Como Usar Qwen3.5-Omni: Texto, Áudio, Vídeo e Clonagem de Voz via API

TL;DR Qwen3.5-Omni aceita texto, imagens, áudio e vídeo como entrada e retorna texto ou fala em tempo real. Acesse-o através da API DashScope da Alibaba Cloud ou execute-o localmente via HuggingFace Transformers. Este guia abrange a configuração da API, exemplos de código funcionais para cada modalidade, clonagem de voz e como testar suas solicitações com o Apidog. Experimente o Apidog hoje mesmo Com o que você está trabalhando Qwen3.5-Omni é um modelo que lida com texto, imagens, áudio e vídeo simultaneamente, retornando texto ou fala natural conforme sua configuração. Arquitetura Thinker-Talker com backbone MoE. O Thinker processa a entrada multimodal; o Talker converte a saída em fala via sistema multi-codebook que transmite áudio antes da resposta completa. Três variantes: Plus: Qualidade máxima, ideal para raciocínio e clonagem de voz Flash: Equilíbrio entre velocidade e qualidade; recomendado para produção Light: Latência mínima, indicado para edge/mobile Este guia utiliza Flash