Qwen Omni Multimodal
通过阿里云百炼 OpenAI 兼容接口调用 Qwen Omni 模型，默认使用 qwen3.5-omni-flash，自动选型时会在 qwen3.5-omni-flash 和 qwen3.5-omni-plus 之间切换；同时保留对 qwen3-omni-flash 与 qwen-omni-turbo 的显式兼容。支持文本、图片、音频、视频输入，并可返回文本或音频。
详细参数与约束见 references/api.md。
脚本支持单轮调用，也支持带本地会话历史的多轮对话。
Setup
- 配置 API Key：
export DASHSCOPE_API_KEY="sk-xxx"
也可以在 skill 目录下创建 config.json：
可先参考 config.example.json 再复制为 config.json。
{
"apiKey": "sk-xxx",
"baseUrl": "https://dashscope.aliyuncs.com/compatible-mode/v1",
"selectionPolicy": "auto",
"defaultModel": "qwen3.5-omni-flash",
"modelCandidates": [
"qwen3.5-omni-flash",
"qwen3.5-omni-plus"
],
"voiceByModelFamily": {
"qwen3.5-omni": "Tina",
"qwen3-omni-flash": "Cherry",
"qwen-omni-turbo": "Serena"
},
"voice": "Tina"
}
-
运行环境要求 Node.js >= 18
-
可选：如果使用新加坡地域，覆盖 Base URL：
export DASHSCOPE_BASE_URL="https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
配置优先级：
- CLI 参数
- 环境变量
config.json- 脚本默认值
具体覆盖规则：
- 模型选择：
CLI --model > DASHSCOPE_MODEL > selectionPolicy=auto > config.defaultModel > config.model > 内置默认
- Base URL：
DASHSCOPE_BASE_URL > config.baseUrl > 内置默认
- 音色选择：
CLI --voice > DASHSCOPE_VOICE > config.voiceByModelFamily[模型家族] > config.voice > 内置默认
- API Key：
DASHSCOPE_API_KEY > config.apiKey
selectionPolicy=fixed|auto
fixed：按默认模型走，不自动切换auto：音频/视频理解优先 qwen3.5-omni-plus，文本/图片理解与语音输出优先 qwen3.5-omni-flash
config.modelCandidates 用于维护候选模型列表；selectionPolicy=auto 时会优先在候选列表里选模型config.voiceByModelFamily 用于给不同模型家族配置不同默认音色，避免切模型后沿用不兼容音色
何时使用
- 用户要看图说话、图像问答、图像对比
- 用户要识别、转写、总结音频
- 用户要理解视频内容，或同时利用视频中的视觉和音频信息
- 用户要求模型直接输出语音
- 用户明确提到 Qwen-Omni / Qwen3.5-Omni / Qwen3-Omni-Flash / 百炼全模态
关键限制
- Qwen-Omni 只支持流式调用，脚本默认强制
stream=true
- 一条
user 消息只允许包含文本和一种模态数据
- 输出音频时需要显式设置
modalities=["text","audio"]
qwen3.5-omni-plus 和 qwen3.5-omni-flash 为非思考模型，不支持 --enable-thinking=trueqwen3-omni-flash 开启思考模式时，不支持音频输出- 图片列表形式的视频输入：
Qwen3.5-Omni：4 到 512 张图片qwen3-omni-flash：2 到 128 张图片
- 多轮模式下，脚本只保留当前活动话题；切到
fresh 时不会把旧话题继续注入给模型
支持模型与选择建议
- 默认模型：
qwen3.5-omni-flash
- 自动选型默认优先：
- 音频/视频理解：
qwen3.5-omni-plus
- 文本/图片理解、语音输出：
qwen3.5-omni-flash
- 也支持显式选择旧模型：
qwen3-omni-flash、qwen-omni-turbo
- 推荐在
config.json 中使用：
selectionPolicy：设置 fixed 或 autodefaultModel：设置默认模型modelCandidates：维护允许 Agent 自动优先考虑的模型列表
- 当前脚本已内置价格提醒的模型家族：
qwen3.5-omni-plusqwen3.5-omni-plus-2026-03-15qwen3.5-omni-flashqwen3.5-omni-flash-2026-03-15qwen3-omni-flashqwen3-omni-flash-2025-12-01qwen3-omni-flash-2025-09-15qwen-omni-turboqwen-omni-turbo-latestqwen-omni-turbo-2025-03-26qwen-omni-turbo-2025-01-19
- 价格取舍基于你提供的中国内地价格表：
qwen3.5-omni-flash：成本更低，适合默认文本/图片理解与语音输出qwen3.5-omni-plus：长音频、长视频与复杂跨模态理解更稳qwen-omni-turbo：保留显式兼容，不再作为默认自动选型目标
