語音轉語音
為“語音輸入 → 語音輸出”情境（語音對話、語音翻譯、同聲傳譯等）選擇模型。
從閉源模型遷移到百鍊?
如果你正在使用 OpenAI Realtime 或 Gemini Live，可參考下表選擇百鍊對位模型。
閉源模型代表 |
百鍊推薦 |
|
高能力即時對話 |
OpenAI GPT Realtime、Gemini 3.1 Live |
|
成本敏感對話 |
OpenAI gpt-4o-mini Realtime |
|
即時翻譯 / 同傳 |
Gemini 3.1 Live |
|
本文檔面向“語音 → 語音”情境。如需視覺理解、音視頻分析、內容審核等更廣泛的多模態能力，請參考全模態。
S2S（Speech-to-Speech）與Pipeline對比
構建語音應用有兩種方式：
|
S2S |
Pipeline（ASR + LLM + TTS） |
|
|
延遲 |
低 -- 單模型串流 |
較高 -- 3個階段串列處理 |
|
音頻理解 |
端到端 -- 能感知語調、情緒並做出相應回應 |
先轉文本再處理 -- 音頻中的細微資訊丟失 |
|
音色定製 |
通過系統提示詞選擇預設音色 |
聲音複製、聲音設計（CosyVoice） |
-
使用S2S：當互動式對話、低延遲和音頻感知的回複是關鍵需求時。
-
使用Pipeline：當需要自訂音色，或者需要為每個階段分別選擇最優的ASR、LLM和TTS模型時。
本文檔繼續介紹 S2S 單模型路線（Omni、Livetranslate）。如選擇 Pipeline 路線，分別在以下文檔中挑選三個組件：
即時還是檔案模式？
-
即時（WebSocket）：適用於語音助手、話務中心、同聲傳譯等即時語音互動情境。音頻流式輸入，語音流式輸出。模型名稱中包含
-realtime。 -
檔案模式（HTTP）：可以用延遲換取更好的效果，適用於視頻配音、播客翻譯、離線內容處理等情境。檔案模式下還支援 Function Calling、連網搜尋、思考模式、視頻上下文等附帶能力（詳見下方“S2S 單模型的附帶能力”）。
按情境選模型（S2S 單模型路線）
以下情境均針對 S2S 單模型路線。Pipeline 路線請按上述連結分別在 ASR / LLM / TTS 文檔中選型。
|
情境 |
推薦模型 |
API |
|
語音助手 / 客服對話 |
|
WebSocket |
|
成本敏感的對話 |
|
WebSocket |
|
同聲傳譯 / 直播翻譯 |
|
WebSocket |
|
視頻配音 / 播客翻譯 |
|
HTTP |
|
視頻分析 / 批量打標（需要思考模式） |
|
HTTP |
S2S 單模型的附帶能力
以下能力由 Qwen3.5-Omni / Qwen3-Omni 模型在 S2S 單模型路線下直接提供。Pipeline 路線中，對應能力需要由其中的 LLM 等組件分別支援。
Function Calling
讓模型根據聽到和看到的內容執行操作 -- 查詢知識庫、查詢議程、觸發工作流程。使用Qwen3.5 Omni（WebSocket與HTTP模式） 或 Qwen3 Omni（HTTP模式）。
即時模型和Livetranslate模型不支援此功能。
連網搜尋
讓模型檢索即時資訊，回答關於時事、股價、天氣等問題。使用Qwen3.5 Omni（HTTP和WebSocket），包括Plus和Flash系列。模型自主決定是否搜尋。
Qwen3-Omni-Flash和Livetranslate模型不支援此功能。
思考模式
當回答品質比延遲更重要時，使用Qwen3 Omni（HTTP模式）。模型在回複前會逐步推理，適用於視頻分析、批量打標等情境。
思考模式下不支援產生語音。
翻譯
以下模型系列均支援語音翻譯：
-
Qwen3.5-Livetranslate：支援 60 種語言互譯，其中 29 種支援音頻+文本輸出、31 種僅支援文本輸出，覆蓋中文、英語、法語、德語、俄語、日語、韓語、西班牙語、葡萄牙語、阿拉伯語等主流語種。。
-
Qwen3-Livetranslate：支援18種語言 + 5種中文方言，約3秒延遲，開箱即用。檔案模式支援輸入視頻以獲得上下文感知的翻譯精度。其中7種語言僅輸出文本（不輸出語音）。
-
Qwen3.5-Omni：支援29種輸出語言 + 7種中文方言。優秀的音視頻理解能力和連網搜尋。可通過系統提示詞注入術語和領網域內容。支援即時和檔案模式。
-
Qwen3-Omni-Flash：支援11種輸出語言 + 8種中文方言。可通過系統提示詞注入術語和領網域內容。支援即時和檔案模式。成本更低。
