Qwen Audio 3.0 Realtime：規格、價格與使用方式

Qwen Audio 3.0 Realtime 是 Qwen 現行產品線中的即時語音能力：你可以直接對模型說話，它也能幾乎同步以語音回應，互動延遲低到接近電話通話的感覺。在阿里巴巴的平台上，這套能力由 Qwen3-Omni / Qwen3.5-Omni Realtime API 提供，例如 qwen3-omni-flash-realtime；若只需要文字轉語音，可使用 Qwen-TTS-Realtime，語音轉文字則有 qwen3-asr-flash。託管版 omni Realtime 模型支援辨識超過 100 種語言、可全雙工對話與打斷發言，單次對話成本低至每分鐘不到一美分。

想快速開始，最直接的選擇是透過 WebSocket 使用 qwen3-omni-flash-realtime。以下會說明各模型的用途、規格、價格、與 OpenAI Realtime 及 Gemini Live 的差異，以及實際接入方式。文中的規格、價格與模型 ID 都連到原始資料來源，主要是阿里巴巴的 Model Studio Realtime 文件 與 Qwen3-Omni model card。這個領域更新很快，若本文數字與現況不同，請以連結內的官方資料為準。

先搞懂 Qwen 音訊模型的命名邏輯

Qwen 的音訊模型經過數個世代演進，理解其脈絡後，要挑對模型就不難：

• Qwen-Audio（2023）與 Qwen2-Audio 屬於音訊理解模型：輸入音訊、輸出文字，不能以語音回話。
• 目前的世代將音訊能力整合進 omni 模型。Qwen3-Omni 與 Qwen3.5-Omni 可接收文字、圖片、音訊與影片，並產生文字與自然語音。
• 即時互動則是一種服務層級：透過 Realtime API 呼叫同一批 omni 模型，模型 ID 會以 -realtime 結尾。

因此，「Qwen Audio 3.0 Realtime」無論寫法或標點為何，實際指的都是以即時模式使用的 Qwen3-Omni 家族；本文後續討論的就是這套技術堆疊。

Qwen 即時語音應用：三層模型堆疊

與其把它看成單一模型，更適合將它理解為一條處理管線。正式上線的語音應用通常會碰到三種 Qwen 模型；你可以全數搭配使用，也能分開選用。

1. 語音輸入：qwen3-asr-flash。 透過 WebSocket 進行串流語音辨識，適合即時字幕與語音代理前端。它支援極廣的語言範圍，定位是價格低廉的逐字稿處理模型。
2. 即時對話：qwen3.5-omni-flash-realtime、qwen3-omni-flash-realtime、qwen3.5-omni-plus-realtime。 這是整套體驗的核心：音訊與影片影格輸入後，透過持續連線輸出文字與合成語音；每輪對話不需要重新建立請求。
3. 語音輸出：Qwen-TTS-Realtime。 專用的串流文字轉語音模型，適合只需將文字轉成聲音的場景，例如朗讀文字 LLM 產生的回答。

若中間層直接採用 omni Realtime 模型，通常不必另外呼叫 ASR 與 TTS，因為它已完整處理語音輸入與輸出。獨立模型的價值在於彈性組合，例如用自己的 STT，再搭配 Qwen TTS。

真正會影響開發的規格

以下數據來自 Model Studio Realtime 文件，不是行銷頁面的宣傳規格。

其中幾項特別值得注意。語意式打斷代表模型能區分使用者是在插話，還是只用「嗯哼」這類回應表示自己仍在聽；這是語音代理自然與惱人之間的關鍵差異。WebRTC 支援對瀏覽器端應用很重要，因為它會代為處理回音消除與網路抖動。至於 113 種語言的辨識能力，指的是託管 API；開放權重版本支援的語言較少，後文會說明。

延遲方面，專用的 Qwen-TTS-Realtime 串流路徑，依照 Qwen3-TTS 串流文件，目標是約 97 ms 的首封包延遲。這個數字直接影響語音是否讓人感覺即時，但它衡量的是第一段音訊送達的時間，不是完整回答生成完畢的時間。完整對話迴路則採用適合串流的 Thinker–Talker 架構；Qwen3-Omni 技術報告提到其多碼本設計旨在降低延遲，而社群測試指出，全雙工、可打斷回合的音訊對音訊回應可落在 250 ms 以下。實際結果仍取決於區域、網路與負載，應以自己的實際流量測試，而非只相信單一宣傳數字。

