大模型服务平台百炼：语音转语音

从闭源模型迁移到百炼?

如果你正在使用 OpenAI Realtime 或 Gemini Live，可参考下表选择百炼对位模型。

S2S（Speech-to-Speech）与Pipeline对比

构建语音应用有两种方式：

• 使用S2S：当交互式对话、低延迟和音频感知的回复是关键需求时。

• 使用Pipeline：当需要自定义音色，或者需要为每个阶段分别选择最优的ASR、LLM和TTS模型时。

本文档继续介绍 S2S 单模型路线（Omni、Livetranslate）。如选择 Pipeline 路线，分别在以下文档中挑选三个组件：

• ASR（语音识别）：语音识别

• LLM（大语言模型）：文本生成

• TTS（语音合成）：语音合成

实时还是文件模式？

• 实时（WebSocket）：适用于语音助手、呼叫中心、同声传译等实时语音交互场景。音频流式输入，语音流式输出。模型名称中包含-realtime。

• 文件模式（HTTP）：可以用延迟换取更好的效果，适用于视频配音、播客翻译、离线内容处理等场景。文件模式下还支持 Function Calling、联网搜索、思考模式、视频上下文等附带能力（详见下方“S2S 单模型的附带能力”）。

按场景选模型（S2S 单模型路线）

以下场景均针对 S2S 单模型路线。Pipeline 路线请按上述链接分别在 ASR / LLM / TTS 文档中选型。

S2S 单模型的附带能力

以下能力由 Qwen3.5-Omni / Qwen3-Omni 模型在 S2S 单模型路线下直接提供。Pipeline 路线中，对应能力需要由其中的 LLM 等组件分别支持。

翻译

以下模型系列均支持语音翻译：

• Qwen3.5-Livetranslate：支持 60 种语言互译，其中 29 种支持音频+文本输出、31 种仅支持文本输出，覆盖中文、英语、法语、德语、俄语、日语、韩语、西班牙语、葡萄牙语、阿拉伯语等主流语种。。

• Qwen3-Livetranslate：支持18种语言 + 5种中文方言，约3秒延迟，开箱即用。文件模式支持输入视频以获得上下文感知的翻译精度。其中7种语言仅输出文本（不输出语音）。

• Qwen3.5-Omni：支持29种输出语言 + 7种中文方言。优秀的音视频理解能力和联网搜索。可通过系统提示词注入术语和领域上下文。支持实时和文件模式。

• Qwen3-Omni-Flash：支持11种输出语言 + 8种中文方言。可通过系统提示词注入术语和领域上下文。支持实时和文件模式。成本更低。

推荐模型

下表列出每个系列的常用入口模型。如需锁定特定日期版本（用于版本回归或稳定性需求），请见下方“所有模型”。

所有模型

下一步

选定模型后，参考对应的调用文档：

• Qwen3.5-Omni / Qwen3-Omni（WebSocket，实时）→ 实时（Qwen-Omni-Realtime）

• Qwen3.5-Omni / Qwen3-Omni（HTTP，文件）→ 非实时（Qwen-Omni）

• Qwen3.5-Livetranslate（WebSocket，实时）→ 实时语音/音视频翻译-千问

• Qwen3-Livetranslate（HTTP，文件）→ 音视频文件翻译-千问

• Qwen-Audio Realtime（WebSocket，实时语音对话）→ 实时语音对话（Qwen-Audio-Realtime）