Elija un modelo para conversación de voz, traducción de voz o interpretación simultánea.
Migrar desde modelos de código cerrado
Si utiliza un modelo de voz en tiempo real de OpenAI o Gemini, utilice la siguiente tabla para seleccionar un modelo de Bailian para el mismo caso de uso.
Ejemplos de código cerrado | Recomendación de Bailian | |
|---|---|---|
Conversación en tiempo real | OpenAI GPT-Live 1, Gemini 3.8 Live |
|
Conversación sensible a costos | OpenAI GPT-Realtime-2.1 Mini |
|
Traducción en tiempo real | Gemini 3.5 Live Translate (Vista previa) |
|
Esta página cubre voz a voz. Para comprensión visual, análisis de audio/video y moderación de contenido, consulte Omni-modal. Para tareas que requieren razonamiento y salida de texto, como análisis de video y etiquetado de contenido, consulte Qwen3.8-Omni-Flash.
S2S (voz a voz) frente a pipeline
Existen dos enfoques para crear aplicaciones de voz:
S2S | Pipeline (ASR + LLM + TTS) | |
|---|---|---|
Latencia | Baja: procesamiento de flujo de modelo único | Mayor: procesamiento serial de tres etapas |
Comprensión de audio | De extremo a extremo: percibe el tono y la emoción y responde en consecuencia | Convierte a texto antes de procesar, perdiendo señales sutiles de audio |
- Use S2S para baja latencia, respuestas conscientes del audio y conversación interactiva.
- Utilice un pipeline cuando want seleccionar modelos de ASR, LLM y TTS de forma independiente.
Esta página cubre el enfoque de modelo único S2S (series Omni, Qwen-Audio Realtime y Livetranslate). Para el enfoque de pipeline, seleccione cada componente por separado:
- ASR (reconocimiento de voz):Voz a texto
- LLM (modelo grande de lenguaje):Generación de texto
- TTS (texto a voz):Síntesis de voz
¿Modo en tiempo real o de archivo?
- Tiempo real: Asistentes de voz, centros de llamadas e interpretación simultánea. Transmite entrada de audio y salida de voz.
NotaRealtime API proporciona acceso mediante WebSocket, WebRTC y AOQ. Para obtener información sobre la compatibilidad con modelos y la selección de protocolos, consulte la Descripción general de Realtime API.
- Modo de archivo (HTTP): Mayor latencia pero mejor calidad. Ideal para doblaje de video, traducción de podcasts y procesamiento sin conexión. También admite llamada a funciones, búsqueda web, modo de pensamiento y contexto de video (consulte Capacidades complementarias a continuación).
Elija un modelo según el caso de uso (enfoque de modelo único S2S)
Todos los casos de uso a continuación utilizan el enfoque de modelo único S2S. Para el enfoque de pipeline, utilice las guías de ASR, LLM y TTS vinculadas anteriormente.
Caso de uso | Modelo recomendado | API |
|---|---|---|
Conversación de audio/video en tiempo real | API en tiempo real | |
Asistentes de voz y conversaciones de servicio al cliente |
| API en tiempo real |
Conversaciones sensibles al costo |
| API en tiempo real |
Interpretación simultánea y traducción en vivo |
| API en tiempo real |
Doblaje de video y traducción de podcasts |
| Chat Completions |
Asistentes de voz con VAD semántico y servicio al cliente inteligente (con soporte para Function Calling) |
| API en tiempo real |
Capacidades complementarias del enfoque de modelo único S2S
Las siguientes secciones cubren la llamada a herramientas, la búsqueda web y el razonamiento de texto en aplicaciones de voz.
Llamada a funciones
Para consultar bases de conocimiento, verificar programaciones o activar flujos de trabajo basados en contenido de audio/video, utilice Qwen3.8-Omni-Flash-Realtime o Qwen-Audio Realtime.
Búsqueda web
Para información actualizada con respuestas habladas, utilice Qwen3.8-Omni-Flash-Realtime o Qwen3.5-Omni-Realtime para conversaciones en tiempo real, o Qwen3.5-Omni (Chat Completions, tanto Plus como Flash) para llamadas basadas en archivos. El modelo decide autónomamente si buscar. Qwen-Audio Realtime 3.0 Plus/Flash y 3.1 Plus también admiten búsqueda web a través de enable_search. La búsqueda web y Function Calling no pueden habilitarse simultáneamente.
No compatible con Qwen3-Omni-Flash ni con el modelo Livetranslate.
Modo de pensamiento
Qwen3-Omni-Flash no admite la generación de voz en modo de pensamiento.
Traducción de voz
Las siguientes series de modelos admiten la traducción de voz:
- Qwen3.8-Livetranslate: Admite 60 idiomas de origen, salida de voz en 29 idiomas, y entrada de audio e imagen. Consulte Información del modelo.
- Qwen3.5-Livetranslate: 60 idiomas (29 con salida de audio y texto, 31 solo texto). Cubre chino, inglés, francés, alemán, ruso, japonés, coreano, español, portugués, árabe y más.