Qwen 即時音訊價格：換算成實際成本

Qwen 託管即時模型的價格，明顯低於封閉式即時 API。以下是每百萬 token 的輸入／輸出費率，資料列於 Portkey 的 DashScope 模型目錄。這是鏡像阿里巴巴費率的第三方彙整資料；正式導入前，請在 Model Studio console 確認即時價格：

換算成單通對話會是多少？ 音訊是高 token 消耗的資料型態：每分鐘音訊約為 427 個 token。假設一段 10 分鐘的語音對話中，使用者說了 5 分鐘，模型也回答了 5 分鐘。在 qwen3-omni-flash-realtime 上，約為 2,135 個輸入 token 與 2,135 個輸出 token，因此成本約是輸入 $0.001 + 輸出 $0.004，合計約半美分／10 分鐘通話。即使放大到大量使用，即時音訊仍很便宜；真正容易被忽略的是輸出端的說話時間，因為語音回答的單價約為輸入端的 4 倍。

規劃預算前，還有兩點要留意：

• 有免費額度，但依區域而定。新加坡國際端點曾提供 100 萬輸入 token 與 100 萬輸出 token、期限 90 天的免費額度；美國端點則沒有。額度可能調整，請先到你所用區域的 Model Studio console 確認目前方案，再將它納入規劃。
• qwen3.5-omni 層級採用請求大小的分級計價，並非固定單一費率。因此，一次帶入大型上下文的請求，可能會落在與數個小請求不同的價格區間。正式承諾前，請依你的真實流量型態測試。

和 OpenAI Realtime、Gemini Live 相比，Qwen 的位置在哪？

在 2026 年中，通用型前沿 LLM 供應商中，明顯可選的即時語音對語音方案包括 OpenAI Realtime API、Google Gemini Live，以及 Qwen 的 omni Realtime 家族。（ElevenLabs、Deepgram、Cartesia、Hume 等專業語音供應商，在 TTS 與 STT 領域同樣競爭激烈；但這裡比較的是完整多模態模型路線。）競品價格每月都可能改變，與其引用很快過期的數字，更適合從以下面向評估：

• 成本。依上述單通對話費率來看，Qwen 的即時服務位於託管前沿模型選項的低價帶。作為對照，OpenAI Realtime 音訊的價格曾約為每分鐘輸入 $0.06、每分鐘輸出 $0.24（價格拆解見此）；以此估算，同一通在 qwen3-omni-flash-realtime 約半美分的 10 分鐘對話，在 OpenAI 會接近$1.50。實際採用前仍須確認雙方最新費率，但價差很大。Qwen 也是三者中唯一提供開放權重版本的選擇，可自行託管，讓邊際成本趨近於零。
• 開放性。OpenAI Realtime 與 Gemini Live 都只有封閉 API。Qwen3-Omni 提供開放權重，因此可以從託管服務轉為自行部署，而不必將應用重寫成另一個模型的互動邏輯。
• 品質。第三方報導指出，最高階的 qwen3.5-omni-plus 在部分音訊理解基準測試中可追平或超越 Gemini 3.1 Pro。不過，任何單一 benchmark 都只能當作初步假設，最終仍應以自己的音訊資料測試。
• 生態系。OpenAI 與 Google 目前提供更完整的工具、SDK 與社群範例。Qwen 的文件品質不差，但實作時會更常直接處理原始 WebSocket／WebRTC 規格。

實務上的結論很簡單：在意成本，或需要保留自行託管選項時，Qwen 是最強選擇；若你更重視成熟的 SDK 體驗，且願意為此付費，OpenAI 與 Google 目前仍在產品細緻度上領先。想了解封閉式替代方案的完整成本，可參考下方延伸閱讀。

不同需求該選哪個版本？

3.5 層級相較於精簡版 qwen3-omni-flash（8 輪），增加了聲音複製、更長的上下文與對話限制，最高可達 100 輪與保留 600 秒音訊。如果還在做原型，先從 Flash 開始；只有在你明確碰到限制時，再升級到 Plus。

如何開始使用 Qwen Realtime

託管版：直接串接。先在 Alibaba Cloud Model Studio 建立 API key，接著以 Bearer 驗證建立 WebSocket 連線；瀏覽器應用則可透過 SDP POST 協商 WebRTC。上傳 PCM 音訊串流後，服務會回傳 PCM 音訊與文字。若不想自行管理 socket，可使用封裝 Realtime 介面的 DashScope Python SDK。以下是最精簡的連線示意，省略錯誤處理：

