随手记：目录写着能出声，我那一次没听到

从笔记里那行字说起

整理手边的笔记，翻到刚记下的那一行：目录写着输出 Text + Audio，可我那一次没听到声音。当时只顾着把错误原文抄下来，前后经过没写清楚，现在补一篇。

事情起点是一段录音。不是真实通话，是我用语音合成现做的一段，里面故意埋了几个专有名词，正确答案我自己清楚：「请把珞珈三号卫星的遥测数据同步到百炼控制台，负责人是岑巩县项目组的冉雍。」我想把它转成文字留档，顺手看看能不能省掉人工核对那一步。

我找了两个读者各读一遍，一个是百炼九月新上的全模态模型 qwen3.8-omni-flash，一个是专业语音转写 fun-asr。

第一个读者直接吃本地 mp3

bl omni --model qwen3.8-omni-flash --audio ./a1.mp3 --message "这段音频在说什么？先逐字转写，再用一句话概括。" --text-only

一次调用，逐字转写里珞珈三号、岑巩县、冉雍、百炼控制台四个专名全对，后面那句概括也和原意相符。本地 mp3 直接读，不用先换成公网 URL，这点比我预期省事，我原来以为得先找个地方把音频挂上去。

qwen3.8-omni-flash 是九月上架的那批，上架页写的是 09-17，实时变体 09-21。目录里它的输入模态是 Text + Image + Video + Audio，输出是 Text + Audio。

第二个读者把产品名写错了一个字

bl speech recognize --url ./a1.mp3 --model fun-asr --language zh

专名也对，只有产品名从「百炼控制台」变成了「百链控制台」。

同一段录音，两边各 1 次。我不从这一次里下谁更强的结论，转写有随机性，omni 也不是专门纠专名的东西。但这件事之后我给自己立了条规矩：要留档的录音别只信一个读者，同素材双读一遍，一字差当场就摆在眼前，比事后翻文稿回炉便宜得多。

想让它开口，撞上第一个 400

文字都出来了，我顺手想让它回一句语音，默认音色 Tina，回复存 wav，一次请求：

bl omni --model qwen3.8-omni-flash --message "用一句话回复：你准备好帮忙了。" --audio-out ./r1.wav

HTTP 400，错误原文是「The current model does not support the modalities parameter containing audio.」

我盯着这句看了好一会儿。目录里输出模态写着 Text + Audio，帮助文本里也没提语音回复要挑模型。我没去猜机制，猜出来的解释一旦写进笔记，过两个月自己回头看，还会当成官方说过的话。只记现象：语音输出这条路，在 3.8-omni-flash 上我那一次没走通。

换个模型，两次都出了 wav

bl omni --model qwen3.5-omni-plus --voice Marcus --message "用一句话回复：你准备好帮忙了。" --audio-out ./r2.wav

默认 Tina 那次落了一个 2.4 秒的 wav，mono、24000Hz；换 Marcus 那次 2.32 秒，规格一样，共两次。回复文本是「我已经准备好随时为您提供帮助。」

音色像不像、好不好听我不评价。我没有听感核验的手段，能核的只有文件规格，这句写在笔记里是防止以后自己把规格当成音质。

顺手又撞一个：图像那边

想着音频本地能吃，图像应该也一样，就拿一张本地 jpg 让它读招牌，一次请求：

bl omni --model qwen3.8-omni-flash --image ./storefront.jpg --message "读一下图里招牌上的字。" --text-only

HTTP 400：「The provided URL does not appear to be valid.」帮助文本对 --image 写的是 Image URL or local file。同一条命令里，--audio 收本地 mp3 刚才还好好的，--image 收本地 jpg 那一次就 400。同样只记现象：这一轮里图像得先有 URL。

音色清单，和这轮没测的部分

bl omni --list-voices 我跑了一次，15 条输出音色，默认 Tina：Tina 甜妹、Dylan 北京-晓东、Kiki 粤语-阿清、Li 南京-老李、Sunny 四川-晴儿、Marcus 陕西-秦川、Eric 四川-程川、Rocky 粤语-阿强，还有几条我没抄全。方言系音色留着做本地化内容挺合适，我之前一直以为这类清单里只有普通话。

没测的也记一笔，省得下次自己误会。视频输入 --video 这轮没素材，不写结论。帮助文本里没有 seed 这类复现开关，复现性口径照 help 逐字。3.8 的 realtime 变体走 WebSocket/WebRTC 接入，不在这一轮里。

笔记里我多加了一栏：跑了几次

这轮之后我记读数的格式变了。以前写"语音输出可用"，现在后面必须跟一个次数。两次和一次不是一回事，一次只能说明这条路那天通着，说明不了它明天还通。

麻烦是有一点，多写几个字而已，好处是过一阵回头看，我能分清楚哪些结论是核过的，哪些只是那天运气好。目录里那句 Text + Audio 就是个现成的例子：我照着它排了流程，那一次没走通，笔记里要同时留下这两行，缺一条以后就会误判。

我的痛点，和它能帮我解决什么

把这一轮的账对一下。

痛点三条。第一，音视频理解以前得拼三个服务，转写、大模型、语音合成，各注册各管额度，中间的文件自己搬。第二，新模型目录写的模态不敢全信，语音输出和本地图像各撞了一次 400，撞完才知道要改流程。第三，做演示想要一句会说话的回答，音色得挑，挑不到合适的就只能退回旁白。

对上的解法也是三条。音频进、文本出、语音回从同一个入口走完，不用拼三服务，少两个平台要登，少两份额度要记。这一轮把哪条模态在哪个模型上真通列成了清单，3.5-plus 语音通、3.8-flash 语音与本地图像各 400 一次，下次照着走不用重撞。15 条音色带方言系，配音有的挑。

边界一句：单次读数只说明路通或路堵，不包稳定性；音色听感我不评价；视频输入这轮没测。

坑清单，四条带走

1. 语音回复先挑模型：3.5-omni-plus 通，3.8-omni-flash 我那一次 400（目录输出模态写着 Audio）。
2. --image 收本地路径我那一次 400（help 写收本地文件），--audio 本地路径正常，图像先备好 URL。
3. 要留档的录音别只信一个读者：omni 加专业转写同素材双读各 1 次，「百链」这种一字差就露出来了。
4. 复现性没有 seed 开关，口径照 help 逐字；要稳定性结论自己多跑几轮。

想跟着走一遍的话，装 CLI 是一条命令的事（CLI 安装说明在这），跑之前签一个 API Key 就够了。模型目录自己去阿里云百炼首页核，别只抄别人笔记里的结论。跑完欢迎回来报你那一次的 400，我挺好奇你们撞的是哪条。