qwen-omni-multimodal

基于阿里云百炼 Qwen3.5-Omni 的全模态 skill。支持文本、图片、音频、视频理解，以及文本/语音输出。 当用户需要分析图片、转写或理解音频、理解视频、进行跨模态问答，或直接生成语音回复时，使用此 skill。

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

1. 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"
}

2. 运行环境要求 Node.js >= 18

3. 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=true
• qwen3-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 auto
  • defaultModel：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-plus
  • qwen3.5-omni-plus-2026-03-15
  • qwen3.5-omni-flash
  • qwen3.5-omni-flash-2026-03-15
  • qwen3-omni-flash
  • qwen3-omni-flash-2025-12-01
  • qwen3-omni-flash-2025-09-15
  • qwen-omni-turbo
  • qwen-omni-turbo-latest
  • qwen-omni-turbo-2025-03-26
  • qwen-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

1. 先判断输入属于图片、音频、视频中的哪一种。
2. 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。
3. 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
4. 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。
5. 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。
6. 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