选择适合多模态理解、音视频分析、语音对话、内容审核、语音翻译等全模态场景的模型。
使用场景
全模态模型能同时理解文本、音频、图片和视频，并输出文本和语音。当前提供三个模型系列：Qwen3.5-Omni（旗舰，能力最全）、Qwen3-Omni-Flash（轻量，成本更低，支持深度推理）、Qwen3-Livetranslate（专业翻译，开箱即用）。根据您的场景选择合适的模型：
|
场景 |
推荐模型 |
用户指南 |
|
实时语音/视频对话：通过麦克风和摄像头与AI实时交互（语音助手、智能客服、视觉问答、直播分析） |
Qwen3.5-Omni Realtime（WebSocket） |
|
|
音视频内容分析：上传音频或视频文件，AI分析内容并生成文本或语音回复（视频审核、会议纪要、字幕生成） |
Qwen3.5-Omni（HTTP） |
|
|
轻量音视频分析：上传音频或视频文件进行分析，成本更低（单次输入限150秒）。支持深度推理（思考模式），仅输出文本 |
Qwen3-Omni-Flash（HTTP） |
|
|
实时语音翻译：语音同传，约3秒延迟，支持18种语言（同声传译、多语言会议） |
Qwen3-Livetranslate（WebSocket） |
|
|
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（HTTP） |
|
|
声音复刻：提供参考音频，AI用该音色生成语音回复 |
Qwen3.5-Omni Plus / Flash（HTTP / WebSocket） |
-
内容分析场景中，Qwen3.5-Omni支持音频最长3小时、视频最长1小时。
-
支持工具调用（Function Calling）：Qwen3.5-Omni（WebSocket + HTTP）、Qwen3-Omni-Flash（仅HTTP）。
-
支持联网搜索：仅Qwen3.5-Omni（HTTP / WebSocket）。联网搜索与Function Calling不可同时开启。
翻译
全模态模型支持语音翻译，不同模型适用于不同翻译场景。
快速搭建翻译应用推荐Qwen3-Livetranslate（18种语言，约3秒延迟，开箱即用）；最高质量和最广语言覆盖推荐Qwen3.5-Omni（29种输出语言，支持联网搜索和术语注入）；成本敏感场景推荐Qwen3-Omni-Flash（11种输出语言，成本更低）。
推荐模型
|
模型 |
API |
输入 |
Function Calling |
联网搜索 |
思考模式 |
|
|
WebSocket |
文本、音频、图片 |
|
|
|
|
|
HTTP |
文本、音频、图片、视频 |
|
|
|
|
|
WebSocket |
文本、音频、图片 |
|
|
|
|
|
HTTP |
文本、音频、图片、视频 |
|
|
|
|
|
WebSocket |
文本、音频、图片、视频 |
|
|
|
|
|
HTTP |
文本、音频、图片、视频 |
|
|
|
|
|
WebSocket |
音频、图片 |
|
|
|
|
|
HTTP |
音频、视频 |
|
|
|
所有模型
Qwen3.5-Omni
|
模型 |
API |
输入 |
Function Calling |
联网搜索 |
思考模式 |
|
|
WebSocket |
文本、音频、图片、视频 |
|
|
|
|
|
WebSocket |
文本、音频、图片、视频 |
|
|
|
|
|
HTTP |
文本、音频、图片、视频 |
|
|
|
|
|
HTTP |
文本、音频、图片、视频 |
|
|
|
|
|
WebSocket |
文本、音频、图片、视频 |
|
|
|
|
|
WebSocket |
文本、音频、图片、视频 |
|
|
|
|
|
HTTP |
文本、音频、图片、视频 |
|
|
|
|
|
HTTP |
文本、音频、图片、视频 |
|
|
|
Qwen3-Omni
|
模型 |
API |
输入 |
Function Calling |
联网搜索 |
思考模式 |
|
|
WebSocket |
文本、音频、图片、视频 |
|
|
|
|
|
WebSocket |
文本、音频、图片、视频 |
|
|
|
|
|
WebSocket |
文本、音频、图片、视频 |
|
|
|
|
|
HTTP |
文本、音频、图片、视频 |
|
|
|
|
|
HTTP |
文本、音频、图片、视频 |
|
|
|
|
|
HTTP |
文本、音频、图片、视频 |
|
|
|
Qwen3-Livetranslate
|
模型 |
API |
输入 |
语言数 |
|
|
WebSocket |
音频 |
18 |
|
|
WebSocket |
音频 |
18 |
|
|
HTTP |
音频、视频 |
18 |
|
|
HTTP |
音频、视频 |
18 |
旧版模型
以下模型不再更新，新项目建议使用Qwen3.5-Omni。
|
模型 |
输入 |
API |
|
|
文本、音频、图片、视频 |
HTTP |
|
|
文本、音频、图片、视频 |
HTTP |
|
|
文本、音频、图片、视频 |
HTTP |
|
|
文本、音频、图片、视频 |
HTTP |
|
|
文本、音频 |
WebSocket |
|
|
文本、音频 |
WebSocket |
|
|
文本、音频 |
WebSocket |