Thinker-Talker 混合エキスパート (MoE) アーキテクチャに基づくマルチモーダル大規模モデル qwen3-omni-flash は、テキスト、画像、音声、動画の効率的な理解と音声生成をサポートします。119 言語のテキストと 20 言語の音声で対話でき、人間のような音声を生成して正確なクロスリンガルコミュニケーションを実現します。このモデルは、強力なコマンドフォロー機能とシステムプロンプトのカスタマイズ機能を備えており、対話スタイルやキャラクター設定に柔軟に対応します。テキスト作成、音声アシスタント、マルチメディア分析などのシナリオで広く使用され、自然でスムーズなマルチモーダルインタラクション体験を提供します。
推論サービスプロバイダー
qwen3-omni-flash の推論サービスプロバイダーは Alibaba Cloud Model Studio です。
モデルの機能
- 中国 (北京)
- シンガポール
| 機能 | サポート | 機能 | サポート |
|---|---|---|---|
入力モダリティ | テキスト 画像 動画 音声 | 出力モダリティ | テキスト 音声 |
モデル体験 | サポート済み | Function Calling | サポート済み |
構造化出力 | 非サポート | Web 検索 | 非サポート |
プレフィックス補完 | 非サポート | コンテキストキャッシュ | 非サポート |
バッチ推論 | 非サポート | ファインチューニング | 非サポート |
コンテキスト制限
| パラメーター | 値 | パラメーター | 値 |
|---|---|---|---|
最大入力長 | 49152 | 最大出力長 | 16384 |
コンテキストウィンドウ | 65536 | 最大入力長 (思考モード) | 16384 |
最大出力長 (思考モード) | 16384 | 最大思考チェーン長 | 32768 |
料金
このページでは、期間限定のプロモーションを除き、モデル API 呼び出しの元の料金のみを表示します。プロモーションオファーについては、Model Studio コンソールをご参照ください。
- 中国 (北京)
- シンガポール
| 課金項目 | 価格 (USD) | 単位 |
|---|---|---|
入力： テキスト | 0.258 | 100 万トークンあたり |
入力： 音声 | 2.265 | 100 万トークンあたり |
入力： ビジョン | 0.473 | 100 万トークンあたり |
出力： テキスト (入力にテキストのみが含まれる場合) | 0.989 | 100 万トークンあたり |
出力： テキスト (入力に画像/音声/動画が含まれる場合) | 1.821 | 100 万トークンあたり |
出力： テキスト & 音声 (出力テキストは課金されません) | 8.974 | 100 万トークンあたり |
入力： テキスト (思考) | 0.258 | 100 万トークンあたり |
入力： 音声 (思考) | 2.265 | 100 万トークンあたり |
入力： ビジョン (思考) | 0.473 | 100 万トークンあたり |
出力： テキスト (思考モード、入力にテキストのみが含まれる場合) | 0.989 | 100 万トークンあたり |
出力： テキスト (思考モード、入力に画像/音声/動画が含まれる場合) | 1.821 | 100 万トークンあたり |
レート制限
- 中国 (北京)
- シンガポール
| パラメーター | 値 |
|---|---|
RPM (1 分あたりのリクエスト数) | 60 |
TPM (1 分あたりのトークン数) | 100,000 |