Qwen Audio 3.0 即時版：規格、價格與存取

Qwen Audio 3.0 Realtime 是 Qwen 目前產品線中的即時音訊能力：一個你可以對話、並會即時回應的模型，延遲低到幾乎像在打電話一樣。在阿里巴巴的平台上，它透過 Qwen3-Omni / Qwen3.5-Omni Realtime API 提供（模型 ID 如 qwen3-omni-flash-realtime），另有 Qwen-TTS-Realtime 用於純文字轉語音，以及 qwen3-asr-flash 用於轉錄。這些託管的 omni Realtime 模型可辨識 100 多種語言，支援可中斷的全雙工運作，每分鐘對話成本僅需幾分之一美分。

最快的切入方式是透過 WebSocket 使用 qwen3-omni-flash-realtime。以下說明各個模型的功能、費用、與 OpenAI Realtime 和 Gemini Live 的比較，以及如何開始使用。每個規格、價格與模型 ID 都連結到其主要來源，主要是阿里巴巴的 Model Studio Realtime 文件以及 Qwen3-Omni 模型卡；供應商在這方面變動很快，因此如果某個數字已有變動，請以連結來源為準。

Qwen 音訊模型如何命名

Qwen 音訊系列歷經了幾個世代，了解其演進脈絡有助於輕鬆選到正確的模型：

• Qwen-Audio (2023) 和 Qwen2-Audio 是音訊*理解*模型：輸入音訊，輸出文字。它們不會回應語音。
• 現今一代將音訊整合進 全能 模型。Qwen3-Omni 和 Qwen3.5-Omni 可處理文字、圖片、音訊和影片，並生成文字與自然語音。
• 即時行為是一個*交付層級*：同樣的全能模型，透過 Realtime API 呼叫，模型 ID 會以 -realtime 結尾。

所以「Qwen Audio 3.0 Realtime」（不管你怎麼標點它）指的是即時使用的 Qwen3-Omni 家族，而這正是本指南其餘部分所涵蓋的技術堆疊。

Qwen 即時音訊堆疊，分為三層

這有助於不要只思考單一模型，而是改以思考一個流程。生產環境中的語音應用通常會接觸三個 Qwen 模型，而且你可以將它們一起使用或獨立使用。

1. 語音輸入 — qwen3-asr-flash. 透過 WebSocket 的串流語音辨識，針對即時字幕與語音代理前端進行調校。它可跨非常廣泛的語言範圍進行轉錄，並且以低價的轉錄工作主力來定價。2. 即時對話 — qwen3.5-omni-flash-realtime、qwen3-omni-flash-realtime、qwen3.5-omni-plus-realtime. 這是核心：音訊（以及影片影格）輸入，文字與合成語音輸出，透過持續連線運作，並在多輪對話之間保持開啟，而不是每次請求都重新建立。3. 語音輸出 — Qwen-TTS-Realtime. 專用的串流文字轉語音模型，適用於你只需要把文字轉成語音的情況，例如朗讀由文字 LLM 產生的答案。

如果你在中間層使用 omni Realtime 模型，通常不需要另外呼叫 ASR 和 TTS，因為它能端到端處理語音輸入與語音輸出。這些獨立模型是為了讓你能自由混搭（例如，使用你自己的 STT 搭配 Qwen TTS）。

真正重要的規格

以下數據來自 Model Studio Realtime 文件，而非行銷頁面。

其中有幾項值得特別強調。語意中斷是指模型能分辨使用者是在插話，還是只是在以「嗯哼」之類的回應做出回饋；這就是自然的語音代理與惱人的語音代理之間的差別。WebRTC 支援如果你是在瀏覽器中建置，這就很重要，因為它會幫你處理回音消除和抖動。而113 種語言的辨識數字是針對代管 API；如下所述，開放權重版本涵蓋的範圍較窄。

關於延遲：專用的 Qwen-TTS-Realtime 串流路徑目標是大約 97 ms 首包延遲，根據 Qwen3-TTS 串流文件，這個數字決定了語音是否聽起來即時。這個數值是到第一個音訊區塊的時間，不是完整回應的時間。至於完整的對話迴圈，Thinker–Talker 設計是為串流而打造；Qwen3-Omni 技術報告描述了一種旨在將延遲降到最低的多 codebook 設計，而社群測試顯示音訊到音訊的回應可落在 250 ms 以下，並支援全雙工、可中斷的輪次。實際數值取決於你的區域、網路與負載，因此請根據你自己的流量進行測量，而不是只相信單一的標題數字。

