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。
使用经验：输入prompt建议包含镜头运动描述（如"缓慢推进""俯拍"），有助于生成更有电影感的画面。单次生成的视频时长和分辨率受模型版本限制，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 |
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 WAV、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
百炼平台将图像生成、视频生成、语音处理等多模态模型整合在统一API之下，开发者无需关心底层基础设施，即可快速构建多模态AI应用。建议从百炼控制台https://bailian.console.aliyun.com开始，先在线体验各模型效果，再根据业务需求进行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
