图片与语音：给内容配图、把文章转语音

💡 一句话总结：用 OpenClaw 给内容做 AI 配图、把文章转成语音 —— 生成封面、统一风格、输出配音，全在同一个对话里完成。

学完你能做什么

给一篇文章生成指定比例的封面图和正文插图（16:9、3:4 随平台切换）
用参考图改图，让一个系列的插图画风统一
把文章全文转成语音，做播客、朗读版或通勤音频
在聊天里查生成任务状态、按需切换 11 家图片 provider

为什么用 OpenClaw，而不是网页版 AI？

能力	网页版 AI	OpenClaw
图文衔接	❌ 文章和绘图分属两个标签页，来回粘贴	✅ Claw 读完你的文章直接出图，上下文不丢
比例与批量	❌ 一张张手动点，比例常不合平台	✅ 一条指令指定 `aspectRatio`、`count`
模型选择	❌ 锁死单一厂商	✅ OpenAI、MiniMax、Google、fal 等 11 家随配随换
风格统一	❌ 重新描述全凭运气	✅ 传参考图，"保留主体、换背景"式改图
文章转语音	❌ 得再找一个 TTS 工具	✅ 同一个对话里把正文转成语音

你现在的困境

文章写完了，配图还得开网页版 AI：提示词写三遍、比例调五遍，风格还是对不上。
想加个语音版（播客/朗读号），又要注册一个 TTS 工具，把全文粘过去再下载。
图、文、音分居三个工具，文章改一版，图和音频就得重新导一遍。

什么时候用这一招

公众号/头条文章需要封面图和正文插图
小红书图文需要多张画风统一的配图
长文想转成语音，覆盖通勤、开车这些"没法看字"的场景
前置课：场景实战：选择你的路线

🎒 开始前的准备

OpenClaw 已跑起来（本教程以 v2026.10.9 为基准），并完成场景实战：选择你的路线
至少配好一个图片 provider 的 API Key，如 MINIMAX_API_KEY、OPENAI_API_KEY、GEMINI_API_KEY 任选其一；国内用户推荐从接入 MiniMax 开始（MiniMax 同时提供聊天模型与图片模型 image-01）
没配 Key 时 image_generate 工具不会出现，第 1 步会帮你确认
语音：不用新注册——图片那步配的 OPENAI_API_KEY、GEMINI_API_KEY、MINIMAX_API_KEY 同时也是 TTS provider 的认证方式（MiniMax 语音走 T2A v2 API，默认模型 speech-2.8-hd）
一个 Key 都不配也能出声：内置 Microsoft 走公共 Edge 神经网络 TTS（无需 Key、尽力而为无 SLA），没配音色时中文为主的文本自动切到中文音色 zh-CN-XiaoxiaoNeural
Auto-TTS 默认关闭，普通回复都是文字；本课用 /tts 命令按需出声，无需打开 Auto-TTS

跟我做

第 1 步：检查 AI 配图可用的模型（action=list）

为什么：OpenClaw 的图片生成走 image_generate 工具，能用哪些模型取决于你配过哪些 provider。先看一眼清单，免得提示词写好了才发现没配 Key。

在聊天里输入：

text

/tool image_generate action=list

你应该看到：当前已注册的图片 provider、各自的默认模型和所需环境变量提示。列表是空的就回到上面的「开始前的准备」，配好 Key 再来。

第 2 步：让 Claw 给文章生成第一张配图

为什么：把文章段落直接贴给 Claw，它能从文字里抓关键意象来写绘图提示词，比你自己憋提示词省事。

把下面这段话发给 Claw（【】里换成你的内容）：

text

帮我给下面这段文章配一张封面图，16:9 横版，画面明亮干净：
【粘贴你的文章开头段落】

你应该看到：Claw 先回一个任务 ID——图片生成是异步的，图好了会有完成消息带着图片附件回来，附一句简短图注。等待期间你可以继续发消息，不用干等。

第 3 步：指定比例、数量和透明底

为什么：公众号封面要 16:9，小红书要 3:4，贴纸图标要透明底。这些参数直接跟在指令后面。

text

/tool image_generate action=generate model=openai/gpt-image-2 prompt="两只橘猫趴在书桌上看稿纸的扁平插画" aspectRatio=16:9 count=2

透明底素材这样写：

text

/tool image_generate action=generate model=openai/gpt-image-1.5 prompt="一个红色圆形贴纸，透明背景" outputFormat=png background=transparent

