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。
从闭源模型迁移到百炼?
如果你正在使用 OpenAI Realtime 或 Gemini Live，可参考下表选择百炼对位模型。
闭源模型代表 | 百炼推荐 | |
|---|---|---|
高能力实时对话 | OpenAI GPT Realtime、Gemini 3.1 Live |
|
成本敏感对话 | OpenAI gpt-4o-mini Realtime |
|
实时翻译 / 同传 | Gemini 3.1 Live |
|
说明本文档面向“语音 → 语音”场景。视觉理解、音视频分析和内容审核等能力见全模态；其中视频分析、内容标注等需要推理并输出文本的场景，可参考 Qwen3.8-Omni-Flash。
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。
- 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 |
| Chat Completions |
语义 VAD 语音助手 / 智能客服（支持 Function Calling） |
| WebSocket |
S2S 单模型的附带能力
以下介绍语音交互中的工具调用、联网搜索及文本推理能力。
Function Calling
根据音视频内容查询知识库、查询日程或触发工作流，可使用 Qwen-Audio Realtime（WebSocket）。
联网搜索
需要检索实时信息并生成语音回复时，可使用 Qwen3.5-Omni（HTTP 和 WebSocket，Plus 和 Flash 系列）。模型自主决定是否搜索。Qwen-Audio Realtime 不支持此功能。
说明Qwen3-Omni-Flash 和 Livetranslate 模型不支持此功能。
思考模式
说明Qwen3-Omni-Flash 在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：
- Qwen3.8-Livetranslate：支持 60 种源语言和 29 种语言的语音输出，支持音频与图像输入。详见模型信息。
- 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。
说明快速搭建翻译应用可选择 Livetranslate；需要离线语音输出、联网搜索和术语注入时，可选择 Qwen3.5-Omni。
支持的语言
语言 | Qwen3.5-Livetranslate | Qwen3-Livetranslate | Qwen3.5-Omni | Qwen3-Omni-Flash |
|---|---|---|---|---|
英语 | 支持 | 支持 | 支持 | 支持 |
中文（普通话） | 支持 | 支持 | 支持 | 支持 |
粤语 | 仅文本 | 支持 | 支持 | 支持 |
四川话 | 支持 | 支持 | 支持 | 支持 |
上海话 | 支持 | 支持 | 支持 | 支持 |
北京话 | 支持 | 支持 | 支持 | 支持 |
天津话 | 支持 | 支持 | 支持 | 支持 |
南京话 | -- | -- | 支持 | 支持 |
陕西话 | -- | -- | 支持 | 支持 |
闽南语 | -- | -- | 支持 | 支持 |
法语 | 支持 | 支持 | 支持 | 支持 |
德语 | 支持 | 支持 | 支持 | 支持 |
俄语 | 支持 | 支持 | 支持 | 支持 |
意大利语 | 支持 | 支持 | 支持 | 支持 |
西班牙语 | 支持 | 支持 | 支持 | 支持 |
葡萄牙语 | 支持 | 支持 | 支持 | 支持 |
日语 | 支持 | 支持 | 支持 | 支持 |
韩语 | 支持 | 支持 | 支持 | 支持 |
泰语 | 支持 | 仅文本 | 支持 | 支持 |
印尼语 | 支持 | 仅文本 | 支持 | -- |
越南语 | 支持 | 仅文本 | 支持 | -- |
阿拉伯语 | 支持 | 仅文本 | 支持 | -- |
印地语 | 支持 | 仅文本 | 支持 | -- |
土耳其语 | 支持 | 仅文本 | 支持 | -- |
芬兰语 | 支持 | -- | 支持 | -- |
波兰语 | 支持 | -- | 支持 | -- |
荷兰语 | 支持 | -- | 支持 | -- |
捷克语 | 支持 | -- | 支持 | -- |
乌尔都语 | 支持 | -- | 支持 | -- |
他加禄语 | 支持 | -- | 支持 | -- |
瑞典语 | 支持 | -- | 支持 | -- |
丹麦语 | 支持 | -- | 支持 | -- |
希伯来语 | 支持 | -- | 支持 | -- |
冰岛语 | 支持 | -- | 支持 | -- |
马来语 | 支持 | -- | 支持 | -- |
挪威语 | 支持 | -- | 支持 | -- |
波斯语 | 支持 | -- | 支持 | -- |
希腊语 | 仅文本 | 仅文本 | -- | -- |
南非荷兰语 | 仅文本 | -- | -- | -- |
阿斯图里亚斯语 | 仅文本 | -- | -- | -- |
白俄罗斯语 | 仅文本 | -- | -- | -- |
保加利亚语 | 仅文本 | -- | -- | -- |
孟加拉语 | 仅文本 | -- | -- | -- |
波斯尼亚语 | 仅文本 | -- | -- | -- |
加泰罗尼亚语 | 仅文本 | -- | -- | -- |
宿务语 | 仅文本 | -- | -- | -- |
爱沙尼亚语 | 仅文本 | -- | -- | -- |
加利西亚语 | 仅文本 | -- | -- | -- |
古吉拉特语 | 仅文本 | -- | -- | -- |
