Skip to content

इमेज और स्पीच: कंटेंट के लिए चित्रण, आर्टिकल को स्पीच में बदलें ​

💡 एक वाक्य में सारांश: OpenClaw से कंटेंट के लिए AI इमेज बनाएं और आर्टिकल को स्पीच में बदलें — कवर जनरेट करना, शैली एकरूप करना, वॉयसओवर निकालना, सब एक ही बातचीत में पूरा होता है।

सीखने के बाद आप क्या कर सकेंगे ​

  • किसी आर्टिकल के लिए निर्दिष्ट अनुपात की कवर इमेज और मुख्य टेक्स्ट के चित्रण बनाएं (16:9, 3:4 प्लेटफ़ॉर्म के अनुसार बदलें)
  • रेफरेंस इमेज से चित्र बदलकर एक श्रृंखला के चित्रण की शैली एकरूप करें
  • आर्टिकल के पूरे टेक्स्ट को स्पीच में बदलें, पॉडकास्ट, पठन संस्करण या यात्रा ऑडियो बनाएं
  • चैट में जनरेशन टास्क की स्थिति जांचें, आवश्यकतानुसार 11 इमेज provider बदलें

वेब संस्करण AI के बजाय OpenClaw क्यों? ​

क्षमतावेब संस्करण AIOpenClaw
टेक्स्ट-इमेज जुड़ाव❌ आर्टिकल और ड्रॉइंग दो अलग टैब में, बार-बार पेस्ट✅ Claw आपका आर्टिकल पढ़कर सीधे इमेज बनाता है, संदर्भ खोया नहीं जाता
अनुपात और बैच❌ एक-एक इमेज हाथ से, अनुपात अक्सर प्लेटफ़ॉर्म से मेल नहीं खाता✅ एक निर्देश में aspectRatio, count निर्दिष्ट करें
मॉडल चयन❌ एक ही विक्रेता पर लॉक✅ OpenAI, MiniMax, Google, fal आदि 11 provider कॉन्फ़िगर करते ही बदल सकते हैं
शैली एकरूपता❌ दोबारा वर्णन करना पूरी तरह भाग्य पर✅ रेफरेंस इमेज अपलोड करें, "मुख्य विषय रखें, पृष्ठभूमि बदलें" शैली में चित्र बदलें
आर्टिकल-टू-स्पीच❌ एक और TTS टूल ढूंढना पड़ता है✅ उसी बातचीत में मुख्य टेक्स्ट को स्पीच में बदलें

आपकी वर्तमान दुश्वारी ​

  • आर्टिकल लिख लिया, पर चित्रण के लिए वेब संस्करण AI खोलना पड़ता है: प्रॉम्प्ट तीन बार लिखें, अनुपात पांच बार बदलें, फिर भी शैली मेल नहीं खाती।
  • वॉयस संस्करण (पॉडकास्ट/पठन अकाउंट) जोड़ना चाहें तो फिर एक TTS टूल रजिस्टर करें, पूरा टेक्स्ट पेस्ट करें और डाउनलोड करें।
  • इमेज, टेक्स्ट और ऑडियो तीन अलग टूल में बंटे हैं; आर्टिकल का एक संस्करण बदलें तो इमेज और ऑडियो दोबारा एक्सपोर्ट करने पड़ते हैं।

यह तरीका कब अपनाएं ​

  • सार्वजनिक अकाउंट/Toutiao आर्टिकल को कवर इमेज और मुख्य टेक्स्ट चित्रण चाहिए
  • Xiaohongshu टेक्स्ट-इमेज पोस्ट को कई एकरूप शैली वाली इमेज चाहिए
  • लंबे आर्टिकल को स्पीच में बदलकर यात्रा, गाड़ी चलाने जैसे "टेक्स्ट नहीं पढ़ सकते" परिदृश्यों को कवर करें
  • पूर्व-पाठ: परिदृश्य व्यवहार: अपना मार्ग चुनें