你应该看到：图片按指定比例（或最接近的可用尺寸）和数量生成。模型不支持的参数会被忽略并在结果里报告，不会直接报错。

💡 这就是 OpenClaw 的独有价值

image_generate 一个工具通吃 11 家 provider：换模型只改 model= 一个参数，其余指令原样复用；再配好 fallbacks，一家限流自动换下一家（见进阶技巧）。

第 4 步：用参考图改图，统一整套插图风格

为什么：系列文章的插图要画风统一。给 Claw 一张定稿图当参考，比用文字描述画风靠谱得多。

text

/tool image_generate action=generate model=openai/gpt-image-2 prompt="保留主体，把背景换成明亮的摄影棚" image=/path/to/reference.png size=1024x1536

你应该看到：新图保留参考图的主体，背景按你的要求更换。想多图参考就用 images 参数：OpenAI、Google 最多 5 张，xAI 最多 3 张，MiniMax 1 张主体参考。

第 5 步：把文章转成语音（AI 文字转语音）

为什么：读者在路上没法看字，把文章转成语音，同一篇内容就能覆盖通勤、开车这些场景。

文章就在手边，直接一次性转换：

text

/tts audio 【粘贴要朗读的文章文本】

文章是 Claw 刚在聊天里写的？让它朗读最新一条回复：

text

/tts latest

你应该看到：一条带音频的消息回来——飞书、Matrix、Telegram、WhatsApp 收到原生语音条，其他渠道收到音频附件。/tts audio 只做这一次转换，不会把 TTS 开关打开；/tts status 随时查看当前状态。

长文有硬上限：/tts audio 单次最多 4096 字（maxTextLength 的默认值）。不超过就按原文完整合成，不摘要、不截断，无需任何前置命令；超过 4096 字会直接失败并提示 Text too long，更长的文章分段贴给 /tts audio，每段完整出声。

顺带一提：语音通话（Talk）的 stt-tts 模式，语音输出走的就是这条 TTS 合成链路（talk.speak 调用同一路径）；provider 原生的 realtime 会话则在 provider 内部合成语音。

第 6 步：查任务状态与失败原因

为什么：异步生成偶尔会慢或失败，先查状态再决定重试还是换模型。

text

/tool image_generate action=status

你应该看到：当前会话生成任务的状态。如果所有候选 provider 都失败，错误信息里会带上每一次尝试的详情，照着补 Key 或换模型即可。

📋 魔法 Prompt

📝 一键配图

预期效果：贴一段文章，Claw 自动产出封面加插图，比例、数量一次说清。

text

角色：资深内容插画师。
任务：为我提供的文章生成配图。
输入信息：
### 必填项
【文章段落或全文】
【发布平台：公众号/小红书/其他】
### 选填项
【期望画风?】
【主色调?】
输出规范：先生成 1 张 16:9 封面图，再生成 2 张 3:4 正文插图；每张配一句图注。
约束条件：
✅ 画面元素必须来自文章内容，不添加文中没有的实体
✅ 全部插图风格、主色调一致
❌ 不做文字密集的海报（文字交给排版）
❌ 不使用真实人脸特写

🔧 风格统一改图

预期效果：给一张定稿参考图，新图自动沿用它的画风与配色。

text

角色：插画风格守门人。
任务：基于参考图生成新场景插图。
输入信息：
### 必填项
【参考图路径，如 /path/to/style.png】
【新场景描述】
### 选填项
【输出比例?】
输出规范：用参考图的画风、配色绘制新场景，主体清晰。
约束条件：
✅ 构图、笔触、配色向参考图看齐
✅ 画面留出图注位置
❌ 不混入参考图里没有的材质或风格
❌ 不修改参考图文件本身

🚀 文章转语音

预期效果：贴一篇文章，Claw 先把它改成适合耳朵的清稿，再转成语音发回来，长文自动分段。

text

角色：播客节目制作人。
任务：把我提供的文章改写成适合朗读的清稿，并转成语音发给我。
输入信息：
### 必填项
【文章全文或文件路径】
### 选填项
【音色偏好，如沉稳女声?】
【语速，如 1.1 倍?】
输出规范：先输出清稿，再把清稿转成语音；清稿超过 4096 字就分段转换，每段完整朗读。
约束条件：
✅ markdown 记号、链接、代码块改写成口播听得懂的表述
✅ 忠于原文观点与信息，不添加新内容
❌ 不逐字读出 #、*、[] 之类的记号
❌ 不在一段语音里塞超过 4096 字

