Qwen Audio 3.0 实时版：规格、定价与访问

Qwen Audio 3.0 Realtime 是 Qwen 当前产品线中的实时音频能力：你可以与之对话，它也会立即回应，延迟低到像打电话一样。在阿里巴巴的平台上，它通过 Qwen3-Omni / Qwen3.5-Omni Realtime API 提供（模型 ID 如 qwen3-omni-flash-realtime），纯文本转语音则使用 Qwen-TTS-Realtime，而转录则使用 qwen3-asr-flash。托管的 omni Realtime 模型可识别 100 多种语言，支持带打断的全双工通信，每分钟对话成本仅为几分之一美分。

最快的接入方式是通过 WebSocket 使用 qwen3-omni-flash-realtime。下面介绍每个模型的功能、成本、与 OpenAI Realtime 和 Gemini Live 的对比，以及如何开始使用。每一项规格、价格和模型 ID 都链接到其主要来源，主要是阿里巴巴的 Model Studio Realtime 文档和 Qwen3-Omni 模型卡；供应商在这方面更新很快，因此如果某个数字已有变动，请以链接中的来源为准。

Qwen 音频模型如何命名

Qwen 音频系列经历了几个代际，了解其谱系可以更容易找到合适的模型：

• Qwen-Audio（2023）和 Qwen2-Audio 是音频*理解*模型：输入音频，输出文本。它们不会回应语音。
• 当前一代将音频整合到 omni 模型中。Qwen3-Omni 和 Qwen3.5-Omni 接收文本、图像、音频和视频，并生成文本和自然语音。
• 实时行为是一种*交付层级*：通过 Realtime API 调用相同的 omni 模型，模型 ID 以 -realtime 结尾。

因此，“Qwen Audio 3.0 Realtime”（无论你如何标点它）指的是用于实时场景的 Qwen3-Omni 家族，而这正是本指南其余部分所介绍的技术栈。

Qwen 实时音频栈，分为三层

它有助于不要再只想着单一模型，而是把它看作一个流水线。一个生产级语音应用通常会涉及三个 Qwen 模型，你可以一起使用它们，也可以分别独立使用。

1. 语音输入 — qwen3-asr-flash. 通过 WebSocket 进行流式语音识别，针对实时字幕和语音代理前端进行了优化。它支持非常广泛的语言范围转写，并且作为廉价的转写工具型号定价。2. 实时对话 — qwen3.5-omni-flash-realtime, qwen3-omni-flash-realtime, qwen3.5-omni-plus-realtime. 这是核心：音频（以及视频帧）输入，文本和合成语音输出，通过一个持久连接在多轮之间保持打开，而不是每次请求都重新建立。3. 语音输出 — Qwen-TTS-Realtime. 一个专门的流式文本转语音模型，适用于你只需要把文本转换成语音的场景，例如朗读由文本 LLM 生成的答案。

如果你在中间层使用 omni Realtime 模型，通常就不需要单独的 ASR 和 TTS 调用，因为它可以端到端处理语音输入和语音输出。单独的模型是为了在你想要自由组合搭配时使用（例如，你自己的 STT 加上 Qwen TTS）。

真正重要的规格

以下数字来自Model Studio Realtime 文档，不是来自营销页面。

其中有几点值得强调。语义打断是指模型能够判断用户是在插话，还是只是在用“嗯哼”之类的方式进行附和，这正是自然的语音代理和令人烦躁的语音代理之间的区别。WebRTC 支持在你基于浏览器构建时非常重要，因为它会为你处理回声消除和抖动。113 种语言的识别数据针对的是托管 API；如下所述，开源权重版本覆盖的语言范围更窄。

关于延迟：专用的 Qwen-TTS-Realtime 流式路径目标大约是 97 毫秒首包延迟，根据 Qwen3-TTS 流式文档，这也是决定语音是否感觉即时的关键数值。这个数值指的是到第一个音频块的时间，而不是完整响应。对于完整的对话闭环，Thinker–Talker 设计就是为流式处理而构建的；Qwen3-Omni 技术报告描述了一种旨在最小化延迟的多 codebook 设计，社区测试则显示，在全双工、可打断轮次下，音频到音频的响应处于 250 毫秒以内 的范围。实际数值取决于你的地区、网络和负载，因此应基于你自己的流量进行测量，而不是相信某个单一的宣传数字。

Qwen 实时音频定价，直观数字版

Qwen 的托管实时价格明显低于封闭式实时 API。这些是按百万 token 计算的费率（输入 / 输出），如 Portkey 的 DashScope 模型目录 中所列（这是一个第三方聚合器，镜像了阿里巴巴的费率；在你签约之前，请先在 Model Studio 控制台 中确认实时价格）：

