百炼多模态模型使用教程：图像生成、视频生成与语音实战指南

什么是多模态模型？

多模态模型是指能够处理文本、图像、音频、视频等多种数据形态的AI模型。与纯文本大语言模型不同，多模态模型打破了信息形态的边界——用文字描述生成图片，让模型"看懂"图片并给出分析，都已成为现实。

阿里云百炼平台聚合了多款多模态模型，覆盖以下能力：

图像理解与生成：Qwen-Image-3.0-Pro、Z-Image-Turbo图片与视频生成：Wan2.7文本生成视频：HappyHorse-1.1-T2V语音识别与合成：Qwen-Audio-3.0

这些模型均通过百炼统一API调用，使用方式与文本模型一致。你可以在百炼控制台https://bailian.console.aliyun.com直接开通体验。

图像生成教程

百炼平台提供了多个图像生成模型，适用于不同的场景需求。

Qwen-Image-3.0-Pro

Qwen-Image-3.0-Pro 是通义千问系列的图像模型，具备图像理解与生成双重能力。可用于"文生图"任务，也可上传图片进行分析、描述或编辑。

典型场景：

根据文字描述生成插画、海报素材图片内容理解与问答图文混合输入的创意生成

调用方式与千问文本模型类似，通过百炼API传入文本prompt和图像参数即可。

Wan2.7

Wan2.7 是百炼平台上的图片与视频生成模型，在图像生成方面表现突出。它支持较高分辨率的文生图输出，适合对画面质量有较高要求的创作场景。

实际使用建议：Wan2.7 在生成细节丰富的场景（如风景、建筑）时效果较好。建议prompt描述尽量具体，包含主体、风格、光影等要素，以获得更理想的生成结果。

Z-Image-Turbo

Z-Image-Turbo 主打快速图像生成，适合对响应速度有较高要求的场景，例如实时预览、批量素材生成等。

选型建议：如果你的应用需要快速迭代出图（如交互式创作工具），Z-Image-Turbo 是更合适的选择；如果追求画面精细度，优先考虑 Wan2.7 或 Qwen-Image-3.0-Pro。

视频生成教程

视频生成是多模态模型中最具想象力的方向之一。百炼平台目前提供两个视频生成模型。

Wan2.7（视频生成）

Wan2.7 同时支持图片和视频生成，可根据文本描述或参考图片生成短视频片段。

实际使用时，prompt 里最好顺手带上镜头运动的描述，比如"缓慢推进"、"俯拍"这类表达，往往更容易生成带有电影感的画面。至于单次可生成视频的时长和分辨率，则会受到模型版本限制，具体参数请参考百炼产品页https://www.aliyun.com/product/bailian的最新说明。

HappyHorse-1.1-T2V

HappyHorse-1.1-T2V 专注于文本生成视频（Text-to-Video），核心优势在于对中文语义的理解较为准确，适合用中文描述直接生成视频内容。适用于短视频原型制作、营销素材创意预览、教育动画构思等场景。

提示：视频生成模型仍在快速迭代中，生成效果和时长可能随版本更新变化，建议在百炼控制台查看最新说明。

语音模型教程

Qwen-Audio-3.0

Qwen-Audio-3.0 是百炼平台上的语音多模态模型，支持语音识别（ASR）和语音合成（TTS）。

语音识别：将音频转为文本，支持多种语言，适用于会议记录、客服录音分析、播客字幕等场景。

语音合成：将文本转为自然语音输出，适合有声读物、智能客服、语音播报等应用。

调用通过百炼统一API完成，与文本模型调用流程高度一致。

各模型适用场景与选择建议

需求场景推荐模型核心优势文生图（高质量）Wan2.7 / Qwen-Image-3.0-Pro画面精细，细节丰富文生图（快速）Z-Image-Turbo响应速度快，适合实时场景图片理解与分析Qwen-Image-3.0-Pro图文双能力，支持多轮对话文生视频HappyHorse-1.1-T2V / Wan2.7中文语义理解好，支持多种输入语音识别Qwen-Audio-3.0多语言支持，准确率高语音合成Qwen-Audio-3.0自然度高，场景适配广","rows":7,"cols":3,"id":"uSGGj"}">

选型原则：先明确核心需求是"生成"还是"理解"，再看速度和质量要求。百炼的优势在于可以用统一API快速切换和对比不同模型，建议多做A/B测试。

常见问题（FAQ）

1. 百炼多模态模型的API调用方式和文本模型一样吗？

基本一致。百炼提供统一的API接口，文本、图像、视频、语音模型都通过相同的认证方式和调用框架完成。

2. 多模态模型支持哪些输入格式？

图像模型支持 JPEG、PNG 等格式；语音模型支持 WA V、MP3 等；视频生成主要接受文本prompt，部分模型支持参考图片。具体格式请参考API文档。

3. 图像生成的分辨率是多少？

不同模型输出分辨率不同。Wan2.7 和 Qwen-Image-3.0-Pro 支持较高分辨率，Z-Image-Turbo 侧重速度，分辨率可能有所取舍。【待确认：各模型具体最大分辨率参数】

4. 视频生成的时长限制是多少？

当前版本单次输出通常为几秒到十几秒的短视频片段，具体时长随模型版本更新变化，建议在百炼控制台查看最新说明。

5. 多模态模型的费用怎么计算？

百炼按调用量计费：图像模型按生成张数，语音模型按音频时长，视频模型按生成次数或时长计费。详细定价请参考百炼产品页https://www.aliyun.com/product/bailian。

6. 可以在百炼平台上直接体验这些模型吗？

可以。登录百炼控制台https://bailian.console.aliyun.com后，在模型广场中找到各多模态模型，直接在线体验或获取API Key。

7. 多模态模型是否支持流式输出？

文本模型和语音合成支持流式输出。图像和视频生成通常为一次性返回完整结果。

8. 如何提升图像生成的效果？

关键在于prompt撰写，建议包含：主体描述、画面风格（写实/插画/水彩）、光影条件、构图方式、背景设定。描述越具体，生成结果越可控。

9. 百炼多模态模型是否支持私有化部署？

百炼以云端API服务为主。私有化部署或专属资源需求，建议通过阿里云官方渠道咨询。

10. 多模态模型后续会有更多更新吗？

多模态是大模型发展的重要方向，百炼会持续引入和更新模型，建议关注官方公告。

总结

百炼平台把图像生成、视频生成、语音处理等多模态模型统一整合到同一套API体系里，开发者不必再分神处理底层基础设施，就能更高效地搭建多模态AI应用。更稳妥的做法是先从百炼控制台https://bailian.console.aliyun.com入手，在线把各类模型的实际效果跑一遍，再结合具体业务需求推进API集成。

相关阅读：

百炼产品页https://www.aliyun.com/product/bailian— 了解百炼平台完整模型列表与定价百炼控制台https://bailian.console.aliyun.com— 在线体验模型、获取API Key