音频模型

精品音色语音合成，风格指令精准遵循。 内联情绪标签逐字控制，零提示词捕捉角色气质。

qwen3.5-omni-flash 是 阿里巴巴 推出的模型，支持文本、图片、视频、音频输入并输出文本，适用于文本理解与生成。

qwen3.5-omni-plus 是 阿里巴巴 推出的模型，支持文本、图片、视频、音频输入并输出文本，适用于文本理解与生成。

qwen3.5-omni-flash-realtime 是 阿里巴巴 推出的模型，支持文本、图片、视频、音频输入并输出文本、音频，适用于实时多模态交互。

qwen3.5-omni-plus-realtime 是 阿里巴巴 推出的模型，支持文本、图片、视频、音频输入并输出文本、音频，适用于实时多模态交互。

qwen3.5-omni-flash-2026-03-15 是 阿里巴巴 推出的模型，支持文本、图片、视频、音频输入并输出文本，适用于文本理解与生成。

qwen3.5-omni-plus-2026-03-15 是 阿里巴巴 推出的模型，支持文本、图片、视频、音频输入并输出文本，适用于文本理解与生成。

千问实时语音对话大模型3.0 是一款登顶全球权威评测的下一代实时双工语音大模型，它在全球权威第三方评测平台 Artificial Analysis Speech-to-Speech子项中取得综合排名第一。千问实时语音对话大模型3.0兼顾了模型智商与双工对话节奏,在保持流畅、自然的实时交互体验的同时,语音推理能力不打折扣;并通过并行推理和全向流式等工程优化,将端到端响应时延控制在低水平,实现"又快又聪明"的对话体验。极速版更注重极致的响应速度

千问实时语音大模型 是一款登顶全球权威评测的下一代实时双工语音大模型，它在全球权威第三方评测平台 Artificial Analysis Speech-to-Speech子项中取得综合排名第一。千问实时语音大模型 兼顾了模型智商与双工对话节奏,在保持流畅、自然的实时交互体验的同时,语音推理能力不打折扣;并通过并行推理和全向流式等工程优化,将端到端响应时延控制在低水平,实现"又快又聪明"的对话体验。标准版更注重高质量的回复结果。

Qwen-Audio-3.0-TTS-Flash是面向实时交互场景优化的高性能语音合成大模型。相比前一版本，模型支持更多小语种和中文方言，提升了方言发音的正宗程度，并增强了 free-style 指令遵循能力和细粒度标签控制能力，可更灵活地控制情绪、语气、角色、语速、音量等表达方式。同时，模型在噪声、混响等复杂声学条件下具备更强鲁棒性，提升了音质、清晰度和整体表现力。Flash 版本重点优化实时合成体验，适用于语音助手、实时对话、智能客服等低延迟交互场景。

Qwen-Audio-3.0-TTS-Plus是面向高质量语音生成场景打造的高性能语音合成大模型。相比前一版本，模型支持更多小语种和中文方言，显著提升方言发音的正宗程度，并增强了 free-style 指令遵循能力和细粒度标签控制能力，可更准确地控制情绪、语气、角色、语速、音量和合成风格。同时，模型在噪声、混响等复杂声学条件下具备更强鲁棒性，进一步提升了音质、清晰度、分辨率和整体表现力。Plus 版本更强调合成效果和细节表现，适用于有更高音质、自然度和表现力要求的专业场景，如内容创作、有声书、影视配音、品牌声音设计和高品质语音服务。