这意味着每次调用的含义。 音频的 token 消耗很高：大约每分钟音频 427 个 token。以一次 10 分钟的语音通话为例，用户说 5 分钟，模型回复 5 分钟。在 qwen3-omni-flash-realtime 上，这大约是 2,135 个输入 token 和 2,135 个输出 token，因此大约是 输入 $0.001 + 输出 $0.004 ≈ 每 10 分钟通话半美分。即使在大规模场景下，实时音频也很便宜；真正让人意外的成本是输出端的通话时间，因为语音回复的定价大约是输入的 4 倍。

在您制定预算之前，还有两件事：

• 存在免费额度，但它是区域性的。 新加坡（国际）端点提供过 90 天内 100 万输入和 100 万输出 token 免费；美国端点则没有。配额会变化，因此在据此规划之前，请先在适用于您所在区域的 Model Studio 控制台 中确认当前优惠。
• qwen3.5-omni 层级采用按请求大小分档的定价，而不是统一费率，因此一次大上下文请求可能会落入不同于多次小请求的价格区间。在正式采用前，请使用您的真实流量形态进行测试。

与 OpenAI Realtime 和 Gemini Live 的对比

在通用前沿 LLM 供应商中，2026 年中显而易见的三种实时语音转语音选项是 OpenAI 的 Realtime API、Google 的 Gemini Live，以及 Qwen 的 omni Realtime 家族。（像 ElevenLabs、Deepgram、Cartesia 和 Hume 这样的专业语音提供商主要在 TTS 和 STT 上竞争；本比较关注的是完整的多模态模型路线。）与其引用每月变化的竞争对手价格，不如这样来思考如何选择：

• 成本。 按上面显示的单次调用费率，Qwen 的实时定价处于托管前沿模型选项的低端。相比之下，OpenAI 的 Realtime 音频的价格大约为每分钟输入 $0.06、每分钟输出 $0.24（定价明细见此）；按这个标准，同样一个 10 分钟通话在 qwen3-omni-flash-realtime 上的成本约为半美分，而在 OpenAI 上则接近$1.50。在依赖这一差距之前，请先确认双方的实时费率，因为这些价格都会变化，但差距确实很大。Qwen 也是三者中唯一提供开源权重版本的，你可以自行托管，将边际成本降至接近零。
• 开放性。 OpenAI Realtime 和 Gemini Live 都只提供封闭 API。Qwen3-Omni 提供开源权重，因此你可以从托管切换到自托管，而无需围绕新模型的行为重写应用。
• 质量。 第三方报道显示，顶级的 qwen3.5-omni-plus 档位在一些音频理解基准上与 Gemini 3.1 Pro 持平甚至更胜一筹；请将任何单一基准都视为起始假设，并在你自己的音频上进行测试。
• 生态系统。 目前 OpenAI 和 Google 拥有更完善的工具、SDK 和社区示例。Qwen 的文档也不错，但你会更多依赖原始的 WebSocket/WebRTC 规范。

实用性的结论是：如果成本或自托管选项很重要，Qwen 是最强的选择。如果你想要最成熟的 SDK 体验，并且愿意为此付费，OpenAI 和 Google 的方案在打磨程度上仍然领先。有关闭源替代方案的完整成本明细，请参见下面的相关阅读。

您应该选择哪个版本？

3.5 档位新增了语音克隆以及更长的上下文和对话限制（最多 100 轮和 600 秒的保留音频），相比之下，精简版 qwen3-omni-flash 只有 8 轮。如果你正在做原型开发，先从 Flash 开始；只有当你遇到一个能明确说出的限制时，再切换到 Plus。

