Мультимодальные ассистенты через API

Омни-модели принимают текст и аудио в одном запросе, vision-модели — текст и изображения. На их базе собирают ассистентов, которым можно прислать фото или голосовое сообщение, а получить текст, картинку или озвучку (через TTS-эндпоинт).

Какие модели выбрать

Омни-модели — если нужен голос в одном запросе; vision-модели — когда достаточно картинок. Озвучку ответа добавит любая TTS-модель через /v1/audio/speech.

МодельПровайдерЦенаПробный ключ
Qwen Omni Turbo
qwen-omni-turbo
Qwen0,94 ₽ вход / 2,81 ₽ выход за 1 млн токенов—
Qwen 3.5 Omni Plus
qwen3.5-omni-plus
Qwen2,25 ₽ вход / 6,75 ₽ выход за 1 млн токенов—
Qwen 3.8 Omni Flash
qwen3.8-omni-flash
Qwen1,5 ₽ вход / 4,5 ₽ выход за 1 млн токенов—
Qwen 3.5 Omni Flash
qwen3.5-omni-flash
Qwen1,5 ₽ вход / 4,5 ₽ выход за 1 млн токенов—
Qwen3 Omni Flash
qwen3-omni-flash
Qwen1,5 ₽ вход / 4,5 ₽ выход за 1 млн токенов—

Рабочий пример

curl https://tokventa.tech/v1/chat/completions \
  -H "Authorization: Bearer ВАШ_API_КЛЮЧ" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen-omni-turbo",
    "messages": [{"role": "user", "content": "Привет! Расскажи о себе."}],
    "stream": false
  }'

Вопросы и ответы

Можно ли прислать фото и вопрос одним запросом?
Да: content-массив с image_url и текстом — пример в /docs/vision. Для аудио в том же формате есть омни-модели (тег «Омни» в каталоге).
Как озвучить ответ ассистента?
Текст ответа отправьте в /v1/audio/speech — вернётся wav-файл. Один ключ и один счёт на все модальности.
Насколько это дороже обычного чата?
Изображение и аудио занимают входные токены, счёт за которые идёт по цене модели из таблицы выше; сравнение с чистым текстом — /pricing.

Дальше

Провайдеры: Qwen API · DeepSeek API · Kimi API · GLM API · MiniMax API · Все 89 моделей · Сравнение цен

Документация: Быстрый старт · Chat Completions · Стриминг · Коды ошибок