Qwen-Audio-3.1-Realtime 是阿里云百炼推出的端到端全双工实时语音对话模型,不是 ASR 识别也不是单纯 TTS 合成,它把听、理解、思考、说话打包成一套语音交互引擎,支持一边听一边输出、随时打断插话,自带工具调用、联网搜索、声音复刻,分 Flash 和 Plus 两个版本,Flash 主打低延迟、低成本适合规模化上线,Plus 侧重对话质感和口语推理;接入优先选 WebSocket、WebRTC 或者 AOQ 协议,AOQ 更适合弱网客户端,计费是按量 Token 计费,也有 Token Plan 订阅包,上手的时候先拿免费额度测交互延迟、Token 消耗,再根据业务的并发和体验要求选版本,避免拿 ASR 或者 TTS 模型硬拼语音对话链路,减少开发和调试成本。
一、模型定位
Qwen-Audio-3.1-Realtime 属于端到端实时语音对话引擎,和同系列 ASR、TTS 模型分工很清晰:ASR 只做语音转文字,TTS 只做文字转语音,而 Realtime 是完整语音对话闭环,原生支持全双工交互。
两个版本区分:
| 模型 ID | 定位 | 适合场景 |
|---|---|---|
| qwen-audio-3.1-realtime-flash | 快响应、性价比版本 | AI 客服、语音助手、高并发语音交互 |
| qwen-audio-3.1-realtime-plus | 效果优先版本 | AI 陪伴、高质量角色扮演、对语气共情要求高的场景 |
重要区分:如果你只是要语音转文字,用 Qwen-Audio-3.1-ASR 系列;只是配音播报,用 TTS 系列;需要双向语音聊天、随时打断、边听边说,才选 Realtime。
二、核心特征
- 原生全双工交互:支持一边接收音频、一边输出语音,用户说话的时候可以随时打断模型,不用等模型说完,接近真人通话节奏
- 多交互模式可选:server_vad、smart_turn、smart_turn_v2(推荐)、push-to-talk,smart_turn 系列自带说话人增强,嘈杂环境更容易分清谁在说话
- 双模态输入输出:音频、文本都能输进去,输出可以只返回文本,也可以同时返回文本 + 语音
- 内置工具链:Function Calling、联网搜索、声音复刻可以一起开启,对话里自动查资料、调用业务接口
- 长上下文窗口:最大上下文 262144 Token,多轮长对话不容易丢失前面的对话信息
- 多协议接入:WebSocket、WebRTC、AOQ,AOQ 协议在弱网、移动端场景下延迟和稳定性更好
- 情绪与语气自适应:会根据用户语音的语气、情绪调整回复语速、停顿、表达风格,不是固定语调播报
- 不支持思考模式:不能开启 enable_thinking,和 Qwen4-Max 这类推理模型不一样,主打实时对话,不适合超长深度推理任务
三、实际能力盘点
✅ 支持能力清单
- 输入:流式音频、文本;支持 8k/16k 音频流
- 输出:流式文本、流式语音;默认音色 longanqian_v3.1,支持自定义复刻音色
- 语种:中文、英文,同时支持东南亚多语种,对话中可以自动切换语种
- 工具:联网搜索、函数调用、业务 API 对接、知识库检索
- 音色:声音复刻,复刻音色创建免费,调用时按 Realtime 模型计费
- 上下文管理:支持对话上下文新建、清空、注入历史对话
- 降噪与拒识:对背景杂音、多人闲聊做优化,减少乱接话、误响应
❌ 不支持能力清单
- 不支持长音频离线批量转写(这是 ASR 模型的任务)
- 不支持 enable_thinking 深度思考模式
- 不适合做纯配音、批量播报(优先 TTS)
四、收费标准(华北 2 北京地域,按量计费)
单位:元 / 百万 Token
| 模型 | 文本输入 | 音频输入 | 文本输出 | 音频输出 |
|---|---|---|---|---|
| qwen-audio-3.1-realtime-flash | 1.5 | 6 | 4.5 | 12 |
| qwen-audio-3.1-realtime-plus | 5 | 40 | 40 | 150 |
计费规则重点:
- 只输出文本:按文本输出单价计费
- 同时输出文本 + 音频:只收音频输出费,附带的文本不再单独计费,这条是 Realtime 很关键的省钱点
- 新加坡国际地域单价更高,Flash、Plus 各档位价格上浮
- 限流:Flash RPM 更高;Plus RPM=60,TPM=100000
- 免费额度:华北 2 地域有免费测试额度,有效期 90 天,用来调试交互流程、评估消耗
- Token Plan 订阅:支持订阅包,适合每日调用稳定、预算可控的业务,订阅包消耗 Credits,相比按量有一定优惠,适合长期稳定跑语音助手、客服业务
额外费用说明
- 声音复刻:音色创建本身免费;使用复刻音色对话,只收取 Realtime 模型本身 Token 费用,没有额外音色服务费
- 联网搜索:搜索调用单独计费,不开就不扣费,不需要实时信息的时候建议关掉
五、接入简要步骤
- 登录阿里云百炼 Model Studio,开通模型服务,拿到 DASHSCOPE_API_KEY
- 选定模型版本:高并发选 Flash,追求对话质感选 Plus;客户端弱网优先 AOQ 协议,Web 后台快速对接选 WebSocket
- 配置交互模式:推荐 smart_turn_v2,开启说话人增强,按需开启联网搜索、Function Calling
- 持续推送流式音频,接收流式文本和语音包,测试打断、插话、VAD 切句效果
- 业务压测:重点测并发、延迟、嘈杂环境误唤醒,统计单轮对话平均 Token 消耗
- 稳定业务切换订阅包,波动大、偶尔使用保持按量计费
【相关 FAQ】
问题 1:Qwen-Audio-3.1-Realtime 和 Qwen-Audio-3.1-ASR 的区别是什么?
