千问3-Omni-30b-a3b-Captioner是一款强大的音频细粒度分析模型，专为在复杂多变的音频场景中生成精准、全面的内容描述而设计，可自动解析并描述从复杂语音、环境声到音乐、影视声效等各类音频内容，能够在多声源、混合化的环境中亦保持稳定而可信的输出。
推理服务供应商
qwen3-omni-30b-a3b-captioner模型的推理服务供应商为阿里云百炼。
模型能力
| 能力项 | 支持情况 | 能力项 | 支持情况 |
|---|---|---|---|
输入模态 | Audio | 输出模态 | Text |
模型体验 | 不支持 | Function Calling | 不支持 |
结构化输出 | 不支持 | 联网搜索 | 不支持 |
前缀续写 | 不支持 | 上下文缓存 | 不支持 |
批量推理 | 不支持 | 模型调优 | 不支持 |
上下文限制
| 参数 | 值 | 参数 | 值 |
|---|---|---|---|
最大输入长度 | 32768 | 最大输出长度 | 32768 |
上下文长度 | 65536 |
模型价格
本文仅展示模型调用原价，不包含限时优惠等活动信息，请前往百炼控制台查看活动优惠。
- 华北2（北京）
- 新加坡
| 计费项 | 价格（美元） | 单位 |
|---|---|---|
输入：音频 | 2.265 | 每百万tokens |
输出：文本（输入包含图片/音频/视频时） | 1.821 | 每百万tokens |
限流
- 华北2（北京）
- 新加坡
| 参数 | 值 |
|---|---|
RPM（每分钟请求数） | 60 |
TPM（每分钟tokens） | 100,000 |