Qwen3.5-Omni-Plus-All 文+图 生 文+音频 API 使用文档
基于阿里通义千问 Qwen3.5-Omni 全模态大模型的多模态对话接口，通过 DMXAPI /v1/responses 端点提供服务。支持文本与图片任意组合作为输入，流式同时返回文字回复与拟人化语音合成（WAV 音频 Base64 编码）。覆盖 55 种拟人音色、36 种输出语音语种（含 29 种语言、7 种方言），113 种输入音频语种，可应用于内容审核、文本创作、视觉识别、音视频交互助手等场景。
🌐 请求地址
https://www.dmxapi.cn/v1/responsesWARNING
请妥善保管您的 API Key！严禁将密钥泄露给他人、硬编码到代码中或提交到公开的代码仓库。如果怀疑密钥已泄露，请立即前往 DMXAPI 官网重新生成。
🤖 模型名称
qwen3.5-omni-plus-all
📝 文 + 图 生 文 + 音频 示例代码
python
import requests
import json
import base64
import time
import os
# ═══════════════════════════════════════════════════════════════
# 步骤1: 配置 API 连接信息
# ═══════════════════════════════════════════════════════════════
url = "https://www.dmxapi.cn/v1/responses"
api_key = "sk-******************************************"
# ═══════════════════════════════════════════════════════════════
# 步骤2: 配置请求头
# ═══════════════════════════════════════════════════════════════
headers = {
"Content-Type": "application/json",
"Authorization": f"{api_key}",
}
# ═══════════════════════════════════════════════════════════════
# 步骤3: 配置请求参数
# ═══════════════════════════════════════════════════════════════
payload = {
# 【model】(string, 必填) 指定要调用的模型名称
# 本文档仅对应 qwen3.5-omni-plus-all，属于 Qwen3.5-Omni 全模态系列
# 支持文本、图片、音频、视频的任意组合输入，支持长达 1 小时视频/3 小时音频
"model": "qwen3.5-omni-plus-all",
# 【input】(array, 必填) 对话消息数组
# 每个元素为一条消息，包含 role 和 content
# 用户消息 content 支持多模态数组（文本/图片/音频/视频的任意组合）
"input": [
{
# 【role】(string, 必填) 消息角色
# 可选值: "user"(用户) / "assistant"(助手) / "system"(系统)
# 注意: Qwen-Omni 音频输出模式下不支持 system message
"role": "user",
# 【content】(array) 多模态内容数组，每个元素为一个输入片段
"content": [
{
# 【type】(string, 必填) 当前内容片段的类型
# 可选值: "text"(文本) / "image_url"(图片) / "input_audio"(音频) / "video_url"(视频)
"type": "image_url",
# 【image_url】(object) 图片输入对象
# 支持 公网URL 或 data URI base64 编码（base64 编码后需 < 10MB）
"image_url": {
# 【url】(string, 必填) 图片地址
# 支持 http(s) 公网链接或 data:image/png;base64,... 形式
"url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241022/emyrja/dog_and_girl.jpeg"
}
},
{
# 【type】(string, 必填) 指定为文本类型
"type": "text",
# 【text】(string, 必填) 文本内容，用户提问或指令
"text": "图中描绘的是什么景象？"
}
]
}
],
# 【stream】(boolean, 必填) 是否使用流式输出
# Qwen-Omni 模型必须设置为 True，否则会报错
# 通过 SSE 协议逐步返回文字增量与音频片段
"stream": True,
# 【stream_options】(object, 可选) 流式输出的附加选项
"stream_options": {
# 【include_usage】(boolean) 是否在流式结束时返回 usage 统计信息
# True 时最终事件会包含 input_tokens / output_tokens / total_tokens
"include_usage": True
},
# 【modalities】(array, 可选) 指定输出模态
# 可选值: ["text", "audio"](同时输出文字和音频) / ["text"](仅文字)
# 默认为 ["text"]；若要生成语音必须显式加入 "audio"
"modalities": ["text", "audio"],
# 【audio】(object, 可选) 音频输出参数
# 当 modalities 包含 "audio" 时必须提供
"audio": {
# 【voice】(string, 必填) 音色名称
# Qwen3.5-Omni 系列支持 55 种音色，示例: "Tina"
# 完整列表参见官方音色列表文档
"voice": "Tina",
# 【format】(string, 必填) 音频输出格式
# 当前支持: "wav"，返回 PCM 16bit / 采样率 24000Hz 的 Base64 编码字符串
"format": "wav"
}
}
# ═══════════════════════════════════════════════════════════════
# 步骤4: 发送请求并提取文字与音频
# ═══════════════════════════════════════════════════════════════
text_parts = []
