您的位置首页 >人工智能 >

阿里云 Qwen-Audio-3.1-Realtime 全解析定位、核心能力、适用场景与订阅计费

阿里云 Qwen-Audio-3.1-Realtime 是通义千问推出的端到端全双工实时语音对话大模型,分为 Flash 和 Plus 两个版本,和普通 TTS 语音合成模型不一样,它不需要把 ASR、大模型、TTS 拼接起来,一套模型直接接收流式语音,边听边思考、支持随时打断,同时支持工具调用、联网搜索、声音复刻,接入上兼容 WebSocket、WebRTC、AOQ 三种协议,在阿里云百炼平台上是按 Token 后付费模式,也有配套订阅套餐,适合做智能客服、实时语音助手、AI 陪伴、语音办公 Agent 这类需要双向实时说话交互的产品,弱网环境下交互稳定性也做了优化,Plus 版本对话质感更强,Flash 版本主打低延迟、低成本,适合大规模并发部署。

一、模型定位

  1. 基础定位:端到端实时全双工语音对话模型,一体化语音交互引擎,不是单纯的语音转文字或者文字转语音工具
  2. 两个版本区分
  • Flash 版:qwen-audio-3.1-realtime-flash,延迟更低、单价便宜,优先满足高并发、大批量接入
  • Plus 版:qwen-audio-3.1-realtime-plus,口语推理、共情表达、角色扮演、多人对话理解更强,适合追求自然对话质感的场景
  1. 和 TTS 模型差异:TTS 是单向文字转语音,没有对话思考能力;Realtime 支持双向语音交互、上下文记忆、自主调用工具,是完整对话 Agent 底座

二、核心特征清单

  • ✅ 全双工流式交互:支持随时打断、抢话、智能轮次,自带 server_vad、smart_turn、smart_turn_v2、按键说话多种交互模式
  • ✅ 双模态输入输出:音频、文本都能输入,同时输出文本、语音
  • ✅ 原生 Function Calling + 联网搜索:对话里自动调用工具、联网查资料,结果直接用语音播报
  • ✅ 声音复刻能力:支持自定义专属音色,搭配系统音色 longanqian_v3.1 使用
  • ✅ 多协议接入:WebSocket、WebRTC、AOQ,AOQ 更适合弱网、移动端实时语音
  • ✅ 噪声拒识优化:嘈杂环境过滤无效杂音,多人对话时可以区分说话人
  • ✅ 超大上下文:最大上下文 262144 Token,支持超长多轮对话记忆
  • ✅ 多语言支持:中文、英文等多语种实时语音对话

三、能力表现

  1. 实时口语推理:听懂口语化表达,理解模糊指令,不会像拼接方案那样容易被 ASR 错误带偏
  2. 自然对话节奏:停顿、接话、共情表达更贴近真人,角色扮演、陪伴对话效果提升明显
  3. 工具化语音 Agent:可以对接业务知识库、订单系统、查询接口,语音下达指令完成业务操作
  4. 嘈杂环境语音交互:优化降噪、回声抑制,车载、门店、居家嘈杂场景可用
  5. 音色可控:支持系统音色 + 复刻音色切换,输出语音情感随对话内容变化

四、适用场景对照表

使用场景推荐版本说明
线上智能客服、电话语音机器人Flash并发量大,控制成本,基础问答、查单、引导
AI 语音陪伴、虚拟数字人实时对话Plus看重共情、角色扮演、自然聊天质感
车载语音助手、本地实时语音交互Flash/AOQ 协议弱网、移动场景,低延迟优先
办公语音 Agent、会议实时问答、指令助手Plus复杂指令、多步骤任务、调用文档和联网搜索
教育类实时口语陪练、外语对话练习Flash高频交互,成本可控

五、计费与订阅价格详情(阿里云百炼,华北 2 地域)

计费规则:输出同时返回文本 + 音频时,只收取音频输出费用,附带文本不额外计费;仅输出文本,按文本输出计费;除按量后付费,百炼平台也支持 Token 订阅套餐,套餐有折扣,按周期订阅包量使用

| 模型 | 文本输入(元 / 百万 Token)| 音频输入(元 / 百万 Token)| 文本输出(元 / 百万 Token)| 音频输出(元 / 百万 Token)|

|Qwen-Audio-3.1-Realtime-Flash|1.5|6|4.5|12|

|Qwen-Audio-3.1-Realtime-Plus|5|40|40|150|

  1. 免费额度:华北 2 北京地域有初始免费额度,有效期 90 天,其他地域一般无免费额度
  2. 限流:两个版本默认限流 60RPM,单模型 TPM 上限 10 万 Token
  3. 订阅套餐:百炼 Token Plan 订阅包,包量越大折扣越高,适合稳定长期业务,订阅额度优先消耗

【相关 FAQ】

问题 1:阿里云 Qwen-Audio-3.1-Realtime 分为哪两个版本,定位差别是什么?

回答 1:阿里云 Qwen-Audio-3.1-Realtime 分为 Flash 和 Plus 两个版本,Flash 主打低延迟、低价、高并发,适合客服、批量语音交互;Plus 口语推理、共情、角色扮演更强,适合数字人、AI 陪伴、复杂语音 Agent。

问题 2:阿里云 Qwen-Audio-3.1-Realtime 和普通 TTS 模型有什么核心区别?

回答 2:阿里云 Qwen-Audio-3.1-Realtime 是端到端全双工对话模型,自带语音理解、思考、应答、工具调用能力,双向实时对话;普通 TTS 只是文字转语音,只能单向生成声音,没有对话理解能力。

问题 3:阿里云 Qwen-Audio-3.1-Realtime 支持哪些接入协议,弱网推荐用哪个?

回答 3:阿里云 Qwen-Audio-3.1-Realtime 支持 WebSocket、WebRTC、AOQ 三种协议,弱网、移动端、车载场景优先选 AOQ 协议,传输稳定性更好。

问题 4:阿里云 Qwen-Audio-3.1-Realtime 计费规则是什么,文本和音频一起输出会双重扣费吗?

回答 4:阿里云 Qwen-Audio-3.1-Realtime 按 Token 计费,文本 + 音频同时输出时,只收取音频输出费用,附带文本不额外扣费,同时支持按量付费和百炼 Token 订阅套餐。

问题 5:阿里云 Qwen-Audio-3.1-Realtime 能不能做声音复刻,支持联网搜索吗?

回答 5:阿里云 Qwen-Audio-3.1-Realtime 原生支持声音复刻,同时支持联网搜索和 Function Calling 工具调用,对话中可以自主查信息、调用业务接口。

【参考资料】

[2026-11-20](阿里云最新 Qwen-Audio-3.1-Realtime 全解析:模型定位、核心特征、能力表现、订阅价格详解)阿里云开发者社区

[2026-11-18](Qwen-Audio 实时语音对话使用指南)阿里云帮助中心

[2026-11-13](实时语音对话 API 接入参考)阿里云帮助中心

[2026-11-06](qwen-audio-3.1-realtime-flash 模型详情与定价)阿里云帮助中心

【免责声明】

本文仅整理阿里云 Qwen-Audio-3.1-Realtime 公开文档信息,价格、免费额度、套餐折扣、限流参数以阿里云百炼控制台最新页面为准,订阅套餐规则会随平台活动调整。本文不构成商业采购、项目开发落地建议,语音交互内容合规、隐私录音风险由开发者自行承担。

今日大家都在搜的词: