Qwen Audio 3.0 Realtime: Spezifikationen, Preise & Zugang

Qwen Audio 3.0 Realtime ist die Echtzeit-Audiofunktion in Qwens aktueller Produktreihe: ein Modell, mit dem man sprechen kann und das im selben Atemzug zurückspricht, mit einer Latenz, die niedrig genug ist, um sich wie ein Telefonat anzufühlen. Auf Alibabas Plattform wird es über die Qwen3-Omni / Qwen3.5-Omni Realtime API bereitgestellt (Modell-IDs wie qwen3-omni-flash-realtime), mit Qwen-TTS-Realtime für reines Text-to-Speech und qwen3-asr-flash für Transkription. Die gehosteten Omni-Realtime-Modelle erkennen mehr als 100 Sprachen, laufen Vollduplex mit Unterbrechung und kosten nur einen Bruchteil eines Cents pro Gesprächsminute.

Der schnellste Weg ist qwen3-omni-flash-realtime über WebSocket. Unten steht, was jedes Modell macht, was es kostet, wie es sich mit OpenAI Realtime und Gemini Live vergleicht und wie man anfängt. Jede Spezifikation, jeder Preis und jede Modell-ID ist mit der primären Quelle verlinkt, meist Alibabas Model Studio Realtime-Dokumentation und der Qwen3-Omni-Model-Karte; Anbieter ändern sich hier schnell, daher solltest du der verlinkten Quelle vertrauen, falls sich eine Zahl verschoben hat.

Wie die Qwen-Audiomodelle benannt werden

Die Qwen-Audio-Reihe umfasst mehrere Generationen, und wenn man die Entwicklung kennt, fällt es leicht, das richtige Modell auszuwählen:

• Qwen-Audio (2023) und Qwen2-Audio waren Audio-*Verständnis*-Modelle: Audio hinein, Text heraus. Sie sprachen nicht zurück.
• Die aktuelle Generation integriert Audio in die omni-Modelle. Qwen3-Omni und Qwen3.5-Omni nehmen Text, Bilder, Audio und Video auf und erzeugen sowohl Text als auch natürliche Sprache.
• Echtzeitverhalten ist eine *Bereitstellungsebene*: dieselben omni-Modelle, aufgerufen über die Realtime API, mit Modell-IDs, die auf -realtime enden.

Also verweist "Qwen Audio 3.0 Realtime" (wie auch immer Sie es zeichensetzen) auf die in Echtzeit verwendete Qwen3-Omni-Familie, und genau dieser Stack wird im Rest dieses Leitfadens behandelt.

Der Echtzeit-Audiostack von Qwen in drei Schichten

Es hilft, nicht mehr an ein einzelnes Modell zu denken, sondern an eine Pipeline. Eine produktive Sprach-App berührt normalerweise drei Qwen-Modelle, und Sie können sie zusammen oder unabhängig voneinander verwenden.

1. Spracheingabe — qwen3-asr-flash. Streaming-Spracherkennung über WebSocket, abgestimmt auf Live-Untertitel und Voice-Agent-Frontends. Sie transkribiert in einem sehr breiten Sprachspektrum und ist preislich als günstiges Transkriptions-Arbeitspferd positioniert. 2. Echtzeit-Konversation — qwen3.5-omni-flash-realtime, qwen3-omni-flash-realtime, qwen3.5-omni-plus-realtime. Das ist der Kern: Audio (und Videoframes) gehen hinein, Text und synthetische Sprache kommen heraus, über eine persistente Verbindung, die über mehrere Turns offen bleibt, statt bei jeder Anfrage neu geöffnet zu werden. 3. Sprachausgabe — Qwen-TTS-Realtime. Ein dediziertes Streaming-Text-to-Speech-Modell für den Fall, dass Sie nur Text in Sprache umwandeln müssen, zum Beispiel um eine Antwort vorzulesen, die ein textbasiertes LLM erzeugt hat.

