概述
Qwen-Omni 模型当前通过 /v1/chat/completions 接入，典型模型包括 qwen3-omni-flash 与 qwen-omni-turbo。Ling.AI 不会额外改写这些 Omni 专属字段，而是按 OpenAI 兼容格式原样透传给上游。
流式限制
Qwen-Omni 请求需要使用流式输出。也就是说 stream=True / stream: true 必须设置，否则通常会由上游直接返回错误。
输入限制
在单条 User Message 中，只可以包含文本和一种模态的数据。也就是文本可以和图片、音频或视频中的一种组合，但不能在同一条用户消息里同时混入多种非文本模态。
基础调用
最基础的文本或文本加语音输出场景，可以直接通过 modalities 和 audio 控制返回模态。
Python
from openai import OpenAI
client = OpenAI(
base_url="https://api.vip.lingapi.ai/v1",
api_key="sk-xxxxxxxx"
)
completion = client.chat.completions.create(
model="qwen3-omni-flash",
messages=[
{"role": "user", "content": "你是谁？"}
],
modalities=["text", "audio"],
audio={"voice": "Cherry", "format": "wav"},
stream=True,
stream_options={"include_usage": True}
)
for chunk in completion:
print(chunk)
如果只需要文本输出，可以把 modalities 设为 ["text"]。当返回音频时，响应中的 delta.audio.data 通常为 Base64 编码音频片段，可在流结束后拼接解码。
思考模式
qwen3-omni-flash 支持通过 enable_thinking 控制是否开启思考模式；qwen-omni-turbo 不属于思考模型。需要注意的是，Qwen3 Omni 在思考模式下不支持输出音频，此时建议只请求 ["text"] 输出。
Python
completion = client.chat.completions.create(
model="qwen3-omni-flash",
messages=[{"role": "user", "content": "你是谁"}],
extra_body={"enable_thinking": True},
modalities=["text"],
stream=True
)
多模态输入
Qwen-Omni 支持文本与图片、音频或视频中的一种组合输入。常见输入结构如下：
- 图片：
image_url+text - 音频：
input_audio+text - 视频文件：
video_url+text - 视频帧列表：
video+text
Python
completion = client.chat.completions.create(
model="qwen3-omni-flash",
messages=[
{
"role": "user",
"content": [
{
"type": "input_audio",
"input_audio": {
"data": "https://example.com/hello.wav",
"format": "wav"
}
},
{
"type": "text",
"text": "这段音频在说什么？"
}
]
}
],
modalities=["text"],
stream=True
)
Python
completion = client.chat.completions.create(
model="qwen3-omni-flash",
messages=[
{
"role": "user",
"content": [
{
"type": "video_url",
"video_url": {
"url": "https://example.com/demo.mp4"
}
},
{
"type": "text",
"text": "视频的内容是什么？"
}
]
}
],
modalities=["text"],
stream=True
)
多轮对话
多轮对话时，Assistant Message 建议只保留文本内容；不同轮次的 User Message 可以分别携带不同模态，但单条用户消息仍然应遵守“文本 + 一种其他模态”的限制。
计费提示
- Qwen-Omni 的文本、图片、音频、视频通常按各自对应的 Token 计费。
- 如果返回音频，音频输出 Token 会进入使用量统计，例如
completion_audio_tokens。 - 视频文件输入可能同时包含视觉与音频两部分成本，具体以上游模型计费规则为准。