文字只是 OpenClaw 能处理的一小部分—— 图片、音频、视频，现代 AI 模型都能理解。 本文教你把多媒体能力用起来。
图片识别与视觉分析
发图片给 AI 分析
在支持的渠道（Telegram/WhatsApp/Discord）直接发图片：
你（发一张报错截图）：这个错误怎么解决？
AI：[分析图片] 我看到 Python 报错：
TypeError: 'NoneType' object is not subscriptable
出现在第 23 行，问题是你在 get_user() 返回 None 时
没有检查就直接用了 result['name']。
修复：在使用前加 if result is None: return
图片分析的典型用途
OCR 文字识别：
发名片照片 → 提取姓名/电话/邮箱
发收据/发票 → 提取金额/日期/商家名
发白板照片 → 整理会议笔记
图表解读：
发折线图 → "这个 Q3 下降的原因是什么？"
发数据表截图 → 分析关键数据点
代码截图：
发 IDE 截图 → 分析代码和错误
产品/商品识别：
发商品照片 → 询问型号/价格/规格
本地图片文件分析
你：分析一下 ~/Desktop/chart.png 这张图
AI（内部调用 read 工具）：
[读取图片文件] 这张图是一个折线图，显示...
各渠道图片支持情况
| 渠道 | 图片 | 视频 | 音频 | 文件 |
|---|---|---|---|---|
| Telegram | ✅ | ✅ | ✅ | ✅ |
| ✅ | ✅ | ✅ | ✅ | |
| Discord | ✅ | ✅ | ✅ | ✅ |
| Slack | ✅ | ✅ | ✅ | ✅ |
| iMessage（BlueBubbles） | ✅ | ✅ | ✅ | ✅ |
| Matrix | ✅ | ✅ | ✅ | ✅ |
| IRC | ❌ | ❌ | ❌ | ❌ |
| WebChat | ✅ | - | - | ✅ |
音频消息自动转写
语音消息会自动转为文字再处理：
你（发 Telegram 语音消息，说话 30 秒）
AI 内部处理：
1. 接收音频文件
2. 调用 STT（语音转文字）
3. 将转写内容传给 AI 处理
4. 回复文字或语音
AI 回复（文字）：
我听到你说："帮我查一下明天北京的天气和
下午 3 点的会议是在哪个会议室"
天气：明天北京晴，14-22°C
会议：根据日历，14:00 在 A座 302 会议室
STT 引擎配置
json
{
"stt": {
"provider": "openai",
"model": "whisper-1",
"language": "zh"
}
}支持的 STT 提供商：
"openai"：Whisper API（准确度最高，支持中文）"groq"：Whisper via Groq（速度最快）"deepgram"：专业语音识别（支持实时流）"system"：系统本地 STT（免费，准确度较低）
视频消息处理
视频消息默认提取关键帧进行分析：
你（发一段 10 秒的产品演示视频）：
帮我生成这段视频的文字描述
AI：[提取视频关键帧，分析每一帧]
这段视频展示了：
0-2s：产品整体外观（白色盒子，蓝色 Logo）
2-5s：打开包装的过程
5-8s：产品特写，可以看到屏幕界面
8-10s：功能演示，操作流程...
视频处理配置：
json
{
"media": {
"video": {
"maxFrames": 10,
"frameInterval": 2,
"maxSizeMb": 50
}
}
}Node 摄像头：实时拍照分析
配对了 iOS/Android 节点后：
你：用摄像头看一下我桌上这道菜，
告诉我大概有多少卡路里
AI（调用节点摄像头拍照）：
[前置摄像头拍摄] 我看到一盘炒饭，
估计含有：
- 米饭约 200g（~260 kcal）
- 鸡蛋 1 个（~80 kcal）
- 蔬菜（低卡）
总计约 400-450 kcal
模型视觉能力对比
| 模型 | 图片理解 | OCR | 图表 | 代码截图 |
|---|---|---|---|---|
| Claude Sonnet 4 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ |
| Claude Haiku 4 | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ |
| GPT-4o | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ |
| Gemini 2.5 Pro | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ |
Claude 在图表理解和代码截图分析方面表现最突出。
大文件处理
json
{
"media": {
"maxImageSizeMb": 20,
"maxAudioSizeMb": 25,
"maxVideoSizeMb": 100,
"onExceed": "reject",
"rejectMessage": "文件太大，请压缩后再发送（上限 20MB）"
}
}来源：OpenClaw 官方文档 - docs.openclaw.ai/nodes/media-understanding