克罗地亚语 | 仅文本 | -- | -- | -- |
匈牙利语 | 仅文本 | -- | -- | -- |
爪哇语 | 仅文本 | -- | -- | -- |
哈萨克语 | 仅文本 | -- | -- | -- |
卡纳达语 | 仅文本 | -- | -- | -- |
柯尔克孜语 | 仅文本 | -- | -- | -- |
拉脱维亚语 | 仅文本 | -- | -- | -- |
马其顿语 | 仅文本 | -- | -- | -- |
马拉雅拉姆语 | 仅文本 | -- | -- | -- |
马拉地语 | 仅文本 | -- | -- | -- |
旁遮普语 | 仅文本 | -- | -- | -- |
罗马尼亚语 | 仅文本 | -- | -- | -- |
斯洛伐克语 | 仅文本 | -- | -- | -- |
斯洛文尼亚语 | 仅文本 | -- | -- | -- |
斯瓦希里语 | 仅文本 | -- | -- | -- |
塔吉克语 | 仅文本 | -- | -- | -- |
阿塞拜疆语 | 仅文本 | -- | -- | -- |
乌克兰语 | 仅文本 | -- | -- | -- |
"支持"表示同时输出语音和文本。"仅文本"表示该语言不输出语音。
Qwen3.5-Omni支持113种输入语言/方言。
Qwen3.5-Livetranslate支持60种语言（29种音频+文本，31种仅文本）。
旧版qwen-omni-turbo仅支持中文和英文。
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 | 适用场景 |
|---|---|---|
qwen3.5-omni-plus-realtime / qwen3.5-omni-flash-realtime | WebSocket | 实时音视频对话 |
qwen-audio-3.0-realtime-plus / qwen-audio-3.0-realtime-flash | WebSocket | 实时语音对话 |
qwen3.5-omni-plus / qwen3.5-omni-flash | Chat Completions | 离线语音输出 |
qwen3.8-livetranslate-flash-realtime | WebSocket | 实时翻译 |
qwen3-livetranslate-flash | Chat Completions | 音视频文件翻译 |
所有模型
Qwen-Audio
模型 | API | 输入 | Function Calling | 联网搜索 | 思考模式 | 翻译 |
|---|---|---|---|---|---|---|
| WebSocket | 音频、文本 | 支持 | -- | -- | -- |
| WebSocket | 音频、文本 | 支持 | -- | -- | -- |
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 | -- |
| Chat Completions | 文本、音频、图片、视频 | 支持（北京，文本输出） | 支持 | -- |
| Chat Completions | 文本、音频、图片、视频 | 支持（北京，文本输出） | 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 | -- |
| Chat Completions | 文本、音频、图片、视频 | 支持（北京，文本输出） | 支持 | -- |
| Chat Completions | 文本、音频、图片、视频 | 支持（北京，文本输出） | 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 | -- | -- | -- |
| Chat Completions | 文本、音频、图片、视频 | 支持 | -- | 支持 |
| Chat Completions | 文本、音频、图片、视频 | 支持 | -- | 支持 |
| Chat Completions | 文本、音频、图片、视频 | 支持 | -- | 支持 |
Qwen3.8-Livetranslate
模型 | API | 输入 | 语言数 |
|---|---|---|---|
WebSocket | 音频、图片 | 60 |
Qwen3.5-Livetranslate
模型 | API | 输入 | 语言数 |
|---|---|---|---|
| WebSocket | 音频、图片 | 60 |
| WebSocket | 音频 | 60 |
Qwen3-Livetranslate
模型 | API | 输入 | 语言数 |
|---|---|---|---|
| WebSocket | 音频 | 18 |
| WebSocket | 音频 | 18 |
| Chat Completions | 音频、视频 | 18 |
| Chat Completions | 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：
- Qwen-Audio Realtime（WebSocket，实时语音对话）→ 实时语音对话（Qwen-Audio-Realtime）
- Qwen3.5-Omni / Qwen3-Omni（WebSocket，实时）→ 实时（Qwen-Omni-Realtime）
- Qwen3.5-Omni（HTTP，离线语音输出）→ 非实时（Qwen-Omni）
- Qwen3.8-Livetranslate / Qwen3.5-Livetranslate（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