为“语音输入 → 语音输出”场景（语音对话、语音翻译、同声传译等）选择模型。
本文档面向“语音 → 语音”场景。如需视觉理解、音视频分析、内容审核等更广泛的多模态能力，请参考全模态。
S2S（Speech-to-Speech）与Pipeline对比
构建语音应用有两种方式：
S2S | Pipeline（ASR + LLM + TTS） | |
延迟 | 低 -- 单模型流式处理 | 较高 -- 3个阶段串行处理 |
音频理解 | 端到端 -- 能感知语调、情绪并做出相应回应 | 先转文本再处理 -- 音频中的细微信息丢失 |
音色定制 | 通过系统提示词选择预设音色 | 声音克隆、声音设计（CosyVoice） |
使用S2S：当交互式对话、低延迟和音频感知的回复是关键需求时。
使用Pipeline：当需要自定义音色，或者需要为每个阶段分别选择最优的ASR、LLM和TTS模型时。
本文档继续介绍 S2S 单模型路线（Omni、Livetranslate）。如选择 Pipeline 路线，分别在以下文档中挑选三个组件：
实时还是文件模式？
实时（WebSocket）：适用于语音助手、呼叫中心、同声传译等实时语音交互场景。音频流式输入，语音流式输出。模型名称中包含
-realtime。文件模式（HTTP）：可以用延迟换取更好的效果，适用于视频配音、播客翻译、离线内容处理等场景。文件模式下还支持 Function Calling、联网搜索、思考模式、视频上下文等附带能力（详见下方“S2S 单模型的附带能力”）。
按场景选模型（S2S 单模型路线）
以下场景均针对 S2S 单模型路线。Pipeline 路线请按上述链接分别在 ASR / LLM / TTS 文档中选型。
场景 | 推荐模型 | API |
语音助手 / 客服对话 |
| WebSocket |
成本敏感的对话 |
| WebSocket |
同声传译 / 直播翻译 |
| WebSocket |
视频配音 / 播客翻译 |
| HTTP |
视频分析 / 批量打标（需要思考模式） |
| HTTP |
S2S 单模型的附带能力
以下能力由 Qwen3.5-Omni / Qwen3-Omni 模型在 S2S 单模型路线下直接提供。Pipeline 路线中，对应能力需要由其中的 LLM 等组件分别支持。
Function Calling
让模型根据听到和看到的内容执行操作 -- 查询知识库、查询日程、触发工作流。使用Qwen3.5 Omni（WebSocket与HTTP模式） 或 Qwen3 Omni（HTTP模式）。
实时模型和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（HTTP和WebSocket），包括Plus和Flash系列。模型自主决定是否搜索。
Qwen3-Omni-Flash和Livetranslate模型不支持此功能。
思考模式
当回答质量比延迟更重要时，使用Qwen3 Omni（HTTP模式）。模型在回复前会逐步推理，适用于视频分析、批量打标等场景。
思考模式下不支持生成语音。
翻译
以下模型系列均支持语音翻译：
Qwen3.5-Livetranslate：支持 60 种语言互译，其中 29 种支持音频+文本输出、31 种仅支持文本输出，覆盖中文、英语、法语、德语、俄语、日语、韩语、西班牙语、葡萄牙语、阿拉伯语等主流语种。。
Qwen3-Livetranslate：支持18种语言 + 5种中文方言，约3秒延迟，开箱即用。文件模式支持输入视频以获得上下文感知的翻译精度。其中7种语言仅输出文本（不输出语音）。
Qwen3.5-Omni：支持29种输出语言 + 7种中文方言。优秀的音视频理解能力和联网搜索。可通过系统提示词注入术语和领域上下文。支持实时和文件模式。
Qwen3-Omni-Flash：支持11种输出语言 + 8种中文方言。可通过系统提示词注入术语和领域上下文。支持实时和文件模式。成本更低。
快速搭建翻译应用推荐Livetranslate；最高质量和最广语言覆盖推荐Qwen3.5-Omni；成本敏感场景推荐Qwen3-Omni-Flash。
推荐模型
下表列出每个系列的常用入口模型。如需锁定特定日期版本（用于版本回归或稳定性需求），请见下方“所有模型”。
模型 | API | 输入 | Function Calling | 联网搜索 | 思考模式 | 翻译 |
| WebSocket | 文本、音频、图片 | 支持 | 支持 | -- | 29种 |
| HTTP | 文本、音频、图片、视频 | 支持 | 支持 | -- | 29种 |
| WebSocket | 文本、音频、图片 | 支持 | 支持 | -- | 29种 |
| HTTP | 文本、音频、图片、视频 | 支持 | 支持 | -- | 29种 |
| WebSocket | 文本、音频、图片、视频 | -- | -- | -- | 11种 |
| HTTP | 文本、音频、图片、视频 | 支持 | -- | 支持 | 11种 |
| WebSocket | 音频、图片 | -- | -- | -- | 60种 |
| HTTP | 音频、视频 | -- | -- | -- | 18种 |
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 | 支持 | 支持 | -- |
| WebSocket | 文本、音频、图片、视频 | 支持 | 支持 | -- |
| HTTP | 文本、音频、图片、视频 | 支持 | 支持 | -- |
| HTTP | 文本、音频、图片、视频 | 支持 | 支持 | -- |
| WebSocket | 文本、音频、图片、视频 | 支持 | 支持 | -- |
| WebSocket | 文本、音频、图片、视频 | 支持 | 支持 | -- |
| HTTP | 文本、音频、图片、视频 | 支持 | 支持 | -- |
| HTTP | 文本、音频、图片、视频 | 支持 | 支持 | -- |
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 | 支持 | -- | 支持 |
| HTTP | 文本、音频、图片、视频 | 支持 | -- | 支持 |
| HTTP | 文本、音频、图片、视频 | 支持 | -- | 支持 |
Qwen3.5-Livetranslate
模型 | API | 输入 | 语言数 |
| WebSocket | 音频 | 60 |
| WebSocket | 音频 | 60 |
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 |
下一步
选定模型后，参考对应的调用文档：
Qwen3.5-Omni / Qwen3-Omni（WebSocket，实时）→ 实时Qwen-Omni-Realtime
Qwen3.5-Omni / Qwen3-Omni（HTTP，文件）→ 非实时Qwen-Omni
Qwen3.5-Livetranslate（WebSocket，实时）→ 实时语音音视频翻译-千问
Qwen3-Livetranslate（HTTP，文件）→ 音视频文件翻译-千问