通过 HTTP API 使用 Qwen-Omni 理解文本、图片、音频和视频。文本分析使用 Qwen3.8-Omni-Flash,语音输出使用 Qwen3.5-Omni。
快速开始
根据输出需求选择示例:文本分析使用 Qwen3.8-Omni-Flash,生成语音使用 Qwen3.5-Omni。
两种输出示例都需要配置 DASHSCOPE_BASE_URL。将其设为业务空间对应的 Chat Completions 服务地址中的 base_url,并使用对应地域的 API Key。将下方地址中的 {WorkspaceId} 替换为实际业务空间 ID;不同地域的服务地址不同。
- 文本输出(Qwen3.8-Omni-Flash)
- 语音输出(Qwen3.5-Omni)
前提条件将
- 已配置API Key并配置API Key到环境变量。
- 以下示例使用 OpenAI 兼容方式调用,需要安装最新版SDK。OpenAI Python SDK最低版本为 1.52.0,Node.js SDK最低版本为 4.68.0。
运行前安装依赖:
pip install openai(Python)或 npm install openai(Node.js)。AUDIO_URL 设为可访问的 WAV 音频 URL。下方命令安装 Python 依赖并设置音频地址;服务地址按上方共用步骤配置,DASHSCOPE_API_KEY 按前提条件中的链接配置。返回结果
返回结果
运行运行
Python或Node.js代码后,控制台依次输出思考过程与模型回复,末尾输出用量统计。Qwen3.8-Omni-Flash 默认开启思考模式,返回中包含 reasoning_content 字段;计费时思考部分计入 usage.completion_tokens_details.reasoning_tokens。HTTP代码时,思考过程与回复通过流式数据分块返回,末尾返回用量统计(usage 字段含 reasoning_tokens)。模型选型
音视频理解、会议纪要、字幕生成和文本问答优先使用 Qwen3.8-Omni-Flash,支持深度思考、工具调用和联网搜索:调用示例见快速开始,思考模式见思考模式,联网搜索见联网搜索,工具调用见函数调用。需要直接生成语音回复时,可选择下方 Qwen3.5-Omni。
Qwen3.8-Omni-Flash
支持地域:华北2(北京)、新加坡、中国香港、日本(东京)、德国(法兰克福)、美国(弗吉尼亚)。需使用对应地域的 API Key。
qwen3.8-omni-flash 适用于音视频理解、会议纪要和内容分析。
| 模型 | 输入 | 输出 | 调用方式 |
|---|---|---|---|
qwen3.8-omni-flash | 文本、图片、音频、视频 | 文本 | Chat Completions、Responses |
- 上下文长度为 1M Token。
- 音频输入支持 113 种语言和方言,与 Qwen3.5-Omni 一致。完整列表见下方输入音频语种。
- 支持 Function Calling 和联网搜索。
Qwen3.5-Omni
支持地域:华北2(北京)、新加坡,需使用对应地域的 API Key。
- 输入限制:3 小时音频或 1 小时视频
- 音频控制:支持通过指令调节音量、语速、情绪
- 视觉能力:与 Qwen3.5 同等水平,可理解画面、语音、音效等多模态信息
- 多模态组合输入:支持文本与图片、音频、视频的任意组合同时输入,不限于单一模态
- 声音复刻:支持自定义音色(仅qwen3.5-omni-plus、qwen3.5-omni-flash支持,快照版本暂不支持),详情请参见声音复刻
Qwen3-Omni-Flash
支持地域:华北2(北京)、新加坡,需使用对应地域的 API Key。
- 输入限制:20 分钟音频或 150 秒视频
- 思考模式:支持通过
enable_thinking开启或关闭思考 - 输入模态:仅支持文本与单一其他模态(图片、音频或视频)的组合输入
模型能力对比
| 模型系列 | 音视频理解 | 深度思考 | 联网搜索 | 输入音频语种 | 输出音频语种 | 音色数量 |
|---|---|---|---|---|---|---|
| Qwen3.8-Omni-Flash仅输出文本 | 支持 | 支持 | 支持 | 113 种,完整列表见输入音频语种 | 不支持 | 不适用 |
| Qwen3.5-Omni支持音频输出的全模态模型 | 支持 | 不支持 | 支持 | 113 种