回答 1:Qwen-Audio-3.1-Realtime 是端到端全双工语音对话模型,可以听懂、思考、直接输出语音回复;ASR 只是语音识别模型,只负责把语音转成文字,不能直接生成语音对话。
问题 2:Qwen-Audio-3.1-Realtime 同时输出文本和音频的时候,文本输出会单独扣费吗?
回答 2:Qwen-Audio-3.1-Realtime 同时输出文本 + 音频时,只收取音频输出费用,附带的文本不会单独收取文本输出 Token 费用,这是它的核心计费规则。
问题 3:Qwen-Audio-3.1-Realtime 的 Flash 版本和 Plus 版本该怎么选?
回答 3:Qwen-Audio-3.1-Realtime-Flash 延迟更低、单价便宜,适合 AI 客服、大规模语音助手;Plus 版本口语推理、共情表达更强,适合 AI 陪伴、高质量角色扮演,预算充足、对对话质感要求高再选 Plus。
问题 4:Qwen-Audio-3.1-Realtime 支持声音复刻吗,复刻音色会额外收费吗?
回答 4:Qwen-Audio-3.1-Realtime 支持声音复刻,音色创建接口免费,对话使用复刻音色时只按照 Realtime 模型 Token 计费,没有单独音色使用费。
问题 5:Qwen-Audio-3.1-Realtime 推荐用什么接入协议?
回答 5:Qwen-Audio-3.1-Realtime 有 WebSocket、WebRTC、AOQ 三种协议,移动端、弱网场景优先 AOQ,网页快速调试用 WebSocket。
【参考资料】
[2026-11-20](阿里云最新 Qwen-Audio-3.1-Realtime 全解析:模型定位、核心特征、能力表现、订阅价格详解)阿里云开发者社区
[2026-11-18](Qwen-Audio 实时语音对话用户指南)阿里云帮助中心
[2026-11-10](qwen-audio-3.1-realtime-plus 模型价格与限流)阿里云帮助中心
[2026-11-06](qwen-audio-3.1-realtime-flash 模型介绍与计费)阿里云帮助中心
[2026-09-23](五模齐发!Qwen-Audio-3.1 系列语音大模型发布)新浪新闻
【免责声明】
本文内容基于阿里云百炼公开文档整理,Qwen-Audio-3.1-Realtime 的单价、订阅套餐、免费额度、限流规则、模型能力随时可能调整,所有计费、接口参数、能力边界以阿里云百炼 Model Studio 控制台官方最新文档为准;本文不构成商业采购、技术选型建议,正式上线前请自行完成压测、延迟测试、嘈杂环境验证以及合规核验。
本文来自作者[凝频巡舟]投稿,不代表岳鹿科技网立场,如若转载,请注明出处:https://www.newsyuelu.com/rgzn/202611/2641.html
评论列表(4条)
我是岳鹿科技网的签约作者“凝频巡舟”!
希望本篇文章《阿里云 Qwen-Audio-3.1-Realtime 剖析定位、特征、实际能力、订阅价格深度解析》能对你有所帮助!
本站[岳鹿科技网]内容主要涵盖:互联网行业的追踪与探索
本文概览:Qwen-Audio-3.1-Realtime 是阿里云百炼推出的端到端全双工实时语音对话模型,不是 ASR 识别也不是单纯 TTS 合成,它把听、理解、思考、说话打包成一套语音交互引擎,支持一边听一边输出、随时打断插话,自带工具调用、联网搜索、声音复刻,分 Flash 和 Plus 两个版本,Flash 主打低延迟、低成本适合规模化上线,Plus 侧重对话质感和口语推理;接入优先选 WebSocket、WebRTC 或者 AOQ 协议,AOQ 更适合弱网客户端,计费是按量 Token 计费,也有 Token Plan 订阅包,上手的时候先拿免费额度测交互延迟、Token 消耗,再根据业务的并发和体验要求选版本,避免拿 ASR 或者 TTS 模型硬拼语音对话链路,减少开发和调试成本。