qwen3-omni-30b-a3b-captioner
qwen3-omni-30b-a3b-captioner
阿里云 · 更新于 2025-09-17
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。
核心参数
| 厂商 | 阿里云 |
|---|---|
| 分类 | 音频生成 |
| 更新时间 | 2025-09-17 |
| 标签 | 语音识别、最新发布 |
模型定价
输入
15.8 元/百万 tokens
输出
12.7 元/百万 tokens
模型能力
| 输入类型 | 音频 |
|---|---|
| 输出类型 | 文本 |
| Function Call | 否 |
| 模型精调 | 否 |
| 结构化输出 | 否 |
模型参数
| 上下文窗口 | 64K |
|---|---|
| 模型更新时间 | 2025-09-17 |
| 最大输入 Token | 32K |
| 最大生成 Token | 32K |
| TPM | 100K |
| 典型场景 | 影视制作 |
基准测试得分
以下是在各种标准基准测试中的表现，评估模型在不同任务和领域的能力。
AIME
衡量高难度数学竞赛问题解决能力
64