🎒 शुरू करने से पहले की तैयारी ​

  • OpenClaw चल रहा हो (यह ट्यूटोरियल v2026.10.9 को आधार मानता है), और परिदृश्य व्यवहार: अपना मार्ग चुनें पूरा किया हो
  • कम से कम एक इमेज provider की API Key कॉन्फ़िगर करें, जैसे MINIMAX_API_KEY, OPENAI_API_KEY, GEMINI_API_KEY में से कोई एक; चीन के उपयोगकर्ताओं के लिए MiniMax जोड़ना से शुरू करना बेहतर है (MiniMax चैट मॉडल और इमेज मॉडल image-01 दोनों देता है)
  • Key कॉन्फ़िगर न हो तो image_generate टूल दिखाई नहीं देता; चरण 1 में इसकी पुष्टि होगी
  • स्पीच: नया रजिस्ट्रेशन नहीं चाहिए — इमेज चरण में कॉन्फ़िगर की गई OPENAI_API_KEY, GEMINI_API_KEY, MINIMAX_API_KEY Key ही TTS provider का प्रमाणीकरण तरीका हैं (MiniMax स्पीच T2A v2 API से चलती है, डिफ़ॉल्ट मॉडल speech-2.8-hd)
  • एक भी Key कॉन्फ़िगर न करें तो भी आवाज़ निकलेगी: बिल्ट-इन Microsoft सार्वजनिक Edge न्यूरल नेटवर्क TTS से चलता है (Key नहीं चाहिए, best-effort, कोई SLA नहीं); वॉयस सेट न होने पर चीनी-प्रधान टेक्स्ट अपने आप चीनी वॉयस zh-CN-XiaoxiaoNeural पर चला जाता है
  • Auto-TTS डिफ़ॉल्ट रूप से बंद रहता है, सामान्य उत्तर टेक्स्ट में होते हैं; यह पाठ /tts कमांड से आवश्यकतानुसार आवाज़ निकालता है, Auto-TTS चालू करने की ज़रूरत नहीं

मेरे साथ करें ​

चरण 1: AI इमेज निर्माण के लिए उपलब्ध मॉडल जांचें (action=list) ​

क्यों: OpenClaw की इमेज जनरेशन image_generate टूल से होती है; कौन से मॉडल उपयोग कर सकते हैं, यह इस पर निर्भर करता है कि आपने कौन से provider कॉन्फ़िगर किए हैं। पहले सूची देख लें, वरना प्रॉम्प्ट लिखने के बाद पता चलेगा कि Key कॉन्फ़िगर ही नहीं है।

चैट में लिखें:

text
/tool image_generate action=list

आपको यह दिखना चाहिए: वर्तमान में पंजीकृत इमेज provider, उनके डिफ़ॉल्ट मॉडल और आवश्यक environment variable संकेत। सूची खाली हो तो ऊपर दी «शुरू करने से पहले की तैयारी» पर लौटें, Key कॉन्फ़िगर करके फिर आएं।

चरण 2: Claw से आर्टिकल के लिए पहला चित्रण बनवाएं ​

क्यों: आर्टिकल का पैराग्राफ सीधे Claw को भेजें, वह टेक्स्ट से मुख्य बिंब उठाकर ड्रॉइंग प्रॉम्प्ट लिख सकता है — खुद प्रॉम्प्ट रचते रहने से आसान।

नीचे दी बात Claw को भेजें (【】 में अपना कंटेंट डालें):

text
नीचे दिए आर्टिकल के लिए एक कवर इमेज बनाएं, 16:9 क्षैतिज, तस्वीर चमकदार और साफ़ हो:
【अपने आर्टिकल का शुरुआती पैराग्राफ पेस्ट करें】

आपको यह दिखना चाहिए: Claw पहले एक task ID लौटाता है — इमेज जनरेशन asynchronous होती है, इमेज तैयार होने पर एक completion message इमेज अटैचमेंट के साथ वापस आता है, साथ में एक छोटा caption। प्रतीक्षा के दौरान आप और संदेश भेजते रह सकते हैं, खाली बैठने की ज़रूरत नहीं।

चरण 3: अनुपात, संख्या और transparent background निर्दिष्ट करें ​

क्यों: WeChat आधिकारिक अकाउंट कवर के लिए 16:9 चाहिए, Xiaohongshu के लिए 3:4, और स्टिकर आइकन के लिए transparent background। ये पैरामीटर सीधे command के बाद लगाए जाते हैं।

text
/tool image_generate action=generate model=openai/gpt-image-2 prompt="दो नारंगी बिल्लियाँ डेस्क पर पांडुलिपि देखते हुए, flat illustration" aspectRatio=16:9 count=2

Transparent background वाली सामग्री इस तरह लिखें:

text
/tool image_generate action=generate model=openai/gpt-image-1.5 prompt="एक लाल गोल स्टिकर, transparent background" outputFormat=png background=transparent

