> ## Documentation Index
> Fetch the complete documentation index at: https://docs.arouter.ai/llms.txt
> Use this file to discover all available pages before exploring further.

# 多模態

> 在文字旁邊傳送圖像、PDF 和音訊。生成圖像和語音音訊。ARouter 支援來自 OpenAI、Anthropic 和 Google 的多模態模型。

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                  |

```bash theme={null}
# 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
```

## 圖像

### 使用圖像 URL

```json theme={null}
{
  "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](/zh-Hant/guides/features/audio) — 語音轉文字、文字轉語音和音訊對話模型
* [圖像生成](/zh-Hant/guides/features/image-generation) — 從文字提示生成圖像

<Note>
  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。
</Note>