media-qwen · Qwen 媒体

阿里云百炼（DashScope）的 Qwen 媒体能力：多模态理解、语音合成、场景音频生成。

本包是 media-suite 家族的一员，也可以独立安装使用。

工具

工具	模型	用途
qwen_omni	qwen3.8-omni-flash	视频 / 音频 / 图片理解，返回文本
qwen_tts	qwen-audio-3.1-tts-plus	文字转语音，支持预置音色与情绪指令
qwen_audio	qwen-audio-3.1-tts-next	按描述生成完整音频场景，支持参考音色

qwen_omni

参数	必填	默认	说明
media	是	—	本地路径，或 http(s):// / oss:// URL
prompt	是	—	完整指令；转写、时间戳、总结都写在里面
thinking	否	true	是否启用模型思考

• model 固定 qwen3.8-omni-flash，fps 内部固定 2.0，均不暴露。
• 文件处理：本地 ≤ 20 MiB 内联 base64；> 20 MiB 上传百炼临时存储（上限 1 GB）；URL 直接透传。内联被网关拒绝时自动改走上传并重试一次。
• 图片允许，但工具描述不主动推荐：普通图片理解应使用主模型自带视觉能力。
• 文本直接返回，不落盘。

qwen_tts

参数	必填	默认	说明
text	是	—	要朗读的文字
voice	是	—	预置音色 ID，如女声 longanhuan_v3.1、男声 xunanchuan_v3.1
instruction	否	—	自然语言情绪/语气指令
format	否	mp3	mp3 / pcm / wav / opus
sample_rate	否	22050	8000 / 12000 / 16000 / 22050 / 24000 / 44100 / 48000

qwen_audio

参数	必填	默认	说明
text_prompt	是	—	音频描述或台词，用 @voice1 / @voice2 / @voice3 引用参考音频
references	否	—	最多 3 段参考音频，本地路径或 URL；每段 ≤10 MB、≤30 秒
format	否	wav	wav / mp3 / pcm
sample_rate	否	48000	8000 / 16000 / 24000 / 44100 / 48000
channels	否	2	1 或 2

输出

音频写到：

<会话目录>/output/media/qwen/TTS-Plus/...
<会话目录>/output/media/qwen/TTS-Next/...

需要写到别处时，在调用里传 output 参数（相对路径按当前工作目录解析，目录自动创建）。

Endpoint

默认共享域名：

https://dashscope.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer

设置 DASHSCOPE_WORKSPACE_ID 后切换到 workspace 专属域名：

https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1

设置页

设置 → Qwen 媒体：配置 DASHSCOPE_API_KEY，并查看 Key 校验状态（模型列表接口，免费请求）。

Key 写入 $DSH_HOME/.credentials.yaml 的 refs: 段，由 Harness 凭据服务管理，页面不回显已保存的值。

不做

• 不做批量、异步、长时间任务
• 不做时间戳参数与 SRT 生成
• 不做专用 ASR 模型
• 不查询阿里云账户余额（DashScope Key 无法查询）

安装

dsh plugin --profile <profile> add @tmmk/media-qwen

装完重启 DSH，设置里会出现 Qwen 媒体。

第一步：配置 Key。 打开设置页填入 DASHSCOPE_API_KEY 并保存，页面会显示校验状态。

第二步：开始使用。 直接用自然语言让 Agent 调用，例如：

• 「把这段视频转写成文字」
• 「用温柔的女声朗读这段旁白」
• 「生成一段雨夜街道的环境音，带两个人的对话」

Agent 会自己选择合适的工具和参数。

如果只想一次性装齐 Qwen 与 RunningHub，可以装 @tmmk/media-suite。