📌 📄 内容摘要:
Jedi_Pz 在 【求助】如何让 openclaw 直接读取音视频联合输入，从而使用mimo-omni 的音视频理解能力 中发帖
我搞了 mimo 的 token plan，看到他家 mimo-omni 有音视频理解能力，想让 openclaw 直接看带音频的视频，目前没找到解决方法，求各位佬给看看 🥰
目前我问 openclaw 如何能实现，它用 ffmpeg 隔几秒抽一帧，看字幕理解的视频，我感觉这不优雅……
openclaw: 通过 yt-dlp 下载视频 → ffmpeg 抽帧 → 我直接看图理解。不过音频转录这块我还没装语音识别工具（FunASR之类的），所以目前主要靠画面上的字幕来理解对话内容。
────────── 链接信息 ──────────
🔗 论坛链接: linux.do
📎 访问地址: https://linux.do/t/topic/2028290/1
─────────────────────────────
📢 来源：LINUX DO