Qwen 即時音訊定價，簡單數字看懂

Qwen 的託管即時價格明顯低於封閉式即時 API。以下為每百萬 token 的費率（輸入／輸出），如 Portkey 的 DashScope 模型目錄 所列（這是一個第三方聚合器，反映阿里巴巴的費率；在您承諾前，請先於 Model Studio console 確認即時數字）：

這對每次通話意味著什麼。 音訊非常吃 token：大約每分鐘音訊 427 個 token。以一段 10 分鐘的語音對話為例，使用者講 5 分鐘，模型回覆 5 分鐘。在 qwen3-omni-flash-realtime 上，這大約是 2,135 個輸入 token 和 2,135 個輸出 token，因此大約是 輸入 $0.001 + 輸出 $0.004 ≈ 每 10 分鐘通話半美分。即使在大規模使用下，即時音訊也很便宜；真正讓人意外的成本是 *輸出* 端的說話時間，因為語音回覆的定價大約是輸入的 4 倍。

在你編列預算之前，還有兩件事：

• 有免費額度，但具有地域限制。新加坡（國際）端點曾提供90 天內 100 萬輸入與 100 萬輸出 tokens 免費額度；美國端點則沒有。額度會變動，因此在規劃前，請先在您所在區域的 Model Studio console 中確認目前的優惠。
• qwen3.5-omni 層級採用依請求大小分級的定價區間，而非固定費率，因此單一大型上下文請求可能落入不同的價格帶，而不是像多個小型請求那樣。請先用您的實際流量型態測試，再決定是否採用。

它與 OpenAI Realtime 和 Gemini Live 的比較

在通用型前沿 LLM 供應商中，到了 2026 年中，三個明顯的即時語音對語音選項是 OpenAI 的 Realtime API、Google 的 Gemini Live，以及 Qwen 的 omni Realtime 系列。（像 ElevenLabs、Deepgram、Cartesia 和 Hume 這類專門的語音供應商，則是在 TTS 和 STT 上展開激烈競爭；本比較討論的是完整的多模態模型路徑。）與其引用每月變動的競爭對手價格，不如這樣來思考選擇：

• 成本。 依照上方顯示的每次呼叫費率，Qwen 的即時定價落在託管前沿模型選項的低端。相比之下，OpenAI 的 Realtime 音訊費率約為每分鐘輸入 $0.06、每分鐘輸出 $0.24（定價明細請見此處）；以此計算，同樣一通 10 分鐘、在 qwen3-omni-flash-realtime 上成本約半美分的通話，在 OpenAI 上則接近$1.50。在你依賴這個差距之前，請先確認雙方的即時費率，因為這些數字都會變動，但差距確實很大。Qwen 也是這三者中唯一提供可自行託管的open-weight 版本，讓你的邊際成本有機會降到接近零。
• 開放性。 OpenAI Realtime 和 Gemini Live 都僅提供封閉式 API。Qwen3-Omni 則釋出 open weights，因此你可以在不必因為新模型行為而重寫應用程式的情況下，從託管版轉為自託管。
• 品質。 第三方報告指出，頂級的 qwen3.5-omni-plus 在某些音訊理解基準上與 Gemini 3.1 Pro 持平或更勝一籌；請將任何單一基準視為起始假設，並用你自己的音訊進行測試。
• 生態系統。 OpenAI 和 Google 目前擁有更成熟的工具、SDK，以及社群範例。Qwen 的文件也不錯，但你會更依賴原生的 WebSocket/WebRTC 規格。

實際上來說：如果成本或自行主機託管的選項很重要，Qwen 是最強的選擇。如果你想要最成熟的 SDK 體驗，並且願意為此付費，OpenAI 和 Google 的選項在完成度上仍然領先。若要查看封閉式替代方案的完整成本明細，請參閱下方的相關閱讀。

您應該選擇哪個版本？

3.5 等級新增了語音克隆、更長的上下文，以及對話限制（最多 100 輪與 600 秒的保留音訊），相較於更精簡的 qwen3-omni-flash（8 輪）。如果你正在進行原型開發，請先從 Flash 開始；只有在遇到你能明確指出的限制時，再切換到 Plus。

