Qwen-Audio 3.1 Realtime Flash是什么

它是什么：Qwen-Audio 3.1 里偏便宜的实时语音型号

阿里通义千问在 2026 年 10 月 27 日把 qwen-audio-3.1-realtime-flash 挂上了 QwenCloud 的模型发布日志。官方说，这是一个实时双工语音对话模型，输入可以是文本或音频，输出可以是文本和语音，支持函数调用、联网搜索和声音复刻。双工的意思是它能一边听一边说，你中途插话它会停下来，不用像对讲机那样等一方说完再开口。

它属于 9 月 23 日发布的 Qwen-Audio 3.1 系列，同系列的 Plus 型号 9 月 20 日先上线，Flash 晚了一个多月。Flash 是这一代实时语音里价格低得多的一档，官方没有写它和 Plus 在能力上差多少。

关键规格：窗口很大，但音频只记五分钟

参数规模和架构没有公开，也不开放权重，目前只能通过阿里云百炼（QwenCloud）的 API 调用。型号页写的上下文窗口是 262144 tokens，最大输入 245760，最大输出 16384。知识截止时间官方页面没有给出。

要留意的是音频历史：最多保留 50 轮、累计 300 秒，超出后早先的内容会被自动丢掉。也就是说 26 万 tokens 的窗口，更多是留给文本指令、工具返回和检索内容的，别指望它把一小时的闲聊原声都记住。输入模态只有文本和音频，不处理图像和视频，也不支持思考模式（enable_thinking）。

交互方面有四种模式：server_vad、smart_turn、smart_turn_v2（官方推荐）和 push-to-talk。smart_turn 系列还支持说话人增强，可以预先传一段目标用户的录音，让模型在双工对话里锁定这个人，挡掉旁人的声音和背景噪声。接入协议支持 WebSocket、WebRTC 和 AOQ，默认音色是 longanqian_v3.1。

成绩：论文测的是 3.1 Realtime，没点名 Flash

阿里在 9 月 21 日放出了 Qwen-Audio-3.1-Realtime 的技术报告，但报告没有说明评测的是哪个 API 型号，型号页也没给 Flash 的跑分。所以下面这些数字只能当作 3.1 这一代的参考，别直接记在 Flash 头上。

报告里对比 3.0 的几项：阿里自己改成半双工语音转文本的 τ-Voice 任务，整体成功率从 78.4% 升到 82.0%（报告强调这不能和该基准官方的全双工成绩直接比）。Full-Duplex-Bench v1.5 的背景人声测试里，模型被旁人说话带着开口的比例从 73% 降到 13%。多语种语音识别 FLEURS 的平均词错率从 9.01 降到 3.98，越低越好。

弱项报告里也写了：用户打断后模型停下来的延迟是 1.116 秒，对照的 GPT-Realtime-2 是 0.383 秒。50 场人工红队测试中，3.1 的安全通过率是 92%，GPT-Realtime-2 是 96%。另外报告里大部分评测是内部测试集或自家适配版本，参考价值要打个折扣。

怎么用、多少钱

在阿里云百炼调用，有新加坡和华北2（北京）两个地域。价格按美元每百万 token 计：新加坡文本输入 0.23、音频输入 0.93、文本输出 0.70、音频输出 1.87；北京分别是 0.212、0.848、0.636、1.696。计费规则是只输出文本时按文本输出价算，同时输出文本和语音时只收音频输出的钱，伴随文本不另收。

限流两个地域都是 60 RPM 和 10 万 TPM，WebSocket 的 RPM 按连接请求次数统计，并发连接数没有单独限制。官方没有给出每分钟通话大概多少钱的换算，上线前最好拿一段真实对话跑一遍，看账单再估成本。

和谁比

跟同代的 Plus 比，价格差距最直观：Plus 在新加坡的音频输出是每百万 token 24 美元，Flash 是 1.87 美元，大约十三分之一；音频输入 6.4 对 0.93，大约七分之一。还有个细节，Plus 页面写着联网搜索和函数调用不能同时开，Flash 页面（10 月 28 日更新）写的是可以同时开，接入前以最新文档为准。

跟上一代比，3.0 Plus 型号页写的上下文是 40960、输出上限 8192，3.1 两个型号页都是 262144 和 16384，窗口明显放大了。跟同厂的 Qwen3.8-Omni-Flash-Realtime 比，后者支持音视频实时交互，还加了多声道音频、视频聚合和远程 MCP 工具；Audio 3.1 Flash 只管语音和文本，要让模型看画面就该选 Omni。

适合谁，坑在哪

做语音助手、智能客服、陪伴类应用的开发者最值得试，价格低，函数调用和联网搜索都在。做旁白、配音的创作者别搞错，这是对话模型，配音要看同系列的 TTS-Flash、TTS-Plus 和 TTS-Next。做选型的要先接受几个限制：闭源且只有阿里云 API、不能本地部署，音频历史只保留 300 秒，默认 60 RPM 对规模化业务可能偏紧，量大的话要提前和阿里云确认额度。

AI主线的看法是，这一档的价值在于把全双工语音的账单压了下来，但 Flash 自己的成绩单目前还是空白。用声音复刻之前，记得先拿到被克隆者的授权；选不选它，建议拿自己的真实录音和口音测一轮，再和 Plus 对着听。