Modelos de discurso-a-discurso

Escolha um modelo para conversa de voz, tradução de fala ou interpretação simultânea.

Migrar de modelos de código fechado.

Mapeie sua configuração atual do OpenAI ou Gemini em tempo real para um equivalente QwenCloud Modelo.

Ver a tabela estruturada nos quadros de referência desta página ↓

Esta página cobre discurso-a-fala. Para compreensão visual, análise de áudio/vídeo e moderação de conteúdo, veja [Modelos Omni-modal] (/developer-guides/speech/omni-models). Para tarefas que exigem raciocínio e saída de texto, como análise de vídeo e rotulagem de conteúdo, veja Qwen3.8-Omni-Flash.

S2S vs o gasoduto

Duas maneiras de construir aplicativos de voz:

Ver a tabela estruturada nos quadros de referência desta página ↓

• Use S2S** quando conversa interativa, baixa latência e respostas auditivas importam. Continue lendo esta página.
• Use o Pipeline quando você want para selecionar modelos ASR, LLM e TTS independentemente.

Esta página cobre a abordagem S2S de modelo único (Omni, Qwen-Audio Em tempo real, e série Livetranslate). Para a abordagem do gasoduto, selecione cada componente separadamente:

• [SR (reconhecimento de voz)] [Speech-to-text] (/developer-guides/speech/speech-to-text-models)
• • LLM (modelo de linguagem) *:/developer-guides/getting-started/text-generation-models)
• [TTS (Síntese de voz)/developer-guides/speech/tts-models)

Em tempo real ou baseado em arquivos?

• Assistentes de voz, centros de chamadas e interpretação simultânea. Transmite entrada de áudio e saída de fala.

API em tempo real fornece WebSocket, WebRTC, e métodos de acesso AOQ. Para modelos e seleção de protocolos suportados, veja [Observação da API em tempo real] (/developer-guides/speech/realtime-multimodal-speech).

• • Latência mais alta, mas melhor qualidade. Ideal para dublagem de vídeo, tradução de podcast e processamento offline. Também suporta chamadas de funções, busca na web, modo de pensar e contexto de vídeo (veja as capacidades do Companion abaixo).

Escolha um modelo por cenário (rota S2S de modelo único)

Todos os casos de uso abaixo usam o modelo S2S. Para a aproximação do gasoduto, use os guias ASR, LLM e TTS ligados acima.

Ver a tabela estruturada nos quadros de referência desta página ↓

Capacidades de acompanhantes de modelos S2S

As seguintes seções cobrem a chamada de ferramentas, busca na web e raciocínio de texto em aplicativos de voz.

Função chamando

Para consultar bases de conhecimento, verificar horários, ou ativar fluxos de trabalho baseados em conteúdo de áudio/vídeo, use Qwen3.8-Omni-Flash-Realtime Ou Qwen-Audio Tempo real.

Pesquisa na Web

Para informações atuais com respostas faladas, use Qwen3.8-Omni-Flash-Realtime Ou Qwen3.5-Omni-Realtime para conversas em tempo real, ou Qwen3.5-Omni (Compleções de bate-papo, tanto Plus quanto Flash) para chamadas baseadas em arquivos. O modelo decide autonomamente se deve procurar. Qwen-Audio Em tempo real 3.0 Plus/Flash e 3.1 Plus também suportam busca na web via enable_search, que não pode ser ativado ao mesmo tempo que Function Calling.

Qwen3-Omni-Flash e modelos Livetranslate não suportam essa característica. Busca na internet e chamada de funções não podem ser ativadas ao mesmo tempo.

Modo de pensar

Use Qwen3-Omni Quando a qualidade da resposta supera a latência. Razões passo a passo antes de responder, ideais para análise de vídeo e rotulagem em lote. Qwen-Audio Tempo real não suporta essa capacidade.

O modo de pensar não suporta a saída de fala.

Tradução

Todas as famílias modelo podem traduzir o discurso:

• **Qwen3.8-LivetranslateSuporta 60 idiomas de origem, saída de fala em 29 idiomas, e entrada de áudio e imagem. Veja [Informações do modelo] (/developer-guides/speech/realtime-translation).

• Qwen3.5-Livetranslate - 60 idiomas (29 com saída de áudio + texto, 31 texto somente). Cobre chinês, inglês, francês, alemão, russo, japonês, coreano, espanhol, português, árabe e muito mais.

• Qwen3-Livetranslate - 18 línguas e 5 dialetos chineses (Lentidade de ~ 3). O modo de arquivo aceita entrada de vídeo para traduções conscientes do contexto. 7 idiomas produzem apenas texto de saída.

• **Qwen3.8-Omni-Flash-Realtime Apoia a tradução em tempo real de fala e as mesmas 36 linguagens de saída de fala e dialetos como Qwen3.5-Omni-Realtime. Veja a lista de voz (/developer-guides/speech/omni-voice-list) para as línguas apoiadas por cada voz.

• Qwen3.5-Omni - 29 idiomas de saída e 8 dialetos chineses. Forte compreensão de áudio/vídeo e busca na web. Injete terminologia e contexto de domínio através do sistema. Modos de arquivo em tempo real.

• Qwen3-Omni-Flash - 11 línguas de saída e 8 dialetos chineses. Injete terminologia e contexto de domínio através do sistema. Modos de arquivo e tempo real, a um custo menor.

  Começar rápido: qwen3.8-livetranslate-flash-realtime (60 línguas, latência tão baixa quanto 2,3 s). Melhor qualidade e cobertura linguística: Qwen3.5-Omni. - Não, não. Qwen3-Omni-Flash.

Linguagens apoiadas

Língua # Qwen3.8 3.5-LiveTraduzir Qwen3-Livetranslate | Qwen3.5-Omni | Qwen3-Omni-Flash |

Ver a tabela estruturada nos quadros de referência desta página ↓

Texto apenas

Sichuanese

Mais Shanghainese ♪ Pequim ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ Pequim ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪

# Tianjin #

Nanjing # # Nanjing

Shaanxi

Hokkien

Francês Alemão Russo Italiano Espanhol Português Japonês Coreano Árabe, só texto, Tradução: Apenas texto vietnamita Indonésio, só texto, Turco, só texto, Hindi, só texto Malay Holandês Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Urdu, Ur, Urdu, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Urdu, Ur, Ur, Ur, Urdu, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Urdu, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Urdu, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur, Ur Norueguês Sueco Dinamarquês Hebreu Finlandês Polonês Islandês Checo Tagalog Persa Apenas texto Apenas texto Asturiano, só texto Só texto, bielorrusso Búlgaro, só texto Bengali, só texto Bósnios só texto Só o texto catalão Cebuano, só texto Só texto estônico Apenas texto galego Gujarati, só texto. Croata, só texto, Apenas texto húngaro Apenas texto Só texto, só texto, só texto, só texto, só texto, só texto, só texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto, texto Kannada, só texto, Kyrgyz, só texto Letão, só texto Macedônia, só texto Malayalam, só texto, Apenas texto Punjabi, só texto Romeno, só texto. Eslovaco, só texto Esloveno, só texto. Suaíli, texto somente Só texto Apenas texto do Azerbaijão Ucraniano, só texto.

"Irmão" = discurso + saída de texto. "Texto somente" = saída de texto apenas, sem fala.

Qwen3.8-Omni-Flash-Realtime e Qwen3.5-Omni Suporta 113 idiomas de entrada/dialetos no total. Veja [lista completa] (/developer-guides/speech/multimodal-speech#supported-languages) para detalhes.

Modelos recomendados

A tabela lista o modelo de ponto de entrada em cada série. Para fixar uma versão datada para teste de