语音到语音模型

​

S2S 与 Pipeline 对比

构建语音应用有两种方式：

• 选择 S2S：适用于交互式对话、低延迟、需要感知音频情绪的场景。请继续阅读本页。
• 选择 Pipeline：适用于需要自定义音色，或希望为每个环节分别选择最佳 ASR、LLM 和 TTS 的场景。

​

实时还是文件？

• 实时（WebSocket）— 适用于实时语音交互场景：语音助手、呼叫中心、同声传译。音频流式输入，语音流式输出。模型名称包含 -realtime。
• 文件（HTTP）— 适用于可以牺牲延迟换取更好效果的场景：视频配音、播客翻译、离线内容处理。支持 function calling（Qwen3.5-Omni、Qwen3-Omni-Flash）、联网搜索（Qwen3.5-Omni）、思考模式（Qwen3-Omni-Flash）和视频上下文（Livetranslate）。

​

Function calling

让模型根据所听到和看到的内容执行操作 — 查询知识库、查看日程、触发工作流。使用 qwen3.5-omni-plus（HTTP）、qwen3.5-omni-flash（HTTP）或 qwen3-omni-flash（HTTP）。实时模式和 Livetranslate 模型不支持此功能。

​

联网搜索

让模型检索实时信息，回答关于时事、股价、天气等问题。使用 qwen3.5-omni-plus（HTTP）或 qwen3.5-omni-plus-realtime（WebSocket）。模型会自主判断是否需要搜索。Qwen3-Omni-Flash 和 Livetranslate 模型不支持此功能。

​

思考模式

使用 qwen3-omni-flash（HTTP），适用于回答质量比延迟更重要的场景。模型会先逐步推理再生成语音 — 适合技术支持、复杂问答或多步骤指引。Qwen3.5-Omni 模型不支持此功能。

​

翻译

三个模型系列都支持语音翻译：

• Qwen3.5-Livetranslate — 支持 60 种语言互译（29 种音频+文本输出、31 种仅文本输出），约 3 秒延迟，开箱即用。文件模式支持视频输入以提升翻译准确性。
• Qwen3.5-Omni — 支持 29 种输出语言 + 7 种中文方言。音视频理解能力更强，支持联网搜索。可通过 system prompt 注入术语和领域上下文。支持实时和文件两种模式。
• Qwen3-Omni-Flash — 支持 11 种输出语言 + 8 种中文方言。可通过 system prompt 注入术语和领域上下文，适用于专业领域翻译。支持实时和文件两种模式。成本更低。

支持的语言

语言	Qwen3.5-Livetranslate	Qwen3-Livetranslate	Qwen3.5-Omni	Qwen3-Omni-Flash
英语	✓	✓	✓	✓
中文（普通话）	✓	✓	✓	✓
+ 粤语	仅文本	✓	✓	✓
+ 四川话	—	✓	✓	✓
+ 上海话	—	✓	✓	✓
+ 北京话	—	✓	✓	✓
+ 天津话	—	✓	✓	✓
+ 南京话	—	—	✓	✓
+ 陕西话	—	—	✓	✓
+ 闽南语	—	—	✓	✓
法语	✓	✓	✓	✓
德语	✓	✓	✓	✓
俄语	✓	✓	✓	✓
意大利语	✓	✓	✓	✓
西班牙语	✓	✓	✓	✓
葡萄牙语	✓	✓	✓	✓
日语	✓	✓	✓	✓
韩语	✓	✓	✓	✓
阿拉伯语	✓	仅文本	✓	—
泰语	✓	仅文本	✓	✓
越南语	✓	仅文本	✓	—
印尼语	✓	仅文本	✓	—
土耳其语	✓	仅文本	✓	—
印地语	✓	仅文本	✓	—
马来语	✓	—	✓	—
荷兰语	✓	—	✓	—
乌尔都语	✓	—	✓	—
挪威语	✓	—	✓	—
瑞典语	✓	—	✓	—
丹麦语	✓	—	✓	—
希伯来语	✓	—	✓	—
芬兰语	✓	—	✓	—
波兰语	✓	—	✓	—
冰岛语	✓	—	✓	—
捷克语	✓	—	✓	—
菲律宾语	✓	—	✓	—
波斯语	✓	—	✓	—
希腊语	仅文本	仅文本	—	—

✓ = 音频 + 文本输出。"仅文本" = 该语言不支持音频输出。Qwen3.5-Livetranslate 共支持 60 种语言（29 种音频+文本，31 种仅文本）。Qwen3.5-Omni 共支持 113 种输入语言/方言。详见完整列表。旧版 qwen-omni-turbo 仅支持中文和英语。

​

推荐模型

​

所有模型

​

了解更多