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. configure the session: 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. stream microphone audio up as base64 PCM 16 kHz frames
ws.send(json.dumps({
    "type": "input_audio_buffer.append",
    "audio": base64.b64encode(pcm_frame).decode(),
}))

# 3. read events back; response.audio.delta carries PCM 24 kHz to play
while True:
    event = json.loads(ws.recv())
    if event["type"] == "response.audio.delta":
        play(base64.b64decode(event["audio"]))

使用伺服器端 VAD 時，模型會自行判斷使用者何時說完；若要自行控制回合邊界，可改用手動模式。事件流程和 OpenAI Realtime 的結構非常接近，既有的 Realtime 用戶端程式通常只要小幅修改就能移植。正式上線前，請對照 Realtime 文件確認欄位名稱、音色清單與區域端點主機，因為新加坡與美國部署的設定並不完全相同，而且 API 持續演進。

自行託管。開放權重的 Qwen3-Omni 使用 Thinker–Talker Mixture-of-Experts 架構，總參數量為 30B，約有 3B 參數會啟用。阿里巴巴建議使用 vLLM，而不是單純以 Transformers 部署。針對完整 30B 模型的 BF16 推論，第三方部署指南指出最低需求是一張80GB 顯示卡（A100 或 H100）；RTX 4090 這類 24 GB 顯示卡不足以載入完整權重，但量化版本可降低硬體門檻。

但即時服務比批次推論困難得多。自行託管者回報，在並發負載下需要限制 KV cache，才能避免服務停頓；單卡的 token 吞吐量也落後於託管 API。針對串流最佳化的服務堆疊能大幅縮小這個差距：參與 Red Hat AI 與 vLLM 的工程師曾表示，透過重疊管線階段，可將 3 秒片段的語音生成時間從約 8 秒降至約 0.5 秒。這確實是可觀的改善，但也意味著額外工程投入。自行託管能移除每 token 費用，卻增加 GPU 與維運成本；它更適合高且穩定的使用量，而不是原型開發。

目前要使用即時 omni 語音，DashScope 端點是標準途徑。如果你的技術堆疊已經透過單一 gateway 路由多家供應商，前面可加上一層聚合服務；但要先確認該服務的目錄中確實有指定的 Qwen 即時模型 ID，因為不少轉接服務只支援文字與圖片模型，沒有即時音訊層級。

正式開發前必須知道的限制

• 工作階段上限為 120 分鐘。若要支援客服專線、長時間家教等更長的互動，需要實作重新連線邏輯，並在不同 socket 之間保留上下文。
• 區域會影響免費額度與可用性。請針對真正要部署的端點測試，而不是只測試最初註冊的端點。
• 託管版與開放權重版並不相同。託管 API 標示支援 113 種語言辨識與 36 種語言生成；開放權重的 Qwen3-Omni 版本支援範圍較小，只有 19 種語音輸入語言與 10 種語音輸出語言。若特定語言是你的核心需求，務必在預計上線的確切版本上驗證。
• 即時服務成本取決於說話時間，而不是請求數。音訊消耗大量 token，話很多的使用者成本會高於簡短回答的使用者。估算帳單時，應依對話分鐘數，而非通話次數。

常見問題

Qwen 3 支援音訊嗎？

支援。Qwen3-Omni 模型原生具備多模態能力，可接收音訊、文字、圖片與影片，並即時輸出文字或語音回應。

Qwen 能生成音訊，而不只是理解音訊嗎？

可以。早期 Qwen-Audio 只能產生文字；omni Realtime 模型與 Qwen-TTS-Realtime 則可輸出語音，3.5 層級還支援複製聲音。

Qwen 即時音訊是免費的嗎？

有免費試用額度。國際版新加坡端點過去曾提供 90 天、100 萬輸入 token 與 100 萬輸出 token。超出額度後採按 token 計費；完整開放權重的 Qwen3-Omni 若使用自有 GPU 執行，則不需支付模型費用。

如何在本機執行 Qwen 音訊模型？

下載開放權重的 Qwen3-Omni（30B-A3B），並用 vLLM 提供服務。完整模型以 BF16 執行時，大約需要一張 80GB 顯示卡，例如 A100 或 H100；較小的消費級 GPU 只能處理量化版本，無法載入完整權重。

延伸閱讀

主要資料來源：

• Alibaba Model Studio Realtime API 文件
• Qwen3-Omni model card 與開放權重（GitHub）

替代方案的價格比較：

• OpenAI Realtime API 定價
• Gemini 3.5 Live Translate
• Seed Audio 評測