通过音频（字幕）和视觉（帧提取加图像分析）双通道对YouTube视频进行多模态分析。尤其适用于教程、演示和说明类视频，其中所展示的内容（截图、UI演示、图表、代码、肢体动作）与所说的内容同等重要。当用户希望分析、总结YouTube视频内容，或从视频中生成分步指南时，或当用户分享YouTube链接并希望了解视频内容时，即可使用此功能。触发条件包括“分析这个YouTube视频”“根据这段视频创建分步指南”“这个视频展示了什么”“总结这个教程”或任何带有分析意图分享的YouTube链接。
快速将音频上传至AIOZ Stream API。使用默认或自定义编码配置创建音频对象，上传文件，完成上传，然后将音频链接返回给用户。
使用多模态参考（图像/视频/音频/文本）为 Seedance 2.0 和 Seedance 2.0 Fast 创建高精度英文提示
OpenClaw 的智能 Telegram 回复流程：若用户发送文本，则回复文本；若用户发送语音或音频，则利用本地安装的 mlx_audio（Apple Silicon 默认使用 Qwen3-ASR）进行本地转录，随后以相同语言生成有意义的回复。通过 Telegram 发送包含字幕的语音消息，确保用户收到一条同时包含语音和文字的消息（字幕文本须与语音内容完全一致）。除非用户明确要求其他语言，否则始终遵循输入语言（中文→中文，英文→英文）
使用 BytePlus Seedance API（国际版）生成 AI 视频，适用于以下场景：（1）通过文本提示生成视频，（2）通过图像生成视频（首帧、首帧加末帧、参考图像），或（3）查询和管理视频生成任务。支持 Seedance 1.5 Pro（含音频和草稿模式）、1.0 Pro、1.0 Pro Fast 和 1.0 Lite 模型
安装并使用 speechall 命令行工具进行语音转文本转录。适用于用户需要：（1）将音频或视频文件转录为文本，（2）在 macOS 或 Linux 上安装 speechall，（3）列出可用的语音识别模型及其功能，（4）通过终端使用说话人分离、字幕或其他转录功能。当提及 speechall、音频转录命令行工具或命令行语音转文本时触发。
根据图片和用户自己的音频录制生成唇形同步视频 ✅ 适用场景： - 用户提供自己的音频文件（语音录制） - 需要将图像与特定音频/语音同步 - 用户自行录制了配音内容 - 需要精确保留原音频的时间点 ❌ 不适用场景： - 用户提供的是文本脚本（非音频）→ 请使用 veed-ugc - 需要AI生成语音→ 请使用 veed-ugc - 尚未准备好音频文件→ 请使用 veed-ugc 配合脚本 输入：图片 + 音频文件（用户录制） 输出：与所提供音频唇形同步的MP4视频 关键区别：veed-ugc = 脚本 → AI语音 → 视频 ugc-manual = 用户音频 → 视频（不生成语音）
Seedance 2.0 通过 EvoLink API 实现 AI 视频生成，支持文本转视频、图像转视频，并自动添加音频（语音、音效、背景音乐），兼容 OpenClaw、Claude Code 和 Cursor，基于字节跳动 Seedance 模型驱动