Wenn Sie das omni Realtime-Modell für die mittlere Schicht verwenden, benötigen Sie oft keine separaten ASR- und TTS-Aufrufe, da es Spracheingabe und Sprachausgabe end-to-end verarbeitet. Die separaten Modelle gibt es für den Fall, dass Sie Kombinationen frei zusammenstellen möchten (zum Beispiel Ihre eigene STT plus Qwen TTS).

Die Spezifikationen, die wirklich wichtig sind

Hier sind die Zahlen aus der Model Studio Realtime-Dokumentation, nicht von Marketingseiten.

Einige davon verdienen besondere Hervorhebung. Semantische Unterbrechung bedeutet, dass das Modell erkennen kann, wann ein Nutzer ins Wort fällt, versus nur mit "mm-hmm" zu signalisieren, was den Unterschied zwischen einem natürlichen und einem nervigen Voice-Agenten ausmacht. WebRTC-Unterstützung ist wichtig, wenn Sie im Browser entwickeln, da sie Echo-Unterdrückung und Jitter für Sie übernimmt. Und die 113-Sprachen-Erkennungszahl gilt für die gehostete API; die Open-Weight-Version deckt, wie unten erwähnt, einen engeren Bereich ab.

Zur Latenz: Der dedizierte Qwen-TTS-Realtime-Streaming-Pfad zielt laut den Qwen3-TTS-Streaming-Dokumenten auf ungefähr 97 ms First-Packet-Latenz ab — das ist die Zahl, die darüber entscheidet, ob Sprache sich sofort anfühlt. Dieser Wert bezeichnet die Zeit bis zum ersten Audio-Chunk, nicht eine vollständige Antwort. Für den vollständigen Gesprächsablauf ist das Thinker–Talker-Design auf Streaming ausgelegt; der Qwen3-Omni-Technikbericht beschreibt ein Multi-Codebook-Design, das auf minimale Latenz abzielt, und Community-Tests beziffern die Audio-zu-Audio-Antwort bei vollduplexen, unterbrechbaren Turns auf den Bereich von unter 250 ms. Die tatsächlichen Werte hängen von Ihrer Region, Ihrem Netzwerk und der Auslastung ab, daher sollten Sie anhand Ihres eigenen Traffics messen, statt einer einzelnen Schlagzeilen-Zahl zu vertrauen.

Qwen-Echtzeit-Audiopreisgestaltung, in klaren Zahlen

Qwens gehostete Echtzeitpreise sind deutlich niedriger als die geschlossenen Realtime-APIs. Dies sind Raten pro Million Tokens (Eingabe / Ausgabe), wie auf Portkeys DashScope-Modellverzeichnis angegeben (ein Drittanbieter-Aggregator, der Alibabas Raten spiegelt; bestätigen Sie die aktuellen Zahlen in der Model Studio-Konsole, bevor Sie sich festlegen):

Was das pro Aufruf bedeutet. Audio ist tokenintensiv: ungefähr 427 Tokens pro Minute Audio. Nehmen wir ein 10-minütiges Sprachgespräch, bei dem der Nutzer 5 Minuten spricht und das Modell 5 Minuten antwortet. Auf qwen3-omni-flash-realtime sind das etwa 2.135 Input-Tokens und 2.135 Output-Tokens, also ungefähr $0.001 in + $0.004 out ≈ ein halber Cent pro 10-minütigem Anruf. Selbst in großem Maßstab ist Echtzeit-Audio günstig; die Kosten, die Menschen überraschen, sind die Sprechzeit auf der *Output*-Seite, da gesprochene Antworten ungefähr 4x so viel kosten wie der Input.

