qwen-omni-multimodal

AI Agent需配置 API Key

基于阿里云百炼 Qwen3.5-Omni 的全模态技能，支持文本、图片、音频、视频理解与文本/语音输出。适用于图片分析、音频转写理解、视频理解、跨模态问答及语音回复生成。

任务自动化多 Agent 协作工具调用

481

下载量

安装量

收藏量

★ 5.0

综合评分ⓘ

概述

更多信息

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：

bash

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。

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：

bash

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#

bash

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#

bash

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#

bash

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#

bash

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#

bash

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#

bash

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#

bash

node scripts/qwen-omni-chat.js --list-voices --model="qwen3.5-omni-flash"

仅做预检，不实际调用#

bash

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#

bash

node scripts/qwen-omni-chat.js \
  --session="demo-chat" \
  --prompt="先分析这张图片" \
  --image="/abs/demo.jpg"

bash

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#

bash

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#

bash

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

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

捕获经验教训、错误及修正内容，以实现持续改进。适用于以下场景：（1）命令或操作意外失败；（2）用户纠正Claude（如“不，那不对……”“实际上……”）；（3）用户请求的功能不存在；（4）外部API或工具出现故障；（5）Claude发现自身知识已过时或不正确；（6）针对重复性任务发现了更优方法。同时，在执行重大任务前应回顾已积累的经验教训。

AI Agent

★ 4116↓ 83.7万3 个月前更新

场景驱动+关键词双模式技能发现工具。当用户用自然语言描述场景/需求（如"我想做一个海报""帮我分析股票"），或明确说"安装技能/find skills/找个skill"时，自动从官方内置、本地已安装、SkillHub、虾评、GitHub、ClawHub 六层联合搜索并推荐最合适的技能，支持一键安装。已完全替代官方...

AI Agent

★ 1482↓ 54.5万3 个月前更新

自我反思+自我批评+自我学习+自组织记忆。智能体评估自身工作、发现错误并持续改进。

AI Agent

★ 1402↓ 32.4万3 个月前更新

qwen-omni-multimodal

Qwen Omni Multimodal#

Setup#

何时使用#

关键限制#

支持模型与选择建议#

音色选择建议#

CLI#

文本#

图片理解#

音频理解#

视频理解#

图片列表形式的视频#

文本加语音输出#

查看某个模型支持的音色#

仅做预检，不实际调用#

多轮对话#

新话题切换#

会话管理#

工作流#

多轮策略#

会话与覆盖规则#

参数约定#

推荐的 Agent 调用方式#

成本提醒#

失败时优先检查#

self-improving agent

Find Skills

Self-Improving + Proactive Agent

Agent Browser

Skill Vetter

ontology

qwen-omni-multimodal

Qwen Omni Multimodal#

Setup#

何时使用#

关键限制#

支持模型与选择建议#

音色选择建议#

CLI#

文本#

图片理解#

音频理解#

视频理解#

图片列表形式的视频#

文本加语音输出#

查看某个模型支持的音色#

仅做预检，不实际调用#

多轮对话#

新话题切换#

会话管理#

工作流#

多轮策略#

会话与覆盖规则#

参数约定#

推荐的 Agent 调用方式#

成本提醒#

失败时优先检查#

相关推荐

self-improving agent

Find Skills

Self-Improving + Proactive Agent

Agent Browser

Skill Vetter

ontology