El modelo grande multimodal Qwen3-Omni-Flash, basado en la arquitectura Thinker–Talker Mixed Expert (MoE), admite la comprensión eficiente y la generación de voz de texto, imágenes, audio y video. Puede interactuar con texto en 119 idiomas y voz en 20 idiomas, generando voz similar a la humana para una comunicación precisa entre idiomas. El modelo cuenta con potentes capacidades de seguimiento de instrucciones y personalización de prompts del sistema, adaptándose flexiblemente a estilos conversacionales y configuraciones de personajes. Se utiliza ampliamente en escenarios como creación de texto, asistentes de voz y análisis multimedia, proporcionando una experiencia de interacción multimodal natural y fluida.
Proveedor de servicios de inferencia
El proveedor de servicios de inferencia para qwen3-omni-flash es Alibaba Cloud Model Studio.
Capacidades del modelo
- China (Beijing)
- Singapore
| Capacidad | Compatibilidad | Capacidad | Compatibilidad |
|---|---|---|---|
Modalidad de entrada | Text Image Video Audio | Modalidad de salida | Text Audio |
Experiencia del modelo | Compatible | Llamada a funciones | Compatible |
Salidas estructuradas | No compatible | Búsqueda web | No compatible |
Completado de prefijo | No compatible | Almacenamiento en caché de contexto | No compatible |
Batch Inference | No compatible | Ajuste fino | No compatible |
Límites de contexto
| Parámetro | Valor | Parámetro | Valor |
|---|---|---|---|
Longitud máxima de entrada | 49152 | Longitud máxima de salida | 16384 |
Ventana de contexto | 65536 | Longitud máxima de entrada (Modo de pensamiento) | 16384 |
Longitud máxima de salida (Modo de pensamiento) | 16384 | Longitud máxima de cadena de pensamiento | 32768 |
Precios
Esta página solo muestra los precios originales para las llamadas a la API del modelo, excluyendo cualquier promoción por tiempo limitado. Visite Model Studio Console para ver ofertas promocionales.
- China (Beijing)
- Singapore
| Concepto de facturación | Precio (USD) | Unidad |
|---|---|---|
Entrada: Texto | 0.258 | Por 1M tokens |
Entrada: Audio | 2.265 | Por 1M tokens |
Entrada: Visión | 0.473 | Por 1M tokens |
Salida: Texto (Cuando la entrada contiene solo texto) | 0.989 | Por 1M tokens |
Salida: Texto (Cuando la entrada contiene imágenes/audio/video) | 1.821 | Por 1M tokens |
Salida: Texto y Audio (El texto de salida no tiene costo) | 8.974 | Por 1M tokens |
Entrada: Texto(Pensamiento) | 0.258 | Por 1M tokens |
Entrada: Audio(Pensamiento) | 2.265 | Por 1M tokens |
Entrada: Visión(Pensamiento) | 0.473 | Por 1M tokens |
Salida: Texto (en modo pensamiento, cuando la entrada contiene solo texto) | 0.989 | Por 1M tokens |
Salida: Texto (en modo pensamiento, cuando la entrada contiene imágenes/audio/video) | 1.821 | Por 1M tokens |
Límites de tasa
- China (Beijing)
- Singapore
| Parámetro | Valor |
|---|---|
RPM (Solicitudes por minuto) | 60 |
TPM (Tokens por minuto) | 100,000 |