为多模态理解、音视频分析、语音对话、内容审核、语音翻译等全模态场景选择模型。
全模态模型能同时理解文本、音频、图像和视频，并输出文本和语音。当前提供三个系列：
各系列的日期版本、能力矩阵与翻译语种支持见语音到语音模型的"推荐模型"、"所有模型"和"翻译"章节。各模型可用的音色见音色列表。
| 系列 | 定位 | 特点 |
|---|---|---|
| Qwen3.5-Omni | 旗舰 | 能力最全，支持联网搜索、声音复刻；音频最长 3 小时、视频最长 1 小时 |
| Qwen3-Omni-Flash | 轻量 | 成本更低，支持思考模式；单次输入限 150 秒 |
| Qwen3.8-Livetranslate | 专业翻译 | 开箱即用，60 种语言，同传时延低至 2.3 秒 |
按场景选模型
| 场景 | 推荐模型 | API | 文档 |
|---|---|---|---|
| 音视频理解与文本生成 — 分析音视频内容，生成会议纪要、字幕和文本答复 | Qwen3.8-Omni-Flash | Chat Completions、Responses | Qwen3.8-Omni-Flash 调用指南 |
| 实时语音/视频对话 — 通过麦克风和摄像头实时交互（语音助手、智能客服、视觉问答、直播分析） | Qwen3.8-Omni-Flash-Realtime | Realtime API | 实时音视频理解 |
| 实时语音对话（语义 VAD） — 端到端语音交互，无意义附和声不会打断，支持 Function Calling | Qwen-Audio Realtime | Realtime API | 实时语音对话 |
| 离线音频输出 — 上传音频或视频文件，生成语音回复 | Qwen3.5-Omni | Chat Completions | 音视频文件理解 |
| 实时语音翻译 — 语音同传，约 2.3 秒时延，支持 60 种语言（同声传译、多语言会议） | Qwen3.8-Livetranslate | Realtime API | 实时音视频翻译 |
| 音视频文件翻译 — 上传音频/视频文件翻译为目标语言（视频配音、播客翻译） | Qwen3-Livetranslate | Chat Completions | 音视频文件翻译 |
| 声音复刻 — 提供参考音频，用该音色生成语音回复 | Qwen3.8-Omni-Flash-Realtime、Qwen3.5-Omni Plus / Flash | Realtime API、Chat Completions | 声音复刻 |
能力边界
- Function Calling — Qwen3.8-Omni-Flash-Realtime、Qwen3.8-Omni-Flash、Qwen3.5-Omni Plus / Flash（文本输出）、Qwen3.5-Omni-Realtime、Qwen3-Omni-Flash 和 Qwen-Audio Realtime 支持。
- 联网搜索 — Qwen3.8-Omni-Flash-Realtime、Qwen3.8-Omni-Flash、Qwen3.5-Omni 和 Qwen-Audio Realtime 支持，通过
enable_search开启。 - 思考模式 — 仅 Qwen3-Omni-Flash（HTTP）支持，且思考模式下不输出语音。
从闭源模型迁移到千问AI平台？
| 闭源模型代表 | 千问AI平台推荐 | |
|---|---|---|
| 音视频理解与文本生成 | Gemini 3.8 Flash | qwen3.8-omni-flash |
| 实时语音对话 | gpt-realtime-2.1 | qwen3.8-omni-flash-realtime |
| 实时翻译 | Gemini 3.5 Live Translate (Preview), gpt-realtime-translate | qwen3.8-livetranslate-flash-realtime |
完整模型列表
各系列的日期版本、能力矩阵与翻译语种支持见语音到语音模型的"推荐模型"、"所有模型"和"翻译"章节。各模型可用的音色见音色列表。
如果你只需要"语音输入 → 语音输出"，且要在 S2S 单模型与 Pipeline（ASR + LLM + TTS）两种架构之间做选择，请先阅读语音到语音模型。