快速搭建翻譯應用推薦Livetranslate；最高品質和最廣語言覆蓋推薦Qwen3.5-Omni；成本敏感情境推薦Qwen3-Omni-Flash。
推薦模型
下表列出每個系列的常用入口模型。如需鎖定特定日期版本（用於版本迴歸或穩定性需求），請見下方“所有模型”。
|
模型 |
API |
輸入 |
Function Calling |
連網搜尋 |
思考模式 |
翻譯 |
|
|
WebSocket |
文本、音頻、圖片 |
支援 |
支援 |
-- |
29種 |
|
|
HTTP |
文本、音頻、圖片、視頻 |
支援 |
支援 |
-- |
29種 |
|
|
WebSocket |
文本、音頻、圖片 |
支援 |
支援 |
-- |
29種 |
|
|
HTTP |
文本、音頻、圖片、視頻 |
支援 |
支援 |
-- |
29種 |
|
|
WebSocket |
文本、音頻、圖片、視頻 |
-- |
-- |
-- |
11種 |
|
|
HTTP |
文本、音頻、圖片、視頻 |
支援 |
-- |
支援 |
11種 |
|
|
WebSocket |
音頻、圖片 |
-- |
-- |
-- |
60種 |
|
|
HTTP |
音頻、視頻 |
-- |
-- |
-- |
18種 |
所有模型
Qwen3.5-Omni
|
模型 |
API |
輸入 |
Function Calling |
連網搜尋 |
思考模式 |
|
|
WebSocket |
文本、音頻、圖片、視頻 |
支援 |
支援 |
-- |
|
|
WebSocket |
文本、音頻、圖片、視頻 |
支援 |
支援 |
-- |
|
|
HTTP |
文本、音頻、圖片、視頻 |
支援 |
支援 |
-- |
|
|
HTTP |
文本、音頻、圖片、視頻 |
支援 |
支援 |
-- |
|
|
WebSocket |
文本、音頻、圖片、視頻 |
支援 |
支援 |
-- |
|
|
WebSocket |
文本、音頻、圖片、視頻 |
支援 |
支援 |
-- |
|
|
HTTP |
文本、音頻、圖片、視頻 |
支援 |
支援 |
-- |
|
|
HTTP |
文本、音頻、圖片、視頻 |
支援 |
支援 |
-- |
Qwen3-Omni
|
模型 |
API |
輸入 |
Function Calling |
連網搜尋 |
思考模式 |
|
|
WebSocket |
文本、音頻、圖片、視頻 |
-- |
-- |
-- |
|
|
WebSocket |
文本、音頻、圖片、視頻 |
-- |
-- |
-- |
|
|
WebSocket |
文本、音頻、圖片、視頻 |
-- |
-- |
-- |
|
|
HTTP |
文本、音頻、圖片、視頻 |
支援 |
-- |
支援 |
|
|
HTTP |
文本、音頻、圖片、視頻 |
支援 |
-- |
支援 |
|
|
HTTP |
文本、音頻、圖片、視頻 |
支援 |
-- |
支援 |
Qwen3.5-Livetranslate
|
模型 |
API |
輸入 |
語言數 |
|
|
WebSocket |
音頻 |
60 |
|
|
WebSocket |
音頻 |
60 |
Qwen3-Livetranslate
|
模型 |
API |
輸入 |
語言數 |
|
|
WebSocket |
音頻 |
18 |
|
|
WebSocket |
音頻 |
18 |
|
|
HTTP |
音頻、視頻 |
18 |
|
|
HTTP |
音頻、視頻 |
18 |
舊版模型
以下模型不再更新，新專案提案使用Qwen3.5-Omni。
|
模型 |
輸入 |
API |
|
|
文本、音頻、圖片、視頻 |
HTTP |
|
|
文本、音頻、圖片、視頻 |
HTTP |
|
|
文本、音頻、圖片、視頻 |
HTTP |
|
|
文本、音頻、圖片、視頻 |
HTTP |
|
|
文本、音頻 |
WebSocket |
|
|
文本、音頻 |
WebSocket |
|
|
文本、音頻 |
WebSocket |
下一步
選定模型後，參考對應的調用文檔：
-
Qwen3.5-Omni / Qwen3-Omni（WebSocket，即時）→ 即時Qwen-Omni-Realtime
-
Qwen3.5-Omni / Qwen3-Omni（HTTP，檔案）→ 非即時Qwen-Omni
-
Qwen3.5-Livetranslate（WebSocket，即時）→ 即時語音音視頻翻譯-千問
-
Qwen3-Livetranslate（HTTP，檔案）→ 音視頻檔案翻譯-千問