如何存取它

託管，直接方式。 在 Alibaba Cloud Model Studio 中設定 API key，然後使用 Bearer 驗證開啟 WebSocket 連線（或者針對瀏覽器應用程式透過 SDP POST 協商 WebRTC）。您向上傳送 PCM 音訊串流，並在下行接收 PCM 音訊與文字。DashScope Python SDK 會包裝 Realtime 介面，如果您不想手動管理 socket。基本連線很簡短（草圖，省略錯誤處理）：

```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. 設定會話：語音、輸出格式、伺服器端輪次偵測 ws.send(json.dumps({ "type": "session.update", "session": { "voice": "Cherry", "output_audio_format": "pcm24", "turn_detection": {"type": "server_vad"}, }, }))

# 2. 以 base64 PCM 16 kHz 幀將麥克風音訊串流上傳 ws.send(json.dumps({ "type": "input_audio_buffer.append", "audio": base64.b64encode(pcm_frame).decode(), }))

# 3. 讀取事件回傳；response.audio.delta 攜帶 24 kHz PCM，可在 while True: event = json.loads(ws.recv()) if event["type"] == "response.audio.delta": play(base64.b64decode(event["audio"])) ```

使用 server-side VAD 時，模型會決定使用者何時已停止說話；如果您想自行控制輪流發言的邊界，請切換為 manual。事件流程與 OpenAI Realtime 的結構非常接近，因此現有的 Realtime 用戶端程式碼只需稍作修改即可移植。請在上線前依照 Realtime docs 確認正確的欄位名稱、voice 清單，以及區域端點主機，因為新加坡和美國部署之間有所不同，且會隨著 API 演進。

自架設。 開源權重的 Qwen3-Omni 採用 Thinker–Talker Mixture-of-Experts 設計（總計 30B，約 3B 啟用）。Alibaba 建議使用 vLLM，而不是直接使用 Transformers 來部署它。對於完整 30B 模型的 BF16 推理，第三方部署指南 指出最低需求是一張 80GB 顯示卡（A100 或 H100）；像 RTX 4090 這類 24 GB 顯示卡不足以載入完整權重，但量化版本可降低這個門檻。

問題在於，即時服務比批次推論更難。自架者回報，為了避免在並行負載下停頓，不得不限制 KV cache；而單卡 token 吞吐量也落後於託管 API。針對串流調校的服務堆疊能縮小不少差距：在 Red Hat AI 和 vLLM 上工作的工程師回報，重疊 pipeline 階段可將 3 秒片段的語音生成時間從大約 8 秒縮短到約 0.5 秒。這確實是實質的提升，但也需要額外的工程投入。自架能移除每個 token 的成本，同時增加 GPU 與維運成本，因此它在高且穩定的用量下才划算，而不適合原型階段。

對於當今的即時全通路語音，DashScope endpoint 是標準路徑。如果你的技術棧已經透過一個 gateway 轉接多個 provider，aggregator 可以位於其前端，但請先確認其 catalog 中包含特定的 Qwen realtime model IDs，因為許多 relay 只提供 text 和 image models，而沒有 realtime audio tier。

在你基於它進行開發之前，值得了解的限制

• Session 最長為 120 分鐘。 若超過這個時間，例如客服專線或長時間家教課程，您需要具備重連邏輯，以便在多個 socket 之間延續上下文。
• 區域會同時影響免費額度與可用性。 請針對您實際部署的端點進行測試，而不是最初註冊時所選的那個端點。
• 託管版與開放權重版並不相同。 託管 API 宣稱支援 113 種語言辨識與 36 種語言生成；開放權重的 Qwen3-Omni release 則涵蓋較窄的範圍（19 種語音輸入語言與 10 種語音輸出語言）。如果特定語言是您的需求，請在您打算推出的確切變體上驗證。
• 即時成本會隨談話時間而非請求數量增加。 由於音訊的 token 量很高，話多的使用者成本會比簡短的使用者更高。請以對話分鐘數，而不是呼叫次數來估算費用。

常見問題

Qwen 3 支援音訊嗎？

是的。Qwen3-Omni 模型原生支援多模態：它們可接受音訊、文字、圖片和影片作為輸入，並能即時以文字或語音回應。

Qwen 可以生成音訊（不只是理解它）嗎？

是。與原始的 Qwen-Audio 不同，後者只會產生文字，omni Realtime models 和 Qwen-TTS-Realtime 會產生口語音訊輸出，包括 3.5 等級上的複製聲音。

Qwen 即時音訊是免費的嗎？

在國際（新加坡）端點上，歷來有 90 天、100 萬輸入 token 和 100 萬輸出 token 的免費試用額度。超出後則按 token 計費，而如果你提供自己的 GPU，完全開源權重的 Qwen3-Omni 可以免費執行。

如何在本機執行 Qwen 音訊？

下載 open-weight Qwen3-Omni（30B-A3B），並使用 vLLM 來部署它。對於 BF16 格式的完整模型，你大約需要一張 80GB 顯示卡（A100 或 H100）；較小的消費級 GPU 只能處理量化版本，無法處理完整權重。

相關閱讀

主要來源：

• Alibaba Model Studio 即時 API 文件
• Qwen3-Omni 模型卡與開源權重（GitHub）

各替代方案的價格比較：

• OpenAI Realtime API 定價
• Gemini 3.5 即時翻譯
• Seed Audio 評測