- Qwen3-Livetranslate: 18 idiomas y 5 dialectos chinos (~3 s de latencia). El modo de archivo acepta entrada de video para traducciones conscientes del contexto. 7 idiomas producen salida solo de texto.
- Qwen3.8-Omni-Flash-Realtime: Admite traducción de voz en tiempo real y los mismos 36 idiomas y dialectos de salida de voz que Qwen3.5-Omni-Realtime. Consulte la lista de voces para ver los idiomas admitidos por cada voz.
- Qwen3.5-Omni: 29 idiomas de salida y 7 dialectos chinos. Gran comprensión de audio/video y búsqueda web. Inyecte terminología y contexto de dominio mediante el prompt del sistema. Modos de tiempo real y de archivo.
- Qwen3-Omni-Flash: 11 idiomas de salida y 8 dialectos chinos. Inyecte terminología y contexto de dominio mediante el prompt del sistema. Modos de tiempo real y de archivo.
NotaUtilice Livetranslate para traducción lista para usar. Elija Qwen3.5-Omni para salida de voz sin conexión con búsqueda web e inyección de terminología.
Idiomas compatibles
Idioma | Qwen3.8 / 3.5-Livetranslate | Qwen3-Livetranslate | Qwen3.5-Omni | Qwen3-Omni-Flash |
|---|---|---|---|---|
Inglés | Compatible | Compatible | Compatible | Compatible |
Chino (mandarín) | Compatible | Compatible | Compatible | Compatible |
Cantonés | Solo texto | Compatible | Compatible | Compatible |
Dialecto de Sichuan | Compatible | Compatible | Compatible | Compatible |
Shanghainés | Compatible | Compatible | -- | Compatible |
Dialecto de Pekín | Compatible | Compatible | Compatible | Compatible |
Dialecto de Tianjin | Compatible | Compatible | Compatible | Compatible |
Dialecto de Nankín | -- | -- | Compatible | Compatible |
Dialecto de Shaanxi | -- | -- | Compatible | Compatible |
Dialecto minnan | -- | -- | Compatible | Compatible |
Francés | Compatible | Compatible | Compatible | Compatible |
Alemán | Compatible | Compatible | Compatible | Compatible |
Ruso | Compatible | Compatible | Compatible | Compatible |
Italiano | Compatible | Compatible | Compatible | Compatible |
Español | Compatible | Compatible | Compatible | Compatible |
Portugués | Compatible | Compatible | Compatible | Compatible |
Japonés | Compatible | Compatible | Compatible | Compatible |
Coreano | Compatible | Compatible | Compatible | Compatible |
Tailandés | Compatible | Solo texto | Compatible | Compatible |
Indonesio | Compatible | Solo texto | Compatible | -- |
Vietnamita | Compatible | Solo texto | Compatible | -- |
Árabe | Compatible | Solo texto | Compatible | -- |
Hindi | Compatible | Solo texto | Compatible | -- |
Turco | Compatible | Solo texto | Compatible | -- |
Finlandés | Compatible | -- | Compatible | -- |
Polaco | Compatible | -- | Compatible | -- |
Neerlandés | Compatible | -- | Compatible | -- |
Checo | Compatible | -- | Compatible | -- |
Urdu | Compatible | -- | Compatible | -- |
Tagalo | Compatible | -- | Compatible | -- |
Sueco | Compatible | -- | Compatible | -- |
Danés | Compatible | -- | Compatible | -- |
Hebreo | Compatible | -- | Compatible | -- |
Islandés | Compatible | -- | Compatible | -- |
Malayo | Compatible | -- | Compatible | -- |
Noruego | Compatible | -- | Compatible | -- |
Persa | Compatible | -- | Compatible | -- |
Griego | Solo texto | Solo texto | -- | -- |
Afrikáans | Solo texto | -- | -- | -- |
Asturiano | Solo texto | -- | -- | -- |
Bielorruso | Solo texto | -- | -- | -- |
Búlgaro | Solo texto | -- | -- | -- |
Bengalí | Solo texto | -- | -- | -- |
Bosnio | Solo texto | -- | -- | -- |
Catalán | Solo texto | -- | -- | -- |
Cebuano | Solo texto | -- | -- | -- |
Estonio | Solo texto | -- | -- | -- |
Gallego | Solo texto | -- | -- | -- |
Guyaratí | Solo texto | -- | -- | -- |
Croata | Solo texto | -- | -- | -- |
Húngaro | Solo texto | -- | -- | -- |
Javanés | Solo texto | -- | -- | -- |
Kazajo | Solo texto | -- | -- | -- |
Canarés | Solo texto | -- | -- | -- |
Kirguís | Solo texto | -- | -- | -- |
Letón | Solo texto | -- | -- | -- |
Macedonio | Solo texto | -- | -- | -- |
Malayalam | Solo texto | -- | -- | -- |
Maratí | Solo texto | -- | -- | -- |
Punyabí | Solo texto | -- | -- | -- |
Rumano | Solo texto | -- | -- | -- |
Eslovaco | Solo texto | -- | -- | -- |
Esloveno | Solo texto | -- | -- | -- |
Suajili | Solo texto | -- | -- | -- |
Tayiko | Solo texto | -- | -- | -- |
Azerbaiyano | Solo texto | -- | -- | -- |
Ucraniano | Solo texto | -- | -- | -- |
"Compatible" = salida de voz y texto. "Solo texto" = solo salida de texto, sin voz.
