؛ للخلفية الشفافة اختر openai/gpt-image-1.5 وأضف outputFormat=png (أو webp).
  • لا تنتظر سلبيًا المهام غير المتزامنة: يرد التوليد أولًا بمعرّف المهمة وتصل الصورة لاحقًا؛ تابع الدردشة خلال ذلك، ويمكنك أيضًا استخدام action=status للاستعلام عن التقدم.
  • المعاملات ليست موحدة لجميع النماذج: مثلًا resolution يدعمه بعض المزودين فقط، والحقول غير المدعومة تُتجاهل ويُبلَّغ عنها في النتيجة.
  • عدد الصور المرجعية له حد أقصى: يدعم OpenAI/OpenRouter/Google حتى 5 صور، وxAI حتى 3 صور، وMiniMax وComfyUI وMicrosoft Foundry كل منها 1 صورة.
  • النصوص الطويلة تُسبب خطأً مباشرًا:/tts audio الحد الأقصى لكل مرة 4096 حرفًا (القيمة الافتراضية maxTextLength)، وتجاوز الحد يؤدي إلى فشل مع الرسالة Text too long، لذا تُقسَّم النصوص الطويلة للتحويل. أما سلوك «تلخيص النص الذي يتجاوز 1500 حرفًا قبل التركيب» فهو خاص بـ Auto-TTS (التعليق الصوتي التلقائي بعد تفعيل tts.auto) فقط، بينما /tts المستخدم في هذا الدرس يحوّل عند الطلب ويُركّب دائمًا وفق النص الأصلي.
  • الرسائل الصوتية في Feishu/WhatsApp تتطلب ffmpeg: عندما تحتاج القناة إلى تحويل الصوت إلى Ogg/Opus، يجب أن يكون ffmpeg مثبتًا على جهاز Gateway؛ وعند فشل التحويل، تُخفّض Feishu الصوت الأصلي إلى مرفق ملف، بينما يفشل الإرسال في WhatsApp.

نصائح متقدمة ​

اضبط fallbacks لنماذج الصور، فعند فشل مزوّد (حد المعدل، خطأ مصادقة) ينتقل تلقائيًا إلى المزوّد التالي:

json5
{
  agents: {
    defaults: {
      mediaModels: {
        image: {
          primary: "openai/gpt-image-2",
          timeoutMs: 180000,
          fallbacks: [
            "openrouter/google/gemini-3.1-flash-image-preview",
            "google/gemini-3.1-flash-image",
            "fal/fal-ai/flux/dev",
          ],
        },
      },
    },
  },
}

ملاحظة: إذا كُتب model= صراحةً في التعليمات فسيُجرَّب هذا النموذج فقط دون مشاركة fallbacks؛ أما الطلبات التي لا تحدد model= فتتبع تلقائيًا تسلسل primary → fallbacks.

توليد صور دفعة واحدة من سطر الأوامر (مناسب للبرمجة النصية):

bash
openclaw infer image generate \
  --model openai/gpt-image-1.5 \
  --output-format png \
  --background transparent \
  --prompt "一个红色圆形贴纸,透明背景" \
  --json

تعديل الصور يقابل openclaw infer image edit، و--output-format و--background و--quality متاحة كذلك.

ليس صورًا فقط:يضم OpenClaw أيضًا أدوات توليد الموسيقى والفيديو (الوثائق الرسمية tools/music-generation、tools/video-generation)، وتشمل مزوّدات الفيديو alibaba (Wan) وminimax وغيرها.

خلاصة هذا الدرس ​

  • صور بالذكاء الاصطناعي: image_generate أداة واحدة تغطي 11 مزوّدًا، جملة واحدة في المحادثة تُنتج صورة، ومعاملات مثل aspectRatio وcount وbackground تُكتب مباشرة بعد التعليمات.
  • توحيد الأسلوب: مرِّر صورًا مرجعية (image= / images=) لتعديل من نوع «إبقاء الموضوع وتغيير الخلفية»، فتخرج مجموعة الرسوم التوضيحية كلها بأسلوب رسم واحد.
  • تحويل النص إلى كلام بالذكاء الاصطناعي:/tts audio يحوّل أي نص إلى كلام دفعة واحدة، و/tts latest يقرأ مباشرةً الرد السابق؛ الحد الأقصى لكل مرة 4096 حرفًا، وما يتجاوزه يُحوَّل على أجزاء. ونمط stt-tts في المكالمات الصوتية (Talk) يستخدم سلسلة التركيب هذه نفسها.
  • استكشاف الأخطاء:ابدأ بـ action=status لعرض الحالة؛ واضبط fallbacks لينتقل المزوّدون تلقائيًا.

استعراض الدرس التالي ​

في الدرس التالي اجعل Claw يكتب الكود: exec والتصحيحات والموافقات: اجعل Claw يعمل فعليًا — ينفّذ الأوامر ويطبّق التصحيحات، مع خضوع العمليات المهمة للموافقة أولًا.

gaodong.aiAboutPrivacyContact

Independent tutorials, not affiliated with any product mentioned. Product names and trademarks belong to their owners. Check official pages for prices and policies.