音频生成
音频生成 （9 个模型）
Qwen3 LiveTranslate Flash
Qwen3-LiveTranslate-Flash 是阿里通义多语言实时音视频同传模型，基于 Qwen3-Omni 基座，支持 18 种语言及方言的离线/实时翻译，3 秒低延迟。
qwen3-livetranslate-flaltimeash-re-2025-09-22
Qwen3-LiveTranslate-Flash 是阿里通义千问推出的多语言实时音视频同传模型，基于 Qwen3-Omni 基座，融合多模态数据训练。支持 18 种语言及方言的离线/实时翻译，3 秒低延迟，视觉增强技术提升复杂场景准确性，优于主流模型。适用于国际会议、远程教学、跨国协作等场景。
Qwen3 Omni 30B Captioner
Qwen3-Omni-30B-A3B-Captioner 是阿里开源的音频精细字幕模型，音频输入转文本输出，特点是详细且低幻觉的音频描述。
qwen3-omni-30b-a3b-captioner
Qwen3-Omni-30B-A3B-Captioner 是阿里开源的音频精细字幕模型，从 Instruct 微调而来，音频输入转文本输出，特点是详细且低幻觉的音频描述，适用于音视频内容分析、无障碍服务、智能剪辑等场景。
Qwen3 TTS Flash Realtime
Qwen3-TTS-Flash-Realtime 是阿里通义实时文本转语音模型，首包延迟 97ms，支持 17 种音色、10 种语言及 17 种方言。
Qwen3 TTS Flash
Qwen3-TTS-Flash 是阿里通义推出的文本转语音模型，支持 10 种语言、17 种音色及 9 种中文方言，可智能调节语气，首包延迟 97ms，适用于智能客服、有声创作、语音助手等场景。
qwen3-asr-flash
Qwen3-ASR-Flash 是阿里通义千问推出的语音识别模型，支持 19 种语音输入（含 5 种中文方言）和 11 种语言，具备低延迟流式处理能力，适用于语音助手、字幕生成、多模态对话等场景，中英文识别错误率低于 GPT-4o-transcribe，提供 10 小时免费额度。
qwen-tts-realtime
qwen-tts-realtime 是阿里云推出的实时语音合成模型，支持流式文本输入与音频输出，低延迟，7 种拟人音色，可合成中文、英文，适用于交互式语音应用。
qwen-tts
Qwen-TTS 是阿里云推出的高性能语音合成模型，可将文本转为自然语音。其特点为高自然度，能模拟真人情感语调；支持中英双语及北京、上海、四川方言；提供 7 种音色。适用于有声内容创作、智能客服等场景。