Imágenes y voz: ilustrar tu contenido y convertir artículos a voz
💡 Resumen en una frase: usa OpenClaw para hacer ilustraciones con IA para tu contenido y convertir artículos a voz — generar portadas, unificar el estilo y producir la narración, todo en la misma conversación.
Qué podrás hacer al terminar
- Generar para un artículo una portada e ilustraciones del cuerpo con la proporción indicada (16:9, 3:4 según la plataforma)
- Retocar con imagen de referencia para que las ilustraciones de una serie tengan un estilo unificado
- Convertir el texto completo del artículo a voz para hacer podcasts, versiones leídas o audio para el trayecto al trabajo
- Consultar el estado de las tareas de generación en el chat y cambiar entre 11 providers de imágenes según necesites
Por qué usar OpenClaw y no una IA web
| Capacidad | IA web | OpenClaw |
|---|---|---|
| Conexión texto-imagen | ❌ El artículo y el dibujo están en dos pestañas, copiando y pegando de un lado a otro | ✅ Claw lee tu artículo y genera la imagen directamente, sin perder el contexto |
| Proporción y lotes | ❌ Clics manuales de una en una, la proporción suele no encajar con la plataforma | ✅ Una sola instrucción especifica aspectRatio, count |
| Elección de modelo | ❌ Bloqueado en un único proveedor | ✅ Los 11 providers (OpenAI, MiniMax, Google, fal, etc.) se cambian a medida que los configuras |
| Estilo unificado | ❌ Redescribir todo depende de la suerte | ✅ Sube una imagen de referencia y retoca al estilo de "conservar el sujeto, cambiar el fondo" |
| Artículo a voz | ❌ Hay que buscar otra herramienta de TTS | ✅ En la misma conversación conviertes el texto a voz |
Tu situación actual
- Terminaste el artículo, pero para las ilustraciones tienes que abrir una IA web: escribes el prompt tres veces, ajustas la proporción cinco veces, y aun así el estilo no encaja.
- Quieres añadir una versión de voz (podcast/cuenta de lectura), pero tienes que registrarte en otra herramienta de TTS, pegar el texto completo y descargarlo.
- Imagen, texto y audio viven en tres herramientas distintas; cada vez que revisas el artículo, hay que reexportar la imagen y el audio.
Cuándo usar esta técnica
- Artículos de cuentas oficiales/Toutiao necesitan portada e ilustraciones del cuerpo
- Publicaciones de Xiaohongshu necesitan varias ilustraciones con un estilo unificado
- Quieres convertir textos largos a voz para cubrir escenarios "sin poder leer" como el trayecto al trabajo o conducir
- Lección previa: Escenarios prácticos: elige tu ruta
🎒 Preparativos antes de empezar
- OpenClaw está en marcha (este tutorial toma como referencia la v2026.10.9) y has completado Escenarios prácticos: elige tu ruta
- Has configurado al menos un provider de imágenes con su API Key, por ejemplo
MINIMAX_API_KEY,OPENAI_API_KEYoGEMINI_API_KEY, elige uno; para usuarios en China se recomienda empezar por conectar MiniMax (MiniMax ofrece tanto modelos de chat como modelos de imagenimage-01) - Si no has configurado ninguna Key, la herramienta
image_generateno aparecerá; el paso 1 te ayudará a confirmarlo - Voz: no necesitas registrarte de nuevo — las Keys
OPENAI_API_KEY,GEMINI_API_KEY,MINIMAX_API_KEYconfiguradas para las imágenes también sirven de autenticación para los providers de TTS (la voz de MiniMax usa la API T2A v2, modelo por defectospeech-2.8-hd) - Sin configurar ninguna Key también hay voz: el Microsoft integrado usa la red neuronal pública de Edge TTS (sin Key, best-effort sin SLA); cuando no hay voz configurada, el texto mayoritariamente en chino cambia automáticamente a una voz china
zh-CN-XiaoxiaoNeural - Auto-TTS está desactivado por defecto, las respuestas normales son texto; en esta lección usamos el comando
/ttspara generar voz bajo demanda, sin necesidad de activar Auto-TTS
Hazlo conmigo
Paso 1: verifica los modelos disponibles para ilustraciones con IA (action=list)
Por qué: la generación de imágenes de OpenClaw usa la herramienta image_generate, y qué modelos puedes usar depende de qué providers hayas configurado. Echa un vistazo a la lista primero, para no descubrir tras escribir el prompt que falta la Key.
Escribe en el chat:
/tool image_generate action=listDeberías ver: los providers de imágenes actualmente registrados, sus modelos por defecto y las variables de entorno requeridas. Si la lista está vacía, vuelve a «Preparativos antes de empezar», configura la Key y regresa.
Paso 2: pide a Claw que genere la primera ilustración para tu artículo
Por qué: pega directamente un párrafo del artículo a Claw; puede captar las imágenes clave del texto para escribir el prompt de dibujo, ahorrándote el esfuerzo de inventarlo tú mismo.
Envía a Claw el siguiente mensaje (sustituye lo que está entre 【】 por tu contenido):
Ayúdame a generar una portada para el siguiente fragmento de artículo, 16:9 horizontal, con una imagen luminosa y limpia:
【Pega aquí el párrafo inicial de tu artículo】Deberías ver: Claw responde primero con un ID de tarea; la generación de imágenes es asíncrona, y cuando la imagen esté lista llegará un mensaje de finalización con la imagen adjunta, acompañado de una breve leyenda. Mientras esperas puedes seguir enviando mensajes, no hace falta quedarse esperando.
Paso 3: especificar proporción, cantidad y fondo transparente
Por qué: la portada de una cuenta oficial de WeChat necesita 16:9, Xiaohongshu necesita 3:4, y los iconos de stickers necesitan fondo transparente. Estos parámetros se añaden directamente después de la instrucción.
/tool image_generate action=generate model=openai/gpt-image-2 prompt="ilustración plana de dos gatos naranjas tumbados sobre un escritorio mirando un manuscrito" aspectRatio=16:9 count=2Para material con fondo transparente se escribe así:
/tool image_generate action=generate model=openai/gpt-image-1.5 prompt="un sticker circular rojo, fondo transparente" outputFormat=png background=transparentDeberías ver: las imágenes se generan con la proporción (o el tamaño disponible más cercano) y la cantidad especificadas. Los parámetros no compatibles con el modelo se ignoran y se reportan en el resultado, sin generar un error directo.
💡 Este es el valor único de OpenClaw
image_generate una sola herramienta cubre 11 proveedores: para cambiar de modelo solo se modifica model= un parámetro y el resto de la instrucción se reutiliza tal cual; con los fallbacks bien configurados, si a un proveedor se le agota el límite, se cambia automáticamente al siguiente (ver técnicas avanzadas).
Paso 4: editar imágenes con una imagen de referencia para unificar el estilo de toda la serie de ilustraciones
Por qué: las ilustraciones de una serie de artículos deben mantener un estilo coherente. Darle a Claw una imagen finalizada como referencia es mucho más fiable que describir el estilo con palabras.
/tool image_generate action=generate model=openai/gpt-image-2 prompt="conserva el sujeto y cambia el fondo por un estudio fotográfico luminoso" image=/path/to/reference.png size=1024x1536Deberías ver: la nueva imagen conserva el sujeto de la imagen de referencia y el fondo se cambia según lo solicitado. Para usar varias imágenes de referencia, emplea el parámetro images: OpenAI y Google admiten hasta 5 imágenes, xAI hasta 3, y MiniMax 1 imagen de referencia del sujeto.
Paso 5: convertir el artículo en voz (texto a voz con IA)
Por qué: los lectores en camino no pueden leer texto; al convertir el artículo en voz, el mismo contenido cubre también escenarios como el trayecto al trabajo o la conducción.
Si el artículo está a mano, conviértelo directamente de una sola vez:
/tts audio 【pegar aquí el texto del artículo que se quiere leer en voz alta】¿El artículo lo acaba de escribir Claw en el chat? Pídele que lea en voz alta la última respuesta:
/tts latestDeberías ver: llega un mensaje con audio; en Feishu, Matrix, Telegram y WhatsApp se recibe como nota de voz nativa, y en los demás canales como archivo de audio adjunto. /tts audio solo hace esta única conversión y no activa el interruptor de TTS; /tts status permite consultar el estado actual en cualquier momento.
Los textos largos tienen un límite estricto: /tts audio admite como máximo 4096 caracteres por llamada (el valor predeterminado de maxTextLength). Si no se supera, se sintetiza el texto completo tal cual, sin resumir ni truncar, y sin necesidad de ningún comando previo; si se superan los 4096 caracteres, falla directamente con el mensaje Text too long; para artículos más largos, pégalos por segmentos a /tts audio y cada segmento se leerá completo.
De paso: en el modo stt-tts de las llamadas de voz (Talk), la salida de voz utiliza precisamente esta cadena de síntesis TTS (talk.speak invoca la misma ruta); las sesiones realtime nativas del proveedor sintetizan la voz dentro del propio proveedor.
Paso 6: consultar el estado de las tareas y las causas de fallo
Por qué: la generación asíncrona a veces es lenta o falla; consulta primero el estado para decidir si reintentar o cambiar de modelo.
/tool image_generate action=statusDeberías ver: el estado de las tareas de generación de la sesión actual. Si todos los proveedores candidatos fallan, el mensaje de error incluirá los detalles de cada intento; basta con añadir la Key correspondiente o cambiar de modelo.
📋 Prompt mágico
📝 Imágenes con un clic
Resultado esperado: pegas un fragmento de artículo y Claw produce automáticamente la portada más las ilustraciones, dejando claros de una vez la proporción y la cantidad.
Rol: ilustrador de contenido senior.
Tarea: generar imágenes para el artículo que te proporcione.
Información de entrada:
### Campos obligatorios
【Párrafo o texto completo del artículo】
【Plataforma de publicación: cuenta oficial de WeChat/Xiaohongshu/otra】
### Campos opcionales
【Estilo deseado?】
【Color dominante?】
Especificaciones de salida: primero genera 1 imagen de portada 16:9, luego genera 2 ilustraciones para el cuerpo 3:4; cada imagen con una leyenda de una frase.
Restricciones:
✅ Los elementos de la imagen deben provenir del contenido del artículo, sin añadir entidades que no aparezcan en el texto
✅ Todas las ilustraciones mantienen un estilo y color dominante coherentes
❌ No hacer pósters densos en texto (el texto se deja a la maquetación)
❌ No usar primeros planos de rostros reales🔧 Edición con estilo unificado
Resultado esperado: das una imagen de referencia finalizada y las nuevas imágenes heredan automáticamente su estilo y paleta de colores.
Rol: guardián del estilo de ilustración.
Tarea: generar ilustraciones de escenas nuevas basadas en la imagen de referencia.
Información de entrada:
### Campos obligatorios
【Ruta de la imagen de referencia, por ejemplo /path/to/style.png】
【Descripción de la escena nueva】
### Campos opcionales
【Proporción de salida?】
Especificaciones de salida: dibuja la escena nueva con el estilo y la paleta de la imagen de referencia, con el sujeto nítido.
Restricciones:
✅ Composición, trazos y paleta alineados con la imagen de referencia
✅ Dejar en la imagen espacio para la leyenda
❌ No mezclar materiales o estilos que no estén en la imagen de referencia
❌ No modificar el archivo de la imagen de referencia en sí🚀 Artículo a voz
Resultado esperado: pegas un artículo, Claw primero lo convierte en una versión limpia apta para el oído y luego la transforma en voz y te la envía; los textos largos se dividen en segmentos automáticamente.
Rol: productor de un programa de pódcast.
Tarea: reescribir el artículo que te proporcione en una versión limpia apta para leer en voz alta y convertirla en voz para enviármela.
Información de entrada:
### Campos obligatorios
【Texto completo del artículo o ruta del archivo】
### Campos opcionales
【Preferencia de voz, por ejemplo voz femenina serena?】
【Velocidad de lectura, por ejemplo 1.1 veces?】
Especificaciones de salida: primero emite la versión limpia, luego conviértela en voz; si la versión limpia supera los 4096 caracteres, conviértela por segmentos, leyendo cada segmento completo.