含74 种语言、39 种方言 语言:中文、英语、德语、法语、意大利语、捷克语、印尼语、泰语、韩语、波兰语、日语、越南语、芬兰语、葡萄牙语、西班牙语、荷兰语、俄语、马来语、加泰罗尼亚语、瑞典语、土耳其语、乌克兰语、罗马尼亚语、斯洛伐克语、丹麦语、冰岛语、挪威语(博克马尔)、马其顿语、希腊语、匈牙利语、加利西亚语、菲律宾语、克罗地亚语、波斯尼亚语、斯洛文尼亚语、保加利亚语、哈萨克语、白俄罗斯语、拉脱维亚语、爱沙尼亚语、阿塞拜疆语、维吾尔语、斯瓦希里语、印地语、世界语、柯尔克孜语、塔吉克语、宿务语、南非语、阿拉伯语、立陶宛语、爪哇语、孟加拉语、波斯语、希伯来语、旁遮普语、古吉拉特语、蒙古语、阿斯图里亚斯语、卡纳达语、马拉地语、国际语、马拉雅拉姆语、马耳他语、新挪威语、泰卢固语、乌尔都语、格鲁吉亚语、巴斯克语、泰米尔语、奥里亚语、塞尔维亚语、毛利语方言: 东北话、贵州话、粤语、河南话、香港粤语、上海话、陕西话、天津话、台湾话、云南话、安徽话、福建话、甘肃话、广东话、湖北话、湖南话、江西话、山东话、山西话、四川话、广西话、海南话、重庆话、长沙话、杭州话、合肥话、银川话、郑州话、沈阳话、温州话、武汉话、昆明话、太原话、南昌话、济南话、兰州话、南京话、客家话、闽南语 | 36 种
含 29 种语言、7 种方言 语言: 中文、英语、德语、意大利语、葡萄牙语、西班牙语、日语、韩语、法语、俄语、泰语、印度尼西亚语、阿拉伯语、越南语、土耳其语、芬兰语、波兰语、印地语、荷兰语、捷克语、乌尔都语、他加禄语、瑞典语、丹麦语、希伯来语、冰岛语、马来语、挪威语、波斯语 方言: 四川话、北京话、天津话、南京话、陕西话、粤语、闽南语 | 55 种 |
| Qwen3-Omni-Flash混合思考模型 | 支持 | 支持 | 不支持 | 19 种
含 11 种语言、8 种方言 语言:中文、英语、德语、法语、意大利语、泰语、韩语、日语、俄语、西班牙语、葡萄牙语方言:四川话、上海话、粤语、闽南语、陕西话、南京话、天津话、北京话 | 19 种
含 11 种语言、8 种方言 语言:中文、英语、德语、法语、意大利语、泰语、韩语、日语、俄语、西班牙语、葡萄牙语方言:四川话、上海话、粤语、闽南语、陕西话、南京话、天津话、北京话 | 17~49 种因版本而异 |
模型名称、上下文长度、价格及快照版本请参见百炼控制台;并发限流规则请参见 限流。
媒体文件输入
支持的输入模态
以下介绍图片、音频、视频及多种媒体组合输入。前三类完整示例分别传入文本与一种媒体,使用 Qwen3.8-Omni-Flash,通过 Chat Completions 返回文本;多种媒体组合输入适用于 Qwen3.8-Omni-Flash 和 Qwen3.5-Omni,见下方对应示例。
图片输入
以下示例代码以传入图片公网URL为例,传入本地图片请参见:本地文件(Base64)。
输入限制
输入限制
本页各型号支持传入多张图片。对输入图片的要求如下:
-
图片数量:
- Qwen3.8-Omni-Flash、Qwen3.5-Omni系列:公网URL传入最多 2048 张,Base64 编码最多 250 张
- Qwen3-Omni-Flash:图片列表形式视频输入为 2~128 张
-
图像大小:
-
使用公网URL方式:
- Qwen3.8-Omni-Flash、Qwen3.5-Omni系列:单个图片文件的大小不超过 20MB
- Qwen3-Omni-Flash系列:单个图片文件的大小不超过 10MB
- Qwen3.5-Omni、Qwen3-Omni-Flash 使用 Base64 编码方式:编码后的 Base64 字符串大小必须小于 10MB;
-
使用公网URL方式:
- 图片的宽度和高度均应大于 10 像素,宽高比不应超过 200:1 或 1:200
- 支持的图片类型请参见图像与视频理解
音频输入
以下示例代码以传入音频公网URL为例,传入本地音频请参见:本地文件(Base64)。
输入限制
输入限制
-
文件数量:
- Qwen3.8-Omni-Flash、Qwen3.5-Omni系列:使用公网URL方式,最多可传入 2048 个;使用Base64编码方式,最多可传入 250 个;
- Qwen3-Omni-Flash系列:仅支持输入一个;
-
文件大小:
-
使用公网URL方式:
- Qwen3.8-Omni-Flash、Qwen3.5-Omni系列:不超过 2GB
- Qwen3-Omni-Flash:不超过 100MB