检查点 ✅

/tool image_generate action=list 能列出至少一个模型
封面图比例与发布平台匹配（如 16:9 / 3:4）
系列插图用同一张参考图，画风一致
语音版能完整朗读全文，没有截断
知道生成失败去哪查原因（action=status + 错误详情）

踩坑提醒

工具不出现：image_generate 只在配好至少一个图片 provider 后出现。先配 API Key，或用 OpenAI ChatGPT/Codex OAuth 登录。
透明底别用 gpt-image-2：当前 gpt-image-2 API 会拒绝 background: "transparent"，透明底请选 openai/gpt-image-1.5，并配 outputFormat=png（或 webp）。
别干等异步任务：生成先回任务 ID，图稍后送到；期间继续聊天即可，也可用 action=status 查进度。
参数并非全模型通用：比如 resolution 只有部分 provider 支持，不支持的字段会被忽略并在结果里报告。
参考图数量有上限：OpenAI/OpenRouter/Google 最多 5 张，xAI 最多 3 张，MiniMax、ComfyUI、Microsoft Foundry 各 1 张。
长文直接报错：/tts audio 单次上限 4096 字（maxTextLength 默认值），超限会失败并提示 Text too long，长文分段转换。「超过 1500 字先摘要再合成」是 Auto-TTS（打开 tts.auto 后的自动配音）才有的行为，本课用的 /tts 按需转换始终按原文合成。
飞书/WhatsApp 语音条需要 ffmpeg：频道需要把音频转成 Ogg/Opus 时，Gateway 主机上要装有 ffmpeg；转码失败时飞书会把原音频降级为文件附件，WhatsApp 则发送失败。

进阶技巧

给图片模型配 fallbacks，一家失败（限流、鉴权错）自动换下一家：

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

注意：指令里显式写了 model= 时只会尝试这一个模型，fallbacks 不参与；不指定 model= 的请求才按 primary → fallbacks 的顺序自动接力。

命令行批量出图（适合脚本化）：

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

改图对应 openclaw infer image edit，--output-format、--background、--quality 同样可用。

不止图片：OpenClaw 还有音乐、视频生成工具（官方文档 tools/music-generation、tools/video-generation），视频 provider 包括 alibaba（Wan）、minimax 等。

本课小结

AI 配图：image_generate 一个工具通吃 11 家 provider，聊天里一句话出图，aspectRatio、count、background 等参数直接跟在指令后。
风格统一：传参考图（image= / images=）做"保留主体换背景"式改图，整套插图一个画风。
AI 文字转语音：/tts audio 把任意文字一次性转成语音，/tts latest 直接朗读上一条回复；单次上限 4096 字，超长分段转。语音通话（Talk）的 stt-tts 模式走的就是这条合成链路。
排错：先 action=status 看状态；配好 fallbacks 让 provider 自动接力。

下一课预告

下一课让 Claw 写代码：exec、补丁与审批：让 Claw 真正动手——执行命令、打补丁，重要操作先过审批。

图片与语音：给内容配图、把文章转语音 ​

学完你能做什么 ​

为什么用 OpenClaw，而不是网页版 AI？ ​

你现在的困境 ​

什么时候用这一招 ​

🎒 开始前的准备 ​

跟我做 ​

第 1 步：检查 AI 配图可用的模型（action=list） ​

第 2 步：让 Claw 给文章生成第一张配图 ​

第 3 步：指定比例、数量和透明底 ​

第 4 步：用参考图改图，统一整套插图风格 ​

第 5 步：把文章转成语音（AI 文字转语音） ​

第 6 步：查任务状态与失败原因 ​

📋 魔法 Prompt ​

📝 一键配图 ​

🔧 风格统一改图 ​

🚀 文章转语音 ​

检查点 ✅ ​

踩坑提醒 ​

进阶技巧 ​

本课小结 ​

下一课预告 ​

图片与语音：给内容配图、把文章转语音

学完你能做什么

为什么用 OpenClaw，而不是网页版 AI？

你现在的困境

什么时候用这一招

🎒 开始前的准备

跟我做

第 1 步：检查 AI 配图可用的模型（action=list）

第 2 步：让 Claw 给文章生成第一张配图

第 3 步：指定比例、数量和透明底

第 4 步：用参考图改图，统一整套插图风格

第 5 步：把文章转成语音（AI 文字转语音）

第 6 步：查任务状态与失败原因

📋 魔法 Prompt

📝 一键配图

🔧 风格统一改图

🚀 文章转语音

检查点 ✅

踩坑提醒

进阶技巧

本课小结

下一课预告