आपको यह दिखना चाहिए: इमेज निर्दिष्ट अनुपात (या निकटतम उपलब्ध आकार) और संख्या में जनरेट होती है। मॉडल द्वारा समर्थित न होने वाले पैरामीटर ignore हो जाते हैं और परिणाम में रिपोर्ट होते हैं, सीधे error नहीं देते।

💡 यही OpenClaw का अनूठा मूल्य है

image_generate एक ही tool से 11 provider परिवारों का पूरा कवरेज: मॉडल बदलने के लिए केवल model= पैरामीटर बदलें, बाकी command जस की तस पुनः उपयोग करें; fallbacks कॉन्फ़िगर करने पर एक परिवार rate-limit होने पर अपने आप अगले परिवार पर चला जाता है (advanced tips देखें)।

चरण 4: reference इमेज से इमेज एडिट करें, पूरी illustration सीरीज़ की style एकरूप करें ​

क्यों: सीरीज़ लेखों की illustrations की style एकरूप होनी चाहिए। Claw को एक final इमेज reference देना, style का टेक्स्ट विवरण देने से कहीं ज़्यादा भरोसेमंद है।

text
/tool image_generate action=generate model=openai/gpt-image-2 prompt="subject बनाए रखें, background को एक चमकदार photography studio में बदलें" image=/path/to/reference.png size=1024x1536

आपको यह दिखना चाहिए: नई इमेज reference इमेज का subject बनाए रखती है, background आपकी मांग के अनुसार बदल जाता है। कई reference इमेज चाहिए तो images पैरामीटर का उपयोग करें: OpenAI, Google अधिकतम 5 इमेज, xAI अधिकतम 3, MiniMax 1 subject reference।

चरण 5: लेख को speech में बदलें (AI text-to-speech) ​

क्यों: पाठक रास्ते में text नहीं पढ़ सकते; लेख को speech में बदलने से वही सामग्री commute और ड्राइविंग जैसे scenarios को भी कवर कर लेती है।

लेख हाथ में ही है, तो सीधे एक ही बार में convert करें:

text
/tts audio 【पढ़ने के लिए लेख का text paste करें】

लेख Claw ने अभी-अभी chat में लिखा है? इसे नवीनतम reply पढ़ने के लिए कहें:

text
/tts latest

आपको यह दिखना चाहिए: audio के साथ एक संदेश वापस आता है — Feishu, Matrix, Telegram, WhatsApp पर native voice message मिलता है, अन्य channels पर audio अटैचमेंट। /tts audio केवल यही एक बार conversion करता है, TTS switch on नहीं करता; /tts status से कभी भी वर्तमान स्थिति देखें।

लंबे लेखों की hard limit: /tts audio एक बार में अधिकतम 4096 अक्षर (maxTextLength का डिफ़ॉल्ट मान)। सीमा के भीतर रहने पर मूल text पूरा synthesize होता है, बिना summary, बिना truncation, किसी prior command की ज़रूरत नहीं; 4096 अक्षर से अधिक होने पर सीधे fail हो जाता है और Text too long संदेश दिखाता है — लंबे लेखों को हिस्सों में /tts audio को दें, हर हिस्सा पूरा बोला जाएगा।

वैसे बता दें: voice call (Talk) के stt-tts mode में speech output इसी TTS synthesis pipeline से होता है (talk.speak उसी path को call करता है); provider का native realtime session provider के अंदर ही speech synthesize करता है।

चरण 6: task स्थिति और failure का कारण देखें ​

क्यों: asynchronous generation कभी-कभी धीमी होती है या fail हो जाती है; पहले स्थिति देखें, फिर तय करें कि retry करें या मॉडल बदलें।

text
/tool image_generate action=status

आपको यह दिखना चाहिए: वर्तमान session के generation tasks की स्थिति। अगर सभी candidate providers fail हो जाएँ, तो error message में हर attempt का विवरण होता है — उसी के अनुसार Key जोड़ें या मॉडल बदलें।

📋 जादुई Prompt ​

📝 एक-क्लिक illustration ​

अपेक्षित परिणाम: लेख का एक हिस्सा paste करें, Claw अपने आप cover और illustrations बना देता है — अनुपात और संख्या एक ही बार में स्पष्ट।

