47 万、多模态模型云大单：阿里云（中）

2025 年 9 月 3 日，上海大学发布《多模态模型云服务》采购公告，预算 480000 元 。

服务内容、流程及方案：以 API 服务方式提供多模态大模型云服务。

1、音频模型提供 Paraformer 等开源语音识别模型进行实时语音识别、音频生成等服务

1）支持多语种自由切换的视频直播、会议等实时场景语音识别；支持语言包括中文(含粤语等方言)、英文、日语、韩语

2）支持定制热词、时间戳、情感和事件识别、敏感词过滤、自动说话人分离、说话人数量参考、标点符号预测等功能

3）支持 8kHz 电话客服等场景下实时语音识别，识别的音频格式包括 pcm、pcm编码的wav、mp3、ogg 封装的 opus、ogg 封装的 speex、aac、amr

4）QPM 不低于 3000 个

5）尾字延迟不超过 300ms，如有突发流量，扩容周期不超过 20 分钟

6）提供实时语音识别服务使用时长不少于 21 万小时

2、图像模型提供通义万相 2.2 等开源模型进行文生图等服务

1）支持最大 200 万像素图片生成，任意长宽比规格的图像，预设编辑任务与指令式编辑，包含多种局部/全图编辑能力，如图像风格化、线稿生图、局部重绘等

2）支持智能提示词改写，中文、英文、中英文混合 prompt 指令，长度小于 800 汉字

3）支持在[768,1440]像素范围内自定义输出图像的宽高，1:1、3:4、4:5、16:9、9:16、2:3、5:4 等至少 7 种比例；JPG、JPEG、PNG 中的一种或多种格式

4）单次请求时延的 P95 要控制在 10s 以内(不包含提示词优化)

5）QPM 不低于 3000 个

6）不少于 90 万张图片生成服务

3.视频模型提供通义万相 2.2 等开源模型进行视频生成等服务

1）支持人像、宠物、风景等场景视频生成，电影级美学控制，如可调整视频的照明、对比度等

2）输入图片:1K 以上 4K 以下图片大小(短边与长边比不超过 9:20)，至少支持 10MB

3）输出视频格式支持分辨率 480P/1080P、帧率 30fps，生成视频编码支持 H.264

4）输出视频:支持输入和输出图片一致，至少支持 1:1(W:H)、5:4、1:2 输出视频尺寸:原生分辨率至少支持 1080P，且能够超分到 2k 及以上

5）支持首尾帧生成视频功能，使用反向提示词功能

6）提供服务的模型,为开源模型，或存在该模型对应的开源版本,支持 MoE 架构

7）生成 5 秒 30 帧 720p 视频，模型耗时约 1～2 分钟

8）生成视频时长 3-5 秒

9）QPM 不低于 3000 个

10）提供图生视频服务，480P 时长不少于 1,000,000 秒或 1080P 时长不少于 200,000 秒

4、模型调用管理在模型页面设置查询条件(如时间范围、业务空间等)，模型列表区域查看目标模型的调用统计结果(模型调用量、模型调用次数)。

5、云服务为不少于 2000 名师生提供人均 300 元 RMB 等值云服务，用于大模型云服务调用，供应商需提供云服务计费标准（供应商响应时需扩展描述，不得照抄响应，供应商需要在服务报价模块填报详细服务报价明细）

中标结果

2025 年 9 月 11 日发布中标结果， 通义云启（杭州）信息技术有限公司 468102 元（中）。

云头条声明：如以上内容有误或侵犯到你公司、机构、单位或个人权益，请联系我们说明理由，我们会配合，无条件删除处理。