Noch zwei Dinge, bevor Sie Ihr Budget festlegen:

• Ein kostenloses Kontingent existiert, ist jedoch regional. Der Endpoint Singapur (international) hat 1 Million Eingabe- und 1 Million Ausgabetokens kostenlos für 90 Tage angeboten; der US-Endpoint hat dies nicht. Kontingente ändern sich, daher sollten Sie das aktuelle Angebot in der Model Studio console für Ihre Region prüfen, bevor Sie Ihre Planung darauf stützen.
• Die qwen3.5-omni-Stufe verwendet preisliche Staffelungen nach Anforderungsgröße und keinen Pauschalpreis, sodass eine einzelne große Kontextanfrage in einer anderen Preisklasse landen kann als mehrere kleine. Testen Sie dies mit Ihrem tatsächlichen Traffic-Muster, bevor Sie sich festlegen.

Wie es sich mit OpenAI Realtime und Gemini Live vergleicht

Unter den allgemeinen Frontier-LLM-Anbietern sind die drei naheliegenden Echtzeit-Speech-to-Speech-Optionen Mitte 2026 die Realtime API von OpenAI, Gemini Live von Google und die omni-Realtime-Familie von Qwen. (Spezialisierte Voice-Anbieter wie ElevenLabs, Deepgram, Cartesia und Hume konkurrieren insbesondere bei TTS und STT stark; dieser Vergleich bezieht sich auf den vollständigen multimodalen Modellansatz.) Anstatt die monatlich wechselnden Preise der Wettbewerber zu zitieren, lässt sich die Wahl wie folgt begründen:

• Kosten. Bei den oben gezeigten Abrechnungsraten pro Aufruf liegt Qwens Realtime-Preisgestaltung am unteren Ende der gehosteten Frontier-Model-Optionen. Zum Vergleich: OpenAI Realtime Audio lag bei etwa $0.06 pro Minute Eingabe und $0.24 pro Minute Ausgabe (Preisaufschlüsselung hier); auf dieser Grundlage landet derselbe 10-Minuten-Anruf, der auf qwen3-omni-flash-realtime etwa einen halben Cent kostet, bei OpenAI näher an $1.50. Bestätigen Sie die aktuellen Live-Raten auf beiden Seiten, bevor Sie sich auf die Differenz verlassen, da sich all dies ändert, aber die Spanne ist groß. Qwen ist außerdem das einzige der drei mit einer open-weight-Version, die Sie selbst hosten können, um die Grenzkosten gegen null zu drücken.
• Offenheit. OpenAI Realtime und Gemini Live sind nur geschlossene APIs. Qwen3-Omni wird mit offenen Gewichten ausgeliefert, sodass Sie ohne Umschreiben Ihrer App aufgrund des Verhaltens eines neuen Modells von gehostet zu selbst gehostet wechseln können.
• Qualität. Laut Berichten von Drittanbietern erreicht die oberste Stufe qwen3.5-omni-plus bei einigen Audio-Verständnis-Benchmarks eine gleichwertige oder bessere Leistung als Gemini 3.1 Pro; betrachten Sie jeden einzelnen Benchmark als Arbeitshypothese und testen Sie mit Ihrem eigenen Audio.
• Ökosystem. OpenAI und Google haben heute die tiefergehenden Tools, SDKs und Community-Beispiele. Qwens Dokumentation ist solide, aber Sie werden stärker auf die reine WebSocket/WebRTC-Spezifikation angewiesen sein.

Die praktische Schlussfolgerung: Wenn Kosten oder die Möglichkeit, selbst zu hosten, wichtig sind, ist Qwen die stärkste Wahl. Wenn Sie die ausgereifteste SDK-Erfahrung möchten und bereit sind, dafür zu bezahlen, führen die Optionen von OpenAI und Google weiterhin bei der Ausgereiftheit. Für eine vollständige Kostenaufstellung der geschlossenen Alternativen siehe die untenstehende weiterführende Lektüre.

Welche Variante sollten Sie wählen?

Die 3.5-Stufen fügen Voice Cloning sowie längere Kontext- und Dialoggrenzen hinzu (bis zu 100 Turns und 600 Sekunden gespeicherter Audioinhalte) im Vergleich zu dem schlankeren qwen3-omni-flash (8 Turns). Wenn Sie prototypisieren, beginnen Sie mit Flash; wechseln Sie erst zu Plus, wenn Sie an eine Grenze stoßen, die Sie benennen können.