text
भूमिका: वरिष्ठ content illustrator।
कार्य: मेरे दिए गए लेख के लिए illustrations जनरेट करें।
इनपुट जानकारी:
### अनिवार्य फ़ील्ड
【लेख का अनुच्छेद या पूरा text】
【प्रकाशन प्लेटफ़ॉर्म: WeChat आधिकारिक अकाउंट/Xiaohongshu/अन्य】
### वैकल्पिक फ़ील्ड
【इच्छित art style?】
【मुख्य रंग योजना?】
आउटपुट विनिर्देश: पहले 1 इमेज 16:9 cover जनरेट करें, फिर 2 इमेज 3:4 मुख्य text illustrations; हर इमेज के साथ एक caption।
प्रतिबंध:
✅ इमेज के तत्व लेख की सामग्री से ही आने चाहिए, लेख में न होने वाली वस्तुएँ न जोड़ें
✅ सभी illustrations की style और मुख्य रंग योजना एकरूप रहे
❌ text-घनी poster न बनाएँ (text layout के लिए छोड़ें)
❌ असली चेहरों के close-up का उपयोग न करें

🔧 Style-एकरूप इमेज एडिट ​

अपेक्षित परिणाम: एक final reference इमेज दें, नई इमेज अपने आप उसी की style और रंग योजना अपनाती है।

text
भूमिका: illustration style की रखवाली करने वाला।
कार्य: reference इमेज के आधार पर नए scene की illustration जनरेट करें।
इनपुट जानकारी:
### अनिवार्य फ़ील्ड
【reference इमेज का path, जैसे /path/to/style.png】
【नए scene का विवरण】
### वैकल्पिक फ़ील्ड
【आउटपुट अनुपात?】
आउटपुट विनिर्देश: reference इमेज की style और रंग योजना से नया scene बनाएँ, subject स्पष्ट रहे।
प्रतिबंध:
✅ composition, brushwork और रंग योजना reference इमेज के अनुरूप रहें
✅ इमेज में caption के लिए जगह छोड़ें
❌ reference इमेज में न होने वाली texture या style न मिलाएँ
❌ reference इमेज फ़ाइल को स्वयं modify न करें

🚀 लेख से speech ​

अपेक्षित परिणाम: एक लेख paste करें, Claw पहले उसे कानों के लिए उपयुक्त clean draft में बदलता है, फिर speech बनाकर वापस भेजता है; लंबे लेख अपने आप हिस्सों में बँट जाते हैं।

text
भूमिका: podcast producer।
कार्य: मेरे दिए गए लेख को पढ़ने योग्य clean draft में rewrite करें और speech बनाकर मुझे भेजें।
इनपुट जानकारी:
### अनिवार्य फ़ील्ड
【लेख का पूरा text या फ़ाइल path】
### वैकल्पिक फ़ील्ड
【voice प्राथमिकता, जैसे गहरी महिला आवाज़?】
【बोलने की गति, जैसे 1.1 गुना?】
आउटपुट विनिर्देश: पहले clean draft आउटपुट करें, फिर उसे speech में बदलें; clean draft 4096 अक्षर से अधिक हो तो हिस्सों में convert करें, हर हिस्सा पूरा पढ़ा जाए।
प्रतिबंध:
✅ markdown चिह्न, links और code blocks को spoken में समझ आने वाले विवरण में बदलें
✅ मूल लेख के विचारों और जानकारी के प्रति ईमानदार रहें, नई सामग्री न जोड़ें
❌ #, *, [] जैसे चिह्नों को अक्षरशः न पढ़ें
❌ एक speech में 4096 अक्षर से अधिक न भरें

Checkpoint ✅ ​

  • /tool image_generate action=list कम से कम एक मॉडल list कर सकता है
  • cover इमेज का अनुपात प्रकाशन प्लेटफ़ॉर्म से मेल खाता है (जैसे 16:9 / 3:4)
  • सीरीज़ की illustrations एक ही reference इमेज से बनी हैं, style एकरूप है
  • speech संस्करण पूरा लेख पढ़ता है, कोई truncation नहीं
  • पता है कि generation fail होने पर कहाँ कारण देखना है (action=status + error विवरण)

