> ## Documentation Index
> Fetch the complete documentation index at: https://openclaw.veiseule.ai/llms.txt
> Use this file to discover all available pages before exploring further.

# Stöd för bilder och media

# Stöd för bilder och media — 2025-12-05

WhatsApp-kanalen körs via **Baileys Web**. Detta dokument fångar aktuella regler för hantering av media för att skicka, gateway, och agent svarar.

## Mål

* Skicka media med valfria bildtexter via `openclaw message send --media`.
* Tillåta att autosvar från webbinboxen inkluderar media tillsammans med text.
* Hålla gränser per typ rimliga och förutsägbara.

## CLI-yta

* `openclaw message send --media <path-or-url> [--message <caption>]`
  * `--media` valfritt; bildtexten kan vara tom för sändningar med enbart media.
  * `--dry-run` skriver ut den upplösta payloaden; `--json` skickar `{ channel, to, messageId, mediaUrl, caption }`.

## Beteende för WhatsApp Web-kanalen

* Indata: lokal filsökväg **eller** HTTP(S)-URL.
* Flöde: läs in till en Buffer, identifiera medietyp och bygg korrekt payload:
  * **Bilder:** ändra storlek och återkomprimera till JPEG (max sida 2048 px) med mål `agents.defaults.mediaMaxMb` (standard 5 MB), begränsat till 6 MB.
  * **Ljud/Röst/Video:** pass-through upp till 16 MB; ljud skickas som röstmeddelande (`ptt: true`).
  * **Dokument:** allt annat, upp till 100 MB, med filnamn bevarat när det finns.
* WhatsApp GIF-liknande uppspelning: skicka en MP4 med `gifPlayback: true` (CLI: `--gif-playback`) så att mobilklienter loopar inline.
* MIME-detektering prioriterar magic bytes, därefter headers och sedan filändelse.
* Bildtext hämtas från `--message` eller `reply.text`; tom bildtext är tillåten.
* Loggning: icke-verbose visar `↩️`/`✅`; verbose inkluderar storlek och källsökväg/URL.

## Auto-svarspipeline

* `getReplyFromConfig` returnerar `{ text?, mediaUrl?, mediaUrls? }`.
* När media finns, löser webbsändaren lokala sökvägar eller URL:er med samma pipeline som `openclaw message send`.
* Flera medieposter skickas sekventiellt om de anges.

## Inkommande media till kommandon (Pi)

* När inkommande webbmeddelanden innehåller media laddar OpenClaw ner till en temporär fil och exponerar mallvariabler:
  * `{{MediaUrl}}` pseudo-URL för inkommande media.
  * `{{MediaPath}}` lokal temporär sökväg som skrivs innan kommandot körs.
* När en Docker-sandbox per session är aktiverad kopieras inkommande media till sandbox-arbetsytan och `MediaPath`/`MediaUrl` skrivs om till en relativ sökväg som `media/inbound/<filename>`.
* Medieförståelse (om konfigurerad via `tools.media.*` eller delad `tools.media.models`) körs före mallning och kan infoga blocken `[Image]`, `[Audio]` och `[Video]` i `Body`.
  * Ljud sätter `{{Transcript}}` och använder transkriptionen för kommandotolkning så att snedstreckskommandon fortfarande fungerar.
  * Video- och bildbeskrivningar bevarar eventuell bildtext för kommandotolkning.
* Som standard behandlas endast den första matchande bilden/audio/videobilagan; sätt `tools.media.<cap>.attachments` för att bearbeta flera bilagor.

## Gränser och fel

**Utgående sändningsgränser (WhatsApp web send)**

* Bilder: \~6 MB-gräns efter återkomprimering.
* Ljud/röst/video: 16 MB-gräns; dokument: 100 MB-gräns.
* För stora eller oläsbara medier → tydligt fel i loggarna och svaret hoppas över.

**Gränser för medieförståelse (transkription/beskrivning)**

* Bild standard: 10 MB (`tools.media.image.maxBytes`).
* Ljud standard: 20 MB (`tools.media.audio.maxBytes`).
* Video standard: 50 MB (`tools.media.video.maxBytes`).
* För stora medier hoppar över förståelse, men svaren går ändå igenom med originaltexten.

## Noteringar för tester

* Täck sändnings- och svarsflöden för bild/ljud/dokument.
* Validera återkomprimering för bilder (storleksgräns) och röstmeddelandeflagga för ljud.
* Säkerställ att svar med flera medier fläktas ut som sekventiella sändningar.