- 使用 Base64 编码方式:编码后的 Base64 字符串大小必须小于 10MB
-
使用公网URL方式:
-
时长限制:
- Qwen3.8-Omni-Flash、Qwen3.5-Omni系列:最长 3 小时
- Qwen3-Omni-Flash:最长 20 分钟
- 文件格式:支持AMR、 WAV、 3GP、 3GPP、 AAC、 MP3等主流格式
多通道音频
qwen3.8-omni-flash 支持双通道立体声和四通道 FOA 空间音频(WYZX 通道顺序),可保留空间信息用于音频理解。
use_multichannel 默认为 false,此时所有音频均按单通道解析。设为 true 且输入为双通道(左右)或四通道(FOA,WYZX 顺序)音频时,模型解析空间音频信息。
使用快速开始中的 Chat Completions 示例时,将 AUDIO_URL 替换为对应的多通道 WAV 音频,并在 client.chat.completions.create() 中增加以下参数。HTTP 请求中,use_multichannel 位于请求体顶层。Responses 调用的传入位置见使用 Responses API。
qwen3.8-omni-flash 解析空间音频信息;四通道 FOA 音频调用方式相同,只需将 AUDIO_URL 替换为符合 WYZX 通道顺序的四通道 WAV。
多通道音频的声道数必须为 2(双通道立体声,左右声道)或 4(四通道 FOA,WYZX 通道顺序)。可用
soundfile 查看音频声道数:视频输入
视频的传入方式可以为视频文件形式或图片列表形式,见下方切换页。
- 视频文件形式(可理解视频中的音频)
- 图片列表形式
输入限制
输入限制
-
文件数量:
- Qwen3.8-Omni-Flash:最多可传入 64 个。
- Qwen3.5-Omni系列:使用公网URL方式,最多可传入 512 个;使用Base64编码方式,最多可传入 250 个。
- Qwen3-Omni-Flash系列:仅支持输入一个;
-
文件大小:
-
使用公网URL方式:
- Qwen3.8-Omni-Flash、Qwen3.5-Omni系列:限制为 2GB
- Qwen3-Omni-Flash:限制为 256 MB
- 使用 Base64 编码方式:编码后的 Base64 字符串大小必须小于 10MB
-
使用公网URL方式:
-
时长限制:
- Qwen3.8-Omni-Flash:2 小时
- Qwen3.5-Omni系列:1 小时
- Qwen3-Omni-Flash:150 秒
- 文件格式:MP4、AVI、MKV、MOV、FLV、WMV 等。
- 视频文件中的视觉信息与音频信息会分开计费。
多种媒体组合输入
Qwen3.8-Omni-Flash 和 Qwen3.5-Omni 支持在同一请求中组合输入文本、图片、音频和视频。以下示例使用 Qwen3.8-Omni-Flash 综合分析图片与音频,并生成文本回答。如需生成语音,请使用 Qwen3.5-Omni,参见音频输出示例。
媒体文件传入方式
以下片段用于替换上方 Chat Completions 完整示例中的媒体项。Responses 的字段结构不同,见使用 Responses API。
- 公网 URL
- 本地文件(Base64)
完整示例使用公网 URL。文件需可通过 URL 访问;格式、数量、大小和时长要求见上方对应模态的“输入限制”。以下展示 Chat Completions 的核心媒体项,替换位置与本地 Base64 相同。下方依次为图片、音频、视频文件和视频图片列表的媒体项;按输入类型选用,不要将整个数组直接作为请求体。
语音输出
音色选择
qwen3.5-omni-plus、qwen3.5-omni-flash 与 qwen3-omni-flash 支持语音输出,其可用音色请参见音色列表。
保存与实时播放
qwen3.5-omni-plus、qwen3.5-omni-flash 与 qwen3-omni-flash(非思考模式)以流式方式输出 Base64 编码的音频数据,有两种处理方式:
- 方式一(推荐):收集各 chunk 的 Base64 数据,流结束后统一解码保存为音频文件。
- 方式二:逐 chunk 实时解码并播放,需额外安装 pyaudio。
Qwen3.5-Omni 与 Qwen3-Omni-Flash 仅支持流式输出,本节示例必须设置
stream=True,否则请求报错。进阶使用