Restricciones:
✅ Reescribir las marcas markdown, los enlaces y los bloques de código en formulaciones comprensibles al escuchar
✅ Fiel a los puntos de vista y la información del original, sin añadir contenido nuevo
❌ No leer en voz alta signos como #, *, []
❌ No meter más de 4096 caracteres en un mismo audioPuntos de control ✅
/tool image_generate action=listpuede listar al menos un modelo- La proporción de la portada coincide con la plataforma de publicación (por ejemplo 16:9 / 3:4)
- Las ilustraciones de la serie usan la misma imagen de referencia, con estilo coherente
- La versión de voz lee el texto completo, sin truncamientos
- Sé dónde consultar la causa de un fallo de generación (
action=status+ detalles del error)
Advertencias sobre errores comunes
- La herramienta no aparece:
image_generatesolo aparece tras configurar al menos un proveedor de imágenes. Configura primero una API Key, o inicia sesión con OAuth de OpenAI ChatGPT/Codex. - No uses gpt-image-2 para fondos transparentes: la API actual de
gpt-image-2rechazabackground: "transparent"; para fondo transparente eligeopenai/gpt-image-1.5y configuraoutputFormat=png(o webp). - No te quedes esperando las tareas asíncronas: la generación devuelve primero un ID de tarea y la imagen llega más tarde; mientras tanto puedes seguir chateando, y también usar
action=statuspara consultar el progreso. - No todos los parámetros son válidos para todos los modelos: por ejemplo,
resolutionsolo lo admiten algunos proveedores; los campos no compatibles se ignoran y se reportan en el resultado. - La cantidad de imágenes de referencia tiene un límite: OpenAI/OpenRouter/Google admiten hasta 5, xAI hasta 3, y MiniMax, ComfyUI y Microsoft Foundry, 1 cada uno.
- Los textos largos dan error directamente:
/tts audioel límite por llamada es de 4096 caracteres (maxTextLengthvalor por defecto); si se supera, la llamada falla con el mensajeText too long, y los textos largos se convierten por segmentos. "Resumir antes de sintetizar si supera 1500 caracteres" es un comportamiento exclusivo de Auto-TTS (el doblaje automático que se activa al abrirtts.auto); el/ttsde conversión bajo demanda que usamos en esta lección siempre sintetiza según el texto original. - Las notas de voz de Feishu/WhatsApp necesitan ffmpeg:cuando el canal necesita convertir el audio a Ogg/Opus, el host del Gateway debe tener instalado
ffmpeg;si la transcodificación falla, Feishu degrada el audio original a un archivo adjunto, mientras que WhatsApp directamente no logra enviarlo.
Técnicas avanzadas
Configura fallbacks para los modelos de imagen, y si uno falla (limitación de tasa, error de autenticación) se cambia automáticamente al siguiente:
{
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",
],
},
},
},
},
}Nota: si la instrucción especifica explícitamente model=, solo se probará ese modelo y los fallbacks no participan; solo las solicitudes que no especifiquen model= harán el relevo automático en el orden primary → fallbacks.
Generación de imágenes por lotes desde la línea de comandos (ideal para scripts):
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" \
--jsonLa edición de imágenes corresponde a openclaw infer image edit, y --output-format, --background, --quality también están disponibles.
No solo imágenes:OpenClaw también tiene herramientas de generación de música y vídeo (documentación oficial tools/music-generation, tools/video-generation); los proveedores de vídeo incluyen alibaba (Wan), minimax, etc.
Resumen de esta lección
- Ilustraciones con IA:
image_generateuna sola herramienta cubre 11 proveedores; genera imágenes con una frase en el chat, con parámetros comoaspectRatio,count,backgrounddirectamente después de la instrucción. - Estilo uniforme:pasa imágenes de referencia (
image=/images=) para hacer ediciones del tipo "conservar el sujeto y cambiar el fondo", manteniendo un mismo estilo en toda la serie de ilustraciones. - Texto a voz con IA:
/tts audioconvierte cualquier texto a voz de una sola vez;/tts latestlee directamente la última respuesta; el límite por llamada es de 4096 caracteres, y los textos más largos se convierten por segmentos. El modostt-ttsde las llamadas de voz (Talk) usa precisamente esta cadena de síntesis. - Resolución de problemas:primero
action=statuspara ver el estado; configura bienfallbackspara que los proveedores hagan el relevo automático.
Avance de la próxima lección
En la próxima lección Haz que Claw escriba código: exec, parches y aprobaciones:deja que Claw actúe de verdad: ejecutar comandos, aplicar parches, y pasar antes por una aprobación para las operaciones importantes.