audio_parts = []
usage_info = None
current_event = None
with requests.post(url, headers=headers, json=payload, stream=True) as response:
if not response.ok:
print(f"[HTTP {response.status_code}] {response.text}")
response.raise_for_status()
for line in response.iter_lines():
if not line:
continue
line = line.decode("utf-8")
if line.startswith("event:"):
current_event = line[len("event:"):].strip()
continue
if not line.startswith("data:"):
continue
data_str = line[len("data:"):].strip()
if data_str == "[DONE]":
break
try:
data = json.loads(data_str)
except json.JSONDecodeError:
continue
# 文字增量事件
if current_event == "response.output_text.delta":
text = data.get("delta", "")
if text:
text_parts.append(text)
# 音频数据事件（完整 WAV，base64 编码）
elif current_event == "response.output_item.done":
for part in data.get("item", {}).get("content", []):
if "audio" in part and part["audio"].get("data"):
audio_parts.append(part["audio"]["data"])
# usage 统计事件
elif current_event == "response.completed":
usage_info = data.get("response", {}).get("usage")
# ═══════════════════════════════════════════════════════════════
# 步骤5: 输出文字内容
# ═══════════════════════════════════════════════════════════════
full_text = "".join(text_parts)
print("=" * 50)
print("生成的文字内容:")
print("=" * 50)
print(full_text if full_text else "(无文字输出)")
print("=" * 50)
# ═══════════════════════════════════════════════════════════════
# 步骤5.5: 输出 usage 信息
# ═══════════════════════════════════════════════════════════════
if usage_info:
print("Token 用量:")
for key, value in usage_info.items():
print(f" {key}: {value}")
print("=" * 50)
# ═══════════════════════════════════════════════════════════════
# 步骤6: 保存音频为 WAV
# ═══════════════════════════════════════════════════════════════
if audio_parts:
audio_bytes = base64.b64decode("".join(audio_parts))
timestamp = time.strftime("%Y%m%d_%H%M%S")
output_dir = os.path.dirname(os.path.abspath(__file__))
wav_path = os.path.join(output_dir, f"{timestamp}.wav")
with open(wav_path, "wb") as f:
f.write(audio_bytes)
print(f"音频已保存: {wav_path}")
else:
print("未收到音频数据")📦 返回示例
==================================================
生成的文字内容:
==================================================
图中描绘的是一幅温馨、宁静的海滩日落景象：
- **主体人物与动物**：一位年轻女性坐在沙滩上，面带微笑，正与一只金毛寻回犬互动。狗狗坐着，抬起前爪，似乎在与主人"击掌"或握手，展现出亲密和训练有素的关系。
- **环境背景**：他们身处一片开阔的沙滩上，身后是平静的海洋，海浪轻轻拍打着岸边。天空被夕阳染成柔和的暖色调（橙黄与淡粉），阳光从右侧洒下，在人物和狗的轮廓上形成美丽的逆光效果，营造出温暖、浪漫的氛围。
- **细节元素**：
- 女性穿着格子衬衫和深色裤子，赤脚坐在沙地上，显得放松自然。
- 狗狗佩戴着彩色图案的胸背带，旁边还放着一条红色牵引绳。
- 沙滩上有清晰的脚印和凹陷，增加了画面的真实感和生活气息。
整体画面传达出人宠之间深厚的情感纽带，以及在大自然中享受宁静时光的美好意境，充满治愈感和幸福感。
==================================================
Token 用量:
input_tokens: 1266
input_tokens_details: {'cached_tokens': 0}
output_tokens: 5506
output_tokens_details: {'reasoning_tokens': 0}
total_tokens: 6772
==================================================
音频已保存: /path/to/output/20260417_153000.wav© 2026 DMXAPI qwen3.5-omni-plus-all 文 + 图 生 文 + 音频