> ## 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.

# 多模态

> 在文字旁边发送图像、PDF 和音频。生成图像和语音音频。ARouter 支持来自 OpenAI、Anthropic 和 Google 的多模态模型。

ARouter 支持多模态输入和输出——您可以在文字消息旁边发送图像、PDF 和音频，并以图像或语音音频作为输出接收。

## 支持的模态

| 模态               | 方向      | 备注                             |
| ---------------- | ------- | ------------------------------ |
| 文字               | 输入 + 输出 | 所有模型                           |
| 图像（URL / base64） | 输入      | 视觉模型 — JPEG、PNG、GIF、WebP       |
| PDF（base64）      | 输入      | Anthropic Claude、Google Gemini |
| 音频（base64）       | 输入      | 多模态音频模型                        |
| 图像生成             | 输出      | DALL-E 3、Flux、Stable Diffusion |
| 音频输出（TTS / 语音）   | 输出      | TTS 模型、音频对话模型                  |

```bash theme={null}
# 支持图像输入的模型
GET /v1/models?supported_parameters=vision
# 输出图像的模型
GET /v1/models?output_modalities=image
# 输出音频的模型
GET /v1/models?output_modalities=audio
```

## 图像

### 使用图像 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"}}
    ]
  }]
}
```

### 图像细节级别

| 值          | 描述                              |
| ---------- | ------------------------------- |
| `auto`（默认） | 提供商根据图像大小决定                     |
| `low`      | 更快、更便宜 — 85 个 token，调整为 512×512 |
| `high`     | 全分辨率 — 对图像进行分块，消耗更多 token       |

## 模型兼容性

| 模型                            | 图像 URL | 图像 Base64 | PDF | 音频输入 |
| ----------------------------- | ------ | --------- | --- | ---- |
| `openai/gpt-5.4`              | ✓      | ✓         | —   | —    |
| `anthropic/claude-sonnet-4.6` | ✓      | ✓         | ✓   | —    |
| `google/gemini-2.5-flash`     | ✓      | ✓         | ✓   | ✓    |
| `google/gemini-2.5-pro`       | ✓      | ✓         | ✓   | ✓    |

## 其他模态

* [音频](/zh/guides/features/audio) — 语音转文字、文字转语音和音频对话模型
* [图像生成](/zh/guides/features/image-generation) — 从文字提示生成图像

<Note>
  图像 token 计入提示词 token 限制。使用 `detail: "high"` 的大型高分辨率图像可能比文字消耗多得多的 token。
</Note>