Wie man darauf zugreift

Gehostet, der direkte Weg. Stellen Sie einen API-Schlüssel in Alibaba Cloud Model Studio bereit, dann öffnen Sie eine WebSocket-Verbindung mit Bearer-Authentifizierung (oder handeln Sie WebRTC über einen SDP-POST für Browser-Apps aus). Sie streamen PCM-Audio nach oben und erhalten PCM-Audio sowie Text nach unten. Das DashScope Python SDK kapselt die Realtime-Schnittstelle, wenn Sie die Socket-Verwaltung nicht selbst übernehmen möchten. Die bloße Verbindung ist kurz (Skizze, Fehlerbehandlung ausgelassen):

```python import os, json, base64, websocket

MODEL = "qwen3-omni-flash-realtime" url = f"wss://dashscope-intl.aliyuncs.com/api-ws/v1/realtime?model={MODEL}" ws = websocket.create_connection( url, header=[f"Authorization: Bearer {os.environ['DASHSCOPE_API_KEY']}"] )

# 1. konfigurieren Sie die Sitzung: voice, output format, server-side turn detection ws.send(json.dumps({ "type": "session.update", "session": { "voice": "Cherry", "output_audio_format": "pcm24", "turn_detection": {"type": "server_vad"}, }, }))

# 2. Mikrofon-Audio als Base64-PCM-16-kHz-Frames hochstreamen ws.send(json.dumps({ "type": "input_audio_buffer.append", "audio": base64.b64encode(pcm_frame).decode(), }))

# 3. Ereignisse zurücklesen; response.audio.delta enthält PCM 24 kHz zum Abspielen while True: event = json.loads(ws.recv()) if event["type"] == "response.audio.delta": play(base64.b64decode(event["audio"])) ```

Mit serverseitigem VAD entscheidet das Modell, wann der Nutzer aufgehört hat zu sprechen; wechseln Sie zu manuell, wenn Sie die Gesprächsgrenzen selbst steuern möchten. Der Event-Flow folgt der OpenAI-Realtime-Struktur eng, sodass sich bestehender Realtime-Client-Code mit kleinen Änderungen portieren lässt. Bestätigen Sie die genauen Feldnamen, die Voice-Liste und den regionalen Endpoint-Host anhand der Realtime-Dokumentation, bevor Sie live gehen, da sie sich zwischen den Bereitstellungen in Singapur und den USA unterscheiden und sich mit der API weiterentwickeln.

Self-hosted. Das Open-Weight-Modell Qwen3-Omni verwendet ein Thinker–Talker-Mixture-of-Experts-Design (insgesamt 30B, ~3B aktiv). Alibaba empfiehlt dafür vLLM statt plain Transformers. Für die BF16-Inferenz des vollständigen 30B-Modells setzen Anleitungen von Drittanbietern die Untergrenze bei einer einzelnen 80GB-Karte (A100 oder H100) an; eine 24-GB-Karte wie eine RTX 4090 reicht für die vollständigen Gewichte nicht aus, obwohl quantisierte Builds diese Hürde senken.

Der Haken ist, dass Echtzeit-Serving schwieriger ist als Batch-Inferenz. Selbst-Hoster berichten, dass sie den KV-Cache begrenzen müssen, um unter gleichzeitiger Last Stalls zu vermeiden, und dass der Token-Durchsatz auf einer einzelnen Karte hinter der gehosteten API zurückbleibt. Serving-Stacks, die für Streaming optimiert sind, schließen einen Großteil dieser Lücke: Ingenieure, die an Red Hat AI und vLLM arbeiten, haben berichtet, dass das Überlappen der Pipeline-Stufen die Spracherzeugung für einen 3-Sekunden-Clip von etwa 8 Sekunden auf ungefähr 0,5 Sekunden verkürzt. Das ist ein echter Gewinn, aber es erfordert zusätzlichen Engineering-Aufwand. Self-Hosting eliminiert die Kosten pro Token, bringt aber GPU- und Ops-Kosten mit sich, sodass es sich bei hohem, konstantem Volumen auszahlt und nicht für Prototypen.

