---

name: video-multimodal-generate description: "使用 meitu-cli 做多模态混合驱动生成视频（音频/视频/图片/文字任意组合）。当用户说配合音乐生成、参考视频运镜/风格/节奏、音频驱动视频、多素材混合生成时触发。" version: "1.0.0" metadata: {"openclaw":{"requires":{"bins":["meitu"],"env":["MEITU_OPENAPI_ACCESS_KEY","MEITU_OPENAPI_SECRET_KEY","MEITU_OPENAPI_TOOL_TASK_MODE"],"paths":{"read":["/.meitu/credentials.json","/.meitu/tool-registry.json","/.openclaw/workspace/visual/","./openclaw.yaml"],"write":["/.openclaw/workspace/visual/","./output/"]}},"primaryEnv":"MEITU_OPENAPI_ACCESS_KEY"}} requirements: credentials: - name: MEITU_OPENAPI_ACCESS_KEY source: env | ~/.meitu/credentials.json - name: MEITU_OPENAPI_SECRET_KEY source: env | ~/.meitu/credentials.json env: MEITU_OPENAPI_TOOL_TASK_MODE: command permissions: - type: file_read paths: - ~/.meitu/credentials.json - ~/.meitu/tool-registry.json - ~/.openclaw/workspace/visual/ - ./openclaw.yaml - type: file_write paths: - ~/.openclaw/workspace/visual/ - ./output/ - type: exec commands: - meitu

Video Multimodal Generate

Overview

调用 meitu video-multimodal-generate 基于音频/视频/图片/文字任意组合做多模态混合驱动视频生成。适合音乐配视频、参考视频运镜/节奏、多素材混合生成。

不处理：纯文字生成视频、仅图片生成视频（无视频无音频）、动作迁移。

API Mapping

DAG 工具	后端 API
video-multimodal-generate	video_multimodal_generate

Dependencies

• meitu-cli: >=2.0.6
• 凭证：CONFIG AKSK → meitu tools update；EXEC AKSK → 跑命令
• 环境变量：MEITU_OPENAPI_TOOL_TASK_MODE=command

路径别名：$VISUAL = {OPENCLAW_HOME}/workspace/visual/

Core Workflow

Preflight → Execute → Deliver

Preflight

1. meitu --version ≥ 2.0.6；meitu auth verify --json
2. 确认已跑过 Config Phase；MEITU_OPENAPI_TOOL_TASK_MODE=command
3. output_dir 解析：openclaw.yaml → ./output/ | else → $VISUAL/output/video-multimodal-generate/；mkdir -p {output_dir}

Execute

触发信号/路由

触发条件（任一成立）：

• 用户上传音频 → 必须走本工具（独有能力）
• 仅视频无图片 → 运镜/风格/节奏参考
• 用户想参考视频的运镜/风格/节奏（不是模仿人体动作）
• 复杂多素材混合（图片+视频+音频）

决策顺序：

1. 至少一类多媒体素材；prompt 缺失 → 追问
2. 素材总数 ≤12（图片+视频+音频合计）
3. 唯一路由 → video_multimodal_generate

有图+视频但意图不明（运镜 vs 动作模仿）→ 默认走本工具。

参数定义

参数	类型	必填	范围	默认值	说明
prompt	STRING	是	--	--	文字描述；缺失 → "请描述你想生成的视频内容"
video_duration	NUMBER	是	4–15 / -1（智能）	-1	视频时长（秒）
ratio	STRING	是	adaptive/16:9/4:3/1:1/3:4/9:16/21:9	adaptive	画面比例
image_list	ARRAY	否	≤9 张	--	图片 URL 列表
reference_video_list	ARRAY	否	≤3 个，总时长 ≤15s	--	参考视频 URL 列表
reference_audio_list	ARRAY	否	≤3 个，总时长 ≤15s	--	音频 URL 列表
sound	BOOL	否	true / false	true	是否生成音频
resolution	STRING	否	480p / 720p	720p	视频分辨率

至少提供一类多媒体素材；图片+视频+音频合计 ≤12。

工具调用

meitu video-multimodal-generate \
  --skill_name skill_video-multimodal-generate \
  --prompt "{prompt}" \
  --video_duration -1 \
  --ratio adaptive \
  --image_list '["{url1}"]' \
  --reference_video_list '["{video_url}"]' \
  --reference_audio_list '["{audio_url}"]' \
  --sound true --resolution 720p \
  --json --download-dir {output_dir}

错误降级

场景	处理
prompt 缺失但有素材	提示"请描述你想生成的视频内容"
素材总数 >12	提示输入限制，建议精简素材
video_duration 与音频时长冲突	优先匹配音频时长，告知用户
部分素材不可访问	静默过滤，按剩余素材继续执行
调用失败	降级模型版本重试 1 次 → 仍失败返回错误
超时	降低 duration / size 重试 1 次 → 仍失败返回错误
内容合规拦截	直接返回合规提示，不重试
无任何多媒体素材	不属于本工具范畴

Deliver

解析 --json → downloaded_files[0].saved_path 或 media_urls[0]。

mv {file} {output_dir}/{YYYY-MM-DD}_{name}_multimodal.mp4

Output

• 格式：MP4（默认 720p，可选 480p）
• 命名：{YYYY-MM-DD}_{descriptive-name}_multimodal.mp4
• 位置：项目 → ./output/；一次性 → $VISUAL/output/video-multimodal-generate/

基线 Task ID

t_mt1a3i5n7bd3dd7a38-c263-48f7-ac18-bb8573c364b2