आम ग़लतियों की चेतावनी ​

  • tool दिखता नहीं है: image_generate केवल कम से कम एक image provider configure होने पर दिखता है। पहले API Key configure करें, या OpenAI ChatGPT/Codex OAuth से login करें।
  • Transparent background के लिए gpt-image-2 का उपयोग न करें: वर्तमान gpt-image-2 API background: "transparent" को reject करता है; transparent background के लिए openai/gpt-image-1.5 चुनें और outputFormat=png (या webp) configure करें।
  • asynchronous task के लिए खाली इंतज़ार न करें: generation पहले task ID लौटाती है, इमेज थोड़ी देर बाद आती है; उस दौरान chat जारी रखें, या action=status से progress देखें।
  • पैरामीटर सभी मॉडलों पर नहीं चलते: जैसे resolution केवल कुछ providers support करते हैं; unsupported फ़ील्ड ignore होकर परिणाम में रिपोर्ट होते हैं।
  • reference इमेज की संख्या की limit: OpenAI/OpenRouter/Google अधिकतम 5 इमेज, xAI अधिकतम 3, MiniMax, ComfyUI, Microsoft Foundry प्रत्येक 1।
  • लंबे टेक्स्ट पर सीधे एरर:/tts audio की एक बार की सीमा 4096 अक्षर है (maxTextLength डिफ़ॉल्ट मान), सीमा पार होने पर यह विफल हो जाता है और Text too long संदेश दिखाता है, लंबे टेक्स्ट को खंडों में बाँटकर बदलें।「1500 अक्षर से अधिक पर पहले सारांश फिर सिंथेसिस」 केवल Auto-TTS (tts.auto चालू करने के बाद का ऑटो डबिंग) का व्यवहार है, इस पाठ में उपयोग किया गया /tts माँगे जाने पर बदलता है और हमेशा मूल टेक्स्ट के अनुसार सिंथेसाइज़ करता है।
  • Feishu/WhatsApp वॉइस मैसेज के लिए ffmpeg चाहिए:जब चैनल को ऑडियो को Ogg/Opus में बदलने की ज़रूरत होती है, तो Gateway होस्ट पर ffmpeg इंस्टॉल होना चाहिए; ट्रांसकोडिंग विफल होने पर Feishu मूल ऑडियो को फ़ाइल अटैचमेंट में डाउनग्रेड कर देता है, जबकि WhatsApp पर भेजना विफल हो जाता है।

एडवांस टिप्स ​

इमेज मॉडल के लिए fallbacks कॉन्फ़िगर करें, एक विफल होने पर (रेट लिमिट, ऑथेंटिकेशन एरर) अपने आप अगले पर स्विच हो जाता है:

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",
          ],
        },
      },
    },
  },
}

ध्यान दें: जब निर्देश में स्पष्ट रूप से model= लिखा हो, तो केवल यही एक मॉडल आज़माया जाता है, fallbacks शामिल नहीं होते; केवल वे अनुरोध जिनमें model= निर्दिष्ट नहीं है, primary → fallbacks क्रम में अपने आप आगे बढ़ते हैं।

कमांड लाइन से बैच इमेज जनरेशन (स्क्रिप्टिंग के लिए उपयुक्त):

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

इमेज एडिटिंग openclaw infer image edit से मेल खाती है, --output-format, --background, --quality भी उसी तरह उपयोग किए जा सकते हैं।

केवल इमेज नहीं: OpenClaw में म्यूज़िक और वीडियो जनरेशन टूल भी हैं (आधिकारिक दस्तावेज़ tools/music-generation, tools/video-generation), वीडियो provider में alibaba (Wan), minimax आदि शामिल हैं।

इस पाठ का सारांश ​

  • AI इमेज निर्माण:image_generate एक ही टूल से 11 provider परिवारों को हैंडल करता है, चैट में एक वाक्य से इमेज बनती है, aspectRatio, count, background जैसे पैरामीटर सीधे निर्देश के बाद लगाए जाते हैं।
  • एकरूप स्टाइल:रेफ़रेंस इमेज (image= / images=) भेजकर "सब्जेक्ट रखें, बैकग्राउंड बदलें" जैसी इमेज एडिटिंग करें, पूरे इलस्ट्रेशन सेट की एक ही शैली बनती है।
  • AI टेक्स्ट-टू-स्पीच:/tts audio किसी भी टेक्स्ट को एक बार में स्पीच में बदलता है, /tts latest पिछले रिप्लाई को सीधे पढ़ता है; एक बार की सीमा 4096 अक्षर है, अधिक लंबे टेक्स्ट खंडों में बदले जाते हैं। वॉइस कॉल (Talk) का stt-tts मोड इसी सिंथेसिस चेन का उपयोग करता है।
  • ट्रबलशूटिंग:पहले action=status से स्थिति देखें; fallbacks कॉन्फ़िगर करें ताकि provider अपने आप आगे बढ़ें।

अगले पाठ की झलक ​

अगला पाठ Claw से कोड लिखवाएं: exec, पैच और अप्रूवल: Claw को सच में काम करने दें——कमांड चलाना, पैच लगाना, और महत्वपूर्ण ऑपरेशन पहले अप्रूवल से गुज़रें।

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.