Für Echtzeit-Omni-Voice ist heute der DashScope-Endpunkt der kanonische Weg. Wenn Ihr Stack bereits mehrere Anbieter über ein einziges Gateway routet, kann ein Aggregator davor geschaltet werden, aber bestätigen Sie zuerst, dass die spezifischen Qwen-Realtime-Modell-IDs in seinem Katalog enthalten sind, da viele Relays Text- und Bildmodelle ohne die Realtime-Audio-Ebene führen.

Grenzen, die man kennen sollte, bevor man darauf aufbaut

• Sitzungen sind auf 120 Minuten begrenzt. Für alles, was länger dauert, etwa eine Support-Hotline oder eine lange Nachhilfesitzung, benötigen Sie Reconnect-Logik, die den Kontext über Sockets hinweg beibehält.
• Die Region beeinflusst sowohl das kostenlose Kontingent als auch die Verfügbarkeit. Testen Sie gegen den Endpunkt, auf dem Sie bereitstellen werden, nicht gegen denjenigen, für den Sie sich zuerst angemeldet haben.
• Gehostet und Open-Weight sind nicht identisch. Die gehostete API bewirbt eine Erkennung in 113 Sprachen und eine Generierung in 36 Sprachen; die Open-Weight Qwen3-Omni-Version deckt einen kleineren Satz ab (19 Sprachen für Spracheingabe und 10 Sprachen für Sprachausgabe). Wenn eine bestimmte Sprache Ihre Anforderung ist, prüfen Sie sie in der exakten Variante, die Sie ausliefern möchten.
• Die Echtzeitkosten skalieren mit der Sprechzeit, nicht mit den Anfragen. Da Audio viele Tokens verbraucht, kostet ein redseliger Nutzer mehr als ein knapper. Kalkulieren Sie Ihre Rechnung anhand der Gesprächsminuten, nicht anhand der Anzahl der Aufrufe.

Häufig gestellte Fragen

Unterstützt Qwen 3 Audio?

Ja. Die Qwen3-Omni-Modelle sind nativ multimodal: Sie verarbeiten Audio, Text, Bilder und Video als Eingabe und können in Echtzeit mit Text oder Sprache antworten.

Kann Qwen Audio erzeugen (und nicht nur verstehen)?

Ja. Anders als das ursprüngliche Qwen-Audio, das nur Text erzeugte, generieren die omni Realtime-Modelle und Qwen-TTS-Realtime gesprochene Audioausgabe, einschließlich geklonter Stimmen auf der 3.5-Ebene.

Ist Qwen Echtzeit-Audio kostenlos?

Es gibt ein kostenloses Testkontingent, historisch 1 Million Input- und 1 Million Output-Token für 90 Tage am internationalen (Singapur) Endpoint. Darüber hinaus gilt ein Pay-per-Token-Modell, und das vollständig open-weight Qwen3-Omni kann kostenlos ausgeführt werden, wenn Sie Ihre eigene GPU bereitstellen.

Wie führe ich Qwen Audio lokal aus?

Laden Sie das Open-Weight-Modell Qwen3-Omni (30B-A3B) herunter und stellen Sie es mit vLLM bereit. Für das vollständige Modell in BF16 benötigen Sie ungefähr eine 80-GB-Karte (A100 oder H100); kleinere Consumer-GPUs unterstützen nur quantisierte Builds, nicht die vollständigen Gewichte.

Weiterführende Literatur

Primärquellen:

• Alibaba Model Studio Realtime API-Dokumentation
• Qwen3-Omni-Modellkarte und offene Gewichte (GitHub)

Wie die Alternativen preislich abschneiden:

• OpenAI Realtime API-Preise
• Gemini 3.5 Live Translate
• Seed Audio Bewertung