图像转录

让视觉模型描述图像，使纯文本模型能够理解图像内容。

功能说明

当你向纯文本模型发送图像时，Agora 可以先用一个独立的视觉模型生成图像的文本描述。该描述随后被包含在发送给主模型的提示中。

这样你就可以在任何模型中使用图像，即使该模型本身不支持视觉。

设置

1. 前往 设置 → 图像转录
2. 选择一个转录模型 — 这应该是一个支持视觉的模型（如 GPT-4o、Gemini Flash、Qwen-VL）
3. 在已启用模型中添加模型 — 这些是将接收图像描述的纯文本模型
4. 如果一次发送多张图片，调整批次大小（每次 API 调用描述多少张图片）

本地视觉模型

你可以使用本地视觉模型（需配置 mmproj）作为转录模型。这样可以保持图像处理在设备上完成。

工作原理

1. 你为消息附加一张图片
2. Agora 检测到当前模型不支持视觉
3. 图片首先发送给转录模型
4. 转录模型生成文本描述
5. 该描述被添加到你的消息文本前
6. 合并后的文本发送给主模型

---

批次大小

控制每次 API 调用转录模型时描述多少张图片。

• 1 — 一次描述一张图片（更多 API 调用，更准确）
• 5–10 — 每次描述多张图片（更少 API 调用，可能丢失细节）

默认值取决于设备。较低的值效果更好但消耗更多。

---

模型选择

转录模型

这是生成图像描述的视觉模型。选择你可用的最强视觉模型。

已启用模型

这些是将使用图像转录的纯文本模型。只有在此列表中的模型才会接收转录后的图像描述。其他模型将直接接收图像（如果支持）或完全不接收。