思考模式
Qwen3.8-Omni-Flash
qwen3.8-omni-flash 默认开启思考,reasoning_effort 默认为 xhigh。Chat Completions 请求体顶层的 reasoning_effort 接受 none、minimal、low、medium、high、xhigh、max。reasoning_effort 与 thinking_budget 不能同时设置,否则请求报错。
可直接选择 low、medium、xhigh 三档思考力度。兼容取值中,minimal 映射为 low,high 和 max 映射为 xhigh,none 表示关闭思考。
在快速开始中的 Chat Completions 示例的 client.chat.completions.create() 中增加以下参数。reasoning_effort 直接作为 SDK 参数传入。
Qwen3-Omni-Flash
本节介绍 Qwen3-Omni-Flash 的混合思考模式,通过 enable_thinking 参数控制思考模式:
true:开启思考模式false(默认):关闭思考模式
在思考模式下,不支持输出音频。
Qwen3.5-Omni 与 Qwen3-Omni-Flash 仅支持流式输出,本节示例必须设置
stream=True,否则请求报错。返回结果
返回结果
联网搜索
Qwen3.8-Omni-Flash 支持联网搜索,可获取实时信息并生成文本回答。
Qwen3.8-Omni-Flash 的 Responses 调用使用 web_search 工具;Qwen3.8-Omni-Flash 和 Qwen3.5-Omni 的 Chat Completions 调用使用 agent 搜索策略。费用请参见联网搜索计费说明。
以下 Chat Completions 示例使用 Qwen3.8-Omni-Flash,通过 enable_search=True 和 search_options={"search_strategy": "agent"} 开启联网搜索,并设置 reasoning_effort="none" 关闭思考,流式读取文本回复。
多轮对话
在 messages 数组中按对话顺序传入 User Message 和 Assistant Message。以下示例使用 Qwen3.8-Omni-Flash 返回文本回复。
Qwen3.8-Omni-Flash 多轮对话中,preserve_thinking 默认开启。客户端将上一轮的回复和思考分别放入历史 assistant 消息的 content 和 reasoning_content 字段,再随 messages 传入下一轮请求。提供历史思考并启用该参数后,这些思考内容计入输入 Token 和费用。该参数的传参方式与完整多轮示例见传递思考过程。
以下多轮示例使用 Qwen3.8-Omni-Flash,并通过 reasoning_effort="none" 关闭思考。历史 assistant 消息传入文本回复;本示例每条 user 消息传入文本和一种模态,组合输入见多种媒体组合输入:
-
Assistant Message
messages数组中 Assistant Message 的content只能包含文本数据;思考内容通过reasoning_content字段传入。 - User Message 本示例每条 User Message 包含文本和一种模态数据,多轮对话中可在不同轮次传入不同模态。
结构化输出
在语音客服场景中,先通过 ASR 转写、再调用文本模型识别意图,需要串行等待两次模型处理,且仅凭文字难以识别语气中的情绪。Omni 可直接分析音频,一次返回转写、意图和情绪,供下游业务处理。
以下示例使用 qwen3.8-omni-flash 的 JSON Mode,并关闭思考。提示词定义三个字段:asr 为转写文本,intent 为意图,emotion 为情绪。
Qwen3.8-Omni-Flash 不支持 JSON Schema 模式。JSON Mode 只保证 JSON 格式,字段约束需由提示词定义并在客户端校验。支持范围见结构化输出。
DASHSCOPE_API_KEY 和 DASHSCOPE_BASE_URL,安装依赖并设置文件路径:
intent 和 emotion 的取值,选择业务流程和回复方式。
实时场景:接入本地 VAD 断句
实时场景:接入本地 VAD 断句