如何访问它

托管方式，最直接的办法。 在 Alibaba Cloud Model Studio 中提供 API key，然后使用 Bearer 认证建立 WebSocket 连接（或者为浏览器应用通过 SDP POST 协商 WebRTC）。你向上游流式发送 PCM 音频，并接收下游返回的 PCM 音频和文本。如果你不想手动管理 socket，DashScope Python SDK 会对 Realtime 接口进行封装。基础连接很简短（仅示意，省略错误处理）：

```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. 配置会话：语音、输出格式、服务端轮次检测 ws.send(json.dumps({ "type": "session.update", "session": { "voice": "Cherry", "output_audio_format": "pcm24", "turn_detection": {"type": "server_vad"}, }, }))

# 2. 将麦克风音频以上传为 base64 PCM 16 kHz 帧 ws.send(json.dumps({ "type": "input_audio_buffer.append", "audio": base64.b64encode(pcm_frame).decode(), }))

# 3. 读取事件回传；response.audio.delta 携带 24 kHz PCM，用于播放 while True: event = json.loads(ws.recv()) if event["type"] == "response.audio.delta": play(base64.b64decode(event["audio"])) ```

使用服务器端 VAD 时，由模型决定用户何时停止说话；如果你想自行控制轮次边界，请切换到手动模式。事件流与 OpenAI Realtime 的结构高度一致，因此现有的 Realtime 客户端代码只需少量修改即可迁移。请在发布前根据 Realtime 文档 确认准确的字段名、voice 列表以及区域端点主机，因为这些内容在新加坡和美国部署之间有所不同，并且会随着 API 演进而变化。

自托管。 开放权重的 Qwen3-Omni 采用 Thinker–Talker 混合专家设计（总计 30B，约 3B 激活）。阿里巴巴建议对其使用 vLLM，而不是直接使用 Transformers。对于完整 30B 模型的 BF16 推理，第三方部署指南将最低配置定为单张 80GB 显卡（A100 或 H100）；像 RTX 4090 这样的 24 GB 显卡不足以加载完整权重，不过量化版本会降低这一门槛。

问题在于，实时服务比批量推理更难。自托管用户报告称，他们不得不限制 KV cache，以避免在并发负载下出现停顿，而且单卡 token 吞吐量也落后于托管 API。针对流式处理调优的服务栈缩小了其中很大一部分差距：在 Red Hat AI 和 vLLM 上工作的工程师报告说，让流水线各阶段重叠后，3 秒音频片段的语音生成时间从大约 8 秒缩短到约 0.5 秒。这确实是实实在在的提升，但也需要额外的工程投入。自托管在增加 GPU 和运维成本的同时消除了按 token 计费的成本，因此它更适合高且稳定的使用量，而不是原型验证。

对于当前的实时全渠道语音，DashScope 端点是标准路径。如果你的技术栈已经通过一个网关路由多个提供商，聚合器也可以放在它前面，但请先确认其目录中包含特定的 Qwen realtime model IDs，因为许多中继只支持文本和图像模型，而不包含实时音频层。

在基于它进行构建之前值得了解的限制

• 会话上限为 120 分钟。 对于更长的场景，例如客服热线或长时间辅导会话，你需要实现重连逻辑，以便在不同 socket 之间传递上下文。
• 区域会同时影响免费额度和可用性。 请针对你将要部署的端点进行测试，而不是你最初注册时所选的那个端点。
• 托管版和 open-weight 版并不完全相同。 托管 API 声称支持 113 种语言识别和 36 种语言生成；open-weight Qwen3-Omni release 覆盖的范围更窄（19 种语音输入语言和 10 种语音输出语言）。如果某种特定语言是你的要求，请在你计划发布的具体变体上进行验证。
• 实时成本按通话时长而非请求次数计费。 由于音频会占用大量 token，健谈用户的成本会比简短用户更高。请按对话分钟数来估算账单，而不是按调用次数。

常见问题

Qwen 3 支持音频吗？

是的。Qwen3-Omni 模型是原生多模态的：它们可以将音频、文本、图像和视频作为输入，并能实时以文本或语音响应。

Qwen 能生成音频（而不仅仅是理解音频）吗？

是的。与最初的 Qwen-Audio 不同，后者仅生成文本，omni Realtime 模型和 Qwen-TTS-Realtime 会生成口语音频输出，包括 3.5 层级上的克隆语音。

Qwen 实时音频是免费的吗？

国际（新加坡）端点历史上提供 90 天的免费试用额度，包括 100 万输入 tokens 和 100 万输出 tokens。超出后按 token 计费；如果你提供自己的 GPU，完全开源权重的 Qwen3-Omni 可以免费运行。

如何在本地运行 Qwen audio？

下载开源权重的 Qwen3-Omni（30B-A3B）并使用 vLLM 进行部署。对于 BF16 格式的完整模型，您需要大约一张 80GB 显卡（A100 或 H100）；较小的消费级 GPU 只能运行量化版本，无法承载完整权重。

相关阅读

主要来源：

• Alibaba Model Studio Realtime API 文档
• Qwen3-Omni 模型卡和开源权重（GitHub）

替代方案的价格如下：

• OpenAI Realtime API 定价
• Gemini 3.5 实时翻译
• Seed Audio 评测