Qwen3.8-Omni-Flash-Realtime y Qwen3.5-Omni admiten 113 idiomas y dialectos de entrada.
Qwen3.8 / 3.5-Livetranslate admite 60 idiomas (29 con audio y texto, 31 solo texto).
Modelos recomendados
La tabla enumera el modelo de punto de entrada en cada serie. Para fijar una versión con fecha para pruebas de regresión o estabilidad, consulte Todos los modelos a continuación.
Modelo | API | Casos de uso |
|---|---|---|
qwen3.8-omni-flash-realtime | API en tiempo real | Conversación de audio/video en tiempo real |
qwen-audio-3.1-realtime-plus / qwen-audio-3.0-realtime-flash | API en tiempo real | Conversación de voz en tiempo real |
qwen3.5-omni-plus / qwen3.5-omni-flash | Chat Completions | Salida de voz sin conexión |
qwen3.8-livetranslate-flash-realtime | API en tiempo real | Traducción en tiempo real |
qwen3-livetranslate-flash | Chat Completions | Traducción de archivos de audio/video |
Todos los modelos
Qwen-Audio
Modelo | API | Entrada | Llamada de función | Búsqueda web | Modo de pensamiento | Traducción |
|---|---|---|---|---|---|---|
| API en tiempo real | audio, texto | Compatible | Compatible | -- | -- |
| API en tiempo real | audio, texto | Compatible | Compatible | -- | -- |
| API en tiempo real | audio, texto | Compatible | Compatible | -- | -- |
Qwen3.8-Omni
Modelo | API | Entrada | Llamada de función | Búsqueda web | Modo de pensamiento |
|---|---|---|---|---|---|
| API en tiempo real | Texto, audio, imagen, video | Compatible | Compatible | -- |
Para audio multicanal, salida de texto y audio, y uso de MCP, consulte la guía de tiempo real.
Qwen3.5-Omni
Modelo | API | Entrada | Llamada de función | Búsqueda web | Modo de pensamiento |
|---|---|---|---|---|---|
| API en tiempo real | Texto, audio, imagen, video | Compatible | Compatible | -- |
| API en tiempo real | Texto, audio, imagen, video | Compatible | Compatible | -- |
| Chat Completions | Texto, audio, imagen, video | Admitido (Pekín, salida de texto) | Compatible | -- |
| Chat Completions | Texto, audio, imagen, video | Admitido (Pekín, salida de texto) | Compatible | -- |
| API en tiempo real | Texto, audio, imagen, video | Compatible | Compatible | -- |
| API en tiempo real | Texto, audio, imagen, video | Compatible | Compatible | -- |
| Chat Completions | Texto, audio, imagen, video | Admitido (Pekín, salida de texto) | Compatible | -- |
| Chat Completions | Texto, audio, imagen, video | Admitido (Pekín, salida de texto) | Compatible | -- |
Qwen3-Omni
Modelo | API | Entrada | Llamada de función | Búsqueda web | Modo de pensamiento |
|---|---|---|---|---|---|
| WebSocket | Texto, audio, imagen, video | -- | -- | -- |
| Chat Completions | Texto, audio, imagen, video | Compatible | -- | Compatible |
Qwen3.8-Livetranslate
Modelo | API | Entrada | Idiomas |
|---|---|---|---|
API en tiempo real | Audio, imagen | 60 |
Qwen3.5-Livetranslate
Modelo | API | Entrada | Idiomas |
|---|---|---|---|
| API en tiempo real | Audio, imágenes | 60 |
| API en tiempo real | Audio | 60 |
Qwen3-Livetranslate
Modelo | API | Entrada | Idiomas |
|---|---|---|---|
| Chat Completions | Audio, video | 18 |
| Chat Completions | Audio, video | 18 |
Siguientes pasos
Documentación de la API por serie de modelos:
- Qwen-Audio Realtime (conversación de voz en tiempo real): Chat de audio en tiempo real (Qwen-Audio-Realtime)
- Qwen3.8-Omni-Flash-Realtime (tiempo real): Qwen-Omni-Realtime
- Qwen3.5-Omni (salida de voz sin conexión): Sin tiempo real (Qwen-Omni)
- Qwen3.8-Livetranslate / Qwen3.5-Livetranslate (tiempo real): Traducción de audio y video en tiempo real - Qwen
- Qwen3-Livetranslate (archivo): Traducción de archivos de audio y video (Qwen)