实时场景可接入本地 VAD 模型进行断句(如 FSMN-VAD),在检测到语音结束后,将音频片段封装为 WAV 并发送给 Omni,获取转写、意图和情绪。
使用 Responses API
使用 Chat Completions 进行多轮音视频对话时,需要随每次请求传入历史消息。如果历史消息包含 Base64 音视频数据,也会重复传输这些数据,增加请求体大小和上传带宽开销。
Qwen3.8-Omni-Flash 支持 Responses API,可通过 previous_response_id 关联历史上下文,后续请求只需发送新问题和上一轮响应 ID;也可配置 web_search 工具,让模型结合音视频内容与联网检索结果完成分析任务。
基础使用
安装最新版 OpenAI Python SDK,并沿用快速开始示例的 API Key、DASHSCOPE_BASE_URL 和 AUDIO_URL。Responses 请求使用 input,其中音频 URL 放在 audio_url,与 Chat Completions 的 input_audio.data 结构不同。音频和视频输入仅允许出现在 user 消息中。
VIDEO_URL 设为可访问的视频 URL,并将上例 input[0].content 替换为以下内容:
"use_multichannel": True(Python),与 audio_url、format 同级。该参数默认为 False,此时按单通道解析。
使用本地 WAV 音频时,将基础示例中 audio_input 的定义替换为以下代码,其他调用代码不变。data 必须包含完整的 Data URI,不能与 audio_url 同时传入。视频输入沿用上方的 URL 示例。
进阶使用
- 多轮对话
- 联网搜索
运行上方基础示例后,在同一 Python 程序中追加以下代码。通过 使用默认的
response.id 关联上下文,后续请求只需传入新问题和上一轮响应 ID。store=True 保存响应,响应 ID 有效期为 7 天,详情见多轮对话。效果优化
音视频分析配置建议
以下为 Qwen3.5-Omni 的配置建议,可按场景调整参数、提示词和音视频长度。Qwen3.8-Omni-Flash 的提示词见推荐提示词。
- 音视频理解
- 音频理解
| 使用场景 | 推荐视频长度 | Prompt 建议 | max_pixels 推荐参数值 |
| 快速审核,成本低 | ≤60分钟 | 50 个词以内的简单 Prompt | 230,400 |
| 内容提取(长视频分段) | ≤60分钟 | 921,600~2,073,600 | |
| 标准分析(短视频打标) | ≤4分钟 | 使用下方的结构化 Prompt
建议Prompt | 921,600~2,073,600 |
| 精细分析(多说话人/复杂场景) | ≤2分钟 | 2,073,600 |
长视频需要细粒度描述时,建议分段处理。
推荐提示词
以下提示词适用于 qwen3.8-omni-flash。根据使用场景选择提示词,将其放入 Chat Completions 的 user 消息中,作为 content 数组内 type="text" 项的 text 字段值,并在同一条消息中传入待分析的音频或视频。提示词中的输出格式要求用于引导模型生成内容。
音视频精细描述:按时间顺序组织
音视频精细描述:按时间顺序组织
结合画面和声音,按时间顺序描述事件,并提供时间范围,便于回看定位。
音视频精细描述:分开输出转写和画面文字
音视频精细描述:分开输出转写和画面文字
分别输出事件描述、画面文字和语音转写,保留原文、说话人和时间范围,便于查找与核对。
音视频结构化描述
音视频结构化描述
按场景和事件输出 JSON。将任务说明和完整 JSON Schema 一起放入提示词,明确字段、类型、必填项和约束。
音视频高动态描述
音视频高动态描述
描述快速变化的画面、动作和事件过程。根据内容动态程度调整视频采样帧率,在最高 15 fps 的输入场景下保持稳定效果,捕捉更细致的动作与时序变化。帧率越高,处理成本越高,应按需设置。
多说话人音画协同分析
多说话人音画协同分析
结合音频和视频识别说话人并输出带时间戳的转写。将视频作为输入时,模型可结合画面信息分析说话人与语音的对应关系。
音频时间定位
音频时间定位
定位指定声音事件。使用前将提示词中的
[audio event label] 替换为目标事件,例如 dog_barking;结果包含事件类型及以秒为单位的起止时间。模型效果
