ARouter 支援多模態輸入和輸出——您可以在文字訊息旁邊傳送圖像、PDF 和音訊，並以圖像或語音音訊作為輸出接收。
支援的模態
| 模態 | 方向 | 備註 |
|---|
| 文字 | 輸入 + 輸出 | 所有模型 |
| 圖像（URL / base64） | 輸入 | 視覺模型 — JPEG、PNG、GIF、WebP |
| PDF（base64） | 輸入 | Anthropic Claude、Google Gemini |
| 音訊（base64） | 輸入 | 多模態音訊模型 |
| 圖像生成 | 輸出 | DALL-E 3、Flux、Stable Diffusion |
| 音訊輸出（TTS / 語音） | 輸出 | TTS 模型、音訊對話模型 |
# 支援圖像輸入的模型
GET /v1/models?supported_parameters=vision
# 輸出圖像的模型
GET /v1/models?output_modalities=image
# 輸出音訊的模型
GET /v1/models?output_modalities=audio
使用圖像 URL
{
"model": "openai/gpt-5.4",
"messages": [{
"role": "user",
"content": [
{"type": "text", "text": "What's in this image?"},
{"type": "image_url", "image_url": {"url": "https://example.com/image.jpg"}}
]
}]
}
圖像細節級別
| 值 | 描述 |
|---|
auto（預設） | 提供商根據圖像大小決定 |
low | 更快、更便宜 — 85 個 token，調整為 512×512 |
high | 全解析度 — 對圖像進行分塊，消耗更多 token |
模型相容性
| 模型 | 圖像 URL | 圖像 Base64 | PDF | 音訊輸入 |
|---|
openai/gpt-5.4 | ✓ | ✓ | — | — |
anthropic/claude-sonnet-4.6 | ✓ | ✓ | ✓ | — |
google/gemini-2.5-flash | ✓ | ✓ | ✓ | ✓ |
google/gemini-2.5-pro | ✓ | ✓ | ✓ | ✓ |
其他模態
- 音訊 — 語音轉文字、文字轉語音和音訊對話模型
- 圖像生成 — 從文字提示生成圖像
圖像 token 計入提示詞 token 限制。使用 detail: "high" 的大型高解析度圖像可能比文字消耗多得多的 token。