- 当前 skill 默认切到
qwen3.5-omni-flash
- 原因是新版能力更完整，同时更接近当前 skill 的默认成本档位
- 当
selectionPolicy=auto 时，会按任务类型在 qwen3.5-omni-flash 和 qwen3.5-omni-plus 之间自动二选一
音色选择建议
- 当前脚本已内置模型家族音色表，并会在
--with-audio 时校验音色是否合法
- 可用
--list-voices --model <model> 查看当前模型家族支持的音色
- 推荐把默认音色维护在
config.voiceByModelFamily 中，而不是只写一个全局 voice
qwen3.5-omni 当前默认音色：Tina(甜甜 Tina)qwen3.5-omni 当前内置音色示例：
Tina(甜甜 Tina)、Serena(苏瑶 Serena)、Ethan(晨煦 Ethan)、Katerina(卡捷琳娜 Katerina)、Jennifer(詹妮弗 Jennifer)Ryan(甜茶 Ryan)、Sunny(四川-晴儿 Sunny)、Dylan(北京-晓东 Dylan)、Rocky(粤语-阿强 Rocky)、Chloe(思怡 Chloe)- 以及其余官方文档列出的全部 55 个音色，可通过
--list-voices 查看
qwen-omni-turbo 当前内置音色：
Cherry(辛悦)Serena(苏瑶)Ethan(晨煦)Chelsie(千雪)
qwen3-omni-flash 当前内置音色：
Cherry(辛悦)、Ethan(晨煦)、Nofish(不吃鱼)、Jennifer(詹妮弗)、Ryan(甜茶)Katerina(卡捷琳娜)、Elias(墨讲师)、Jada(上海-阿珍)、Dylan(北京-晓东)、Sunny(四川-晴儿)Li(南京-老李)、Marcus(陕西-秦川)、Roy(闽南-阿杰)、Peter(天津-李彼得)、Rocky(粤语-阿强)、Kiki(粤语-阿清)、Eric(四川-程川)
- 经验建议：
- 通用中文讲解默认优先
Tina
- 温柔女声可优先
Serena
- 标准男声可优先
Ethan
- 方言或角色化表达再按模型支持表显式选
CLI
主要脚本：node scripts/qwen-omni-chat.js
文本
node scripts/qwen-omni-chat.js \
--selection-policy="auto" \
--prompt="用中文概括一下什么是全模态模型"
图片理解
node scripts/qwen-omni-chat.js \
--prompt="描述这张图片，并指出最重要的三个细节" \
--image="/absolute/path/image.jpg"
可重复 --image 传多张图。
音频理解
node scripts/qwen-omni-chat.js \
--prompt="转写这段音频，并给出简短摘要" \
--audio="/absolute/path/audio.mp3"
视频理解
node scripts/qwen-omni-chat.js \
--prompt="概括这个视频的主要内容" \
--video="/absolute/path/video.mp4"
图片列表形式的视频
node scripts/qwen-omni-chat.js \
--prompt="描述这个动作序列发生了什么" \
--video-frames="/abs/1.jpg,/abs/2.jpg,/abs/3.jpg,/abs/4.jpg"
文本加语音输出
node scripts/qwen-omni-chat.js \
--prompt="请用中文做一个 20 秒以内的语音自我介绍" \
--with-audio \
--voice="Tina" \
--audio-out="/tmp/qwen-omni.wav"
查看某个模型支持的音色
node scripts/qwen-omni-chat.js --list-voices --model="qwen3.5-omni-flash"
仅做预检，不实际调用
node scripts/qwen-omni-chat.js \
--prompt="描述这张图片，并指出最重要的三个细节" \
--image="/absolute/path/image.jpg" \
--dry-run
多轮对话
node scripts/qwen-omni-chat.js \
--session="demo-chat" \
--prompt="先分析这张图片" \
--image="/abs/demo.jpg"
node scripts/qwen-omni-chat.js \
--session="demo-chat" \
--prompt="把刚才的结论总结成三点" \
--mode="continue"
新话题切换
node scripts/qwen-omni-chat.js \
--session="demo-chat" \
--prompt="现在换个新问题，解释一下多模态模型训练难点" \
--mode="fresh"
会话管理
node scripts/qwen-omni-chat.js --list-sessions
node scripts/qwen-omni-chat.js --show-session --session="demo-chat"
node scripts/qwen-omni-chat.js --clear-session --session="demo-chat"
工作流
- 先判断输入属于图片、音频、视频中的哪一种。
- 如果用户一次给了多种非文本模态，先拆成多次调用，或让用户明确优先级。
- 默认模型为
qwen3.5-omni-flash。只有在用户明确要求或你确认更合适时再切换模型。
- 音频或视频理解任务，优先尝试
qwen3.5-omni-plus
- 文本/图片理解或语音输出，默认优先
qwen3.5-omni-flash
- 只有在兼容旧调用或用户指定时，再显式切回
qwen3-omni-flash / qwen-omni-turbo
- 需要语音回复时，关闭思考模式并保存脚本生成的 WAV 文件路径。
- 需要延续当前话题时使用同一个
--session；需要切换新内容时使用 --mode=fresh 或直接新建 session。
- 脚本会在调用前输出中国内地单价提醒；如果响应
usage 足够完整，还会输出本次费用估算。
多轮策略
--mode=auto
- 默认模式
- 有新图片/音频/视频输入时，优先判为新话题
- 纯文本追问时，优先判为继续当前话题
--mode=continue
- 强制延续当前 session 的活动话题
- 会带最近几轮历史，以及更早历史的压缩摘要
--mode=fresh
- 强制开启新话题
- 保留 session 文件，但重置活动上下文，避免模型被旧内容拖住
会话文件保存在 sessions/ 目录。
会话与覆盖规则
- 会话模式：
CLI --mode > 默认 auto
- 会话标识：
CLI --session 或 --new-session
- 未指定
--session 时，只允许单轮调用；不能使用 --mode=continue
--reset-session 会在当前请求前重置活动上下文--mode=fresh 会重置当前活动话题，但保留同一个 session 文件--dry-run 不会写入或删除任何 session 文件；如果同时传了 --reset-session，只打印将要发生的变化
参数约定
--prompt：用户文本提示，必填--session：会话 ID，用于多轮对话--selection-policy=fixed|auto：模型选择策略，默认读配置，未配置时为 fixed--new-session：创建新 session；不传值时自动生成 ID--mode=auto|continue|fresh：会话路由模式，默认 auto--history-window：多轮模式下保留的最近轮数，默认 6--reset-session：在当前请求前重置活动上下文--list-sessions：列出已保存会话--show-session：查看某个会话摘要--clear-session：删除某个会话--image：图片路径、HTTP(S) URL 或 Data URL，可重复--audio：音频路径、HTTP(S) URL 或 Data URL--video：视频路径、HTTP(S) URL 或 Data URL--video-frames：逗号分隔的图片列表，按视频帧顺序传入--with-audio：启用音频输出--voice：输出音色，默认 Tina--list-voices：查看当前模型家族支持的音色列表--audio-out：输出 WAV 文件路径，默认 /tmp/qwen-omni-<timestamp>.wav--enable-thinking=true|false：是否开启思考模式，默认 false--system：可选系统提示词--dry-run：只打印价格提醒和脱敏后的请求体，不实际调用 API，也不会落盘 session 变更
推荐的 Agent 调用方式
- 默认优先单轮调用；只有明确存在追问、延续分析或会话管理需求时再传
--session
- 日常优先把模型策略交给
config.selectionPolicy + config.defaultModel + config.modelCandidates 控制，不要反复改脚本
- 日常默认音色优先交给
config.voiceByModelFamily 控制；切模型家族时不要假设同一个音色参数总是可用
- 用户给了新的图片、音频或视频，且没有明确要求延续上下文时，优先用
--mode=fresh 或直接不带 session
- 用户明确说“继续”“基于刚才”“上一轮”时，优先复用原 session，并使用
--mode=continue
- 需要语音输出时，显式传
--with-audio，同时确保 --enable-thinking=false；不确定音色时先运行 --list-voices
- 正式调用前先跑一次
--dry-run，确认模型来源、模态判定、会话模式、请求体预览和价格提醒
成本提醒
- 脚本会先输出中国内地价格表对应的单价提醒
Qwen3.5-Omni 当前内置价格按中国内地官方阶梯价提醒：
qwen3.5-omni-flash
- 输入文本/图片/视频：
0.2 ~ 0.8 元/百万Token
- 输入音频：
1.24 元/百万Token
- 输出文本：
4.0 ~ 16.0 元/百万Token
- 输出音频：
25.551 元/百万Token
qwen3.5-omni-plus
- 输入文本/图片/视频：
0.8 ~ 2.0 元/百万Token
- 输入音频：
4.96 元/百万Token
- 输出文本：
9.6 ~ 24.0 元/百万Token
- 输出音频：
61.322 元/百万Token
- 文本相关单价会按单次请求输入 Token 阶梯自动判断
- 如果响应里的
usage 带了足够的 token 明细，脚本会进一步输出本次费用估算
- 这不是实时价格查询；如果官方价格变化，需要同步更新脚本
失败时优先检查
- 是否缺少
DASHSCOPE_API_KEY
config.json 是否是合法 JSON- Node 版本是否低于 18
- 是否同时传入了多种非文本模态
- 是否给
Qwen3.5-Omni 传了 --enable-thinking=true
- 是否在
qwen3-omni-flash 上同时传了 --with-audio 和 --enable-thinking=true
- 多轮时是否忘记传
--session
- 是否错误地把新话题用了
--mode=continue
- 本地文件路径是否存在
- 视频帧数量是否满足要求