音视频内容分析
请你对这个视频按时间戳生成全面的描述。 | 00:00.000 – 00:02.500雨夜中的城市街道填满宽银幕画面。长时间曝光下,红蓝车灯拖出光轨滑过,在湿漉漉的路面上闪烁。一位身穿深色及膝风衣、内搭浅色衬衫领带的孤独男子,沿着右侧人行道向镜头走来。雨滴凝结在他的肩膀和头发上;每一步都在潮湿的混凝土上发出沉闷的啪嗒声。低沉不祥的电子嗡鸣支撑着环境音,同时稳定的雨声四处噼啪作响。他身旁的砖墙上贴满彩色涂鸦,街区远处几块霓虹灯招牌发光——一块清晰显示橙红色草书体 "Nice",另一块竖置招牌的末端露出字母 "AT"。......00:12.300 – 00:14.533镜头向下倾斜。在手电筒光圈内,一张泛黄老化的单页纸躺在浅水洼中,边缘烧焦且边角卷曲。墨迹段落覆盖大部分表面,但潮湿和焦痕使文字无法辨认。男子跪下,戴手套的手指伸向文件;手靠近时水波向外荡漾。警笛达到峰值,随后开始略微消退,而环境嗡鸣保持稳定。画面在颤抖的纸页即将被触碰前定格,片段结束。仅展示部分时间戳内容。 |
多方言理解
给出不同方言歌手的声音特征、演唱时的情绪状态、以及对应的完整歌词 | 这段音频由多位来自中国不同地区的歌手用各自的方言进行说唱,展现了中国方言的丰富多样性。以下是每位歌手的声音特征、情绪状态及对应歌词的详细描述:杭州话(吴语)声音特征:这位男歌手的声音较为柔和,带有吴语特有的软糯和温婉。他的语调起伏平缓,节奏轻快,给人一种娓娓道来的感觉。情绪状态:悠闲、惬意且充满生活气息。他描绘了杭州的慢生活和城市变迁,情绪中带着对家乡的眷恋和对现代发展的感慨,整体感觉舒适而亲切。对应歌词:> 杭州话,听听看,我们格文化,包括家门口的儿化音> 像花开在西湖边,不搞文化调查,只有我们搞得懂> 你们都不懂,三不搭门,格儿,老儿,粉儿,伢儿,这外人分得清> 出发,变化快,地铁交通发达,据说要去看看> 包容新马泰,看十三太,为城市骄傲,性格直给> 感情你只为过桥,而且味道不一样,你不来嘞仅展示部分效果。 |
歌词字幕生成
请你识别这首歌的歌词,并分句给出歌词的时间戳,输出格式如下:[00:00:15,020 --> 00:00:28,085] :When you walk through a storm, hold your head up high.[00:00:28,085 --> 00:00:40,200] And don't be afraid of the dark. ...... | [00:00:12,680 --> 00:00:16,960] 猫线绕过树摇晃的月光[00:00:18,400 --> 00:00:22,800] 暖气片哼着九八年排行[00:00:24,160 --> 00:00:28,080] 时间拨开云雾般的热浪[00:00:28,920 --> 00:00:33,000] 屏幕里的霓虹晒在鼻梁......[00:03:16,720 --> 00:03:21,680] 我们窝在年轮最柔软一墙[00:03:22,400 --> 00:03:27,000] 呼吸被余温酿成蜂蜜糖[00:03:28,160 --> 00:03:33,200] 沙发陷落成云絮的形状[00:03:34,000 --> 00:03:38,800] 每个毛孔都晒着晴朗[00:04:09,000 --> 00:04:10,020] (End)仅展示部分效果。 |
音视频编程
API参考
- Chat Completions:本页各型号的输入输出参数。
- Responses:Qwen3.8-Omni-Flash 的输入输出参数。
计费与限流
Qwen3.8-Omni-Flash 支持自动生效的隐式缓存。
计费规则
本页各型号根据不同模态(音频、图像、视频)的 Token 数计费。各地域单价请参见模型价格。
音频、图片与视频转换为Token数的规则
音频、图片与视频转换为Token数的规则
各模态的 Token 换算规则及适用型号如下。
- 音频
- 图片
- 视频
-
Qwen3.8-Omni-Flash:输入音频计算公式为总 Tokens 数 = 音频时长(单位:秒)* 7。 -
Qwen3.5-Omni系列:- 输入音频计算公式:
总 Tokens 数 = 音频时长(单位:秒)* 7 - 输出音频计算公式:
总 Tokens 数 = 音频时长(单位:秒)* 12.5
- 输入音频计算公式:
-
Qwen3-Omni-Flash:输入与输出音频的计算公式均为总 Tokens 数 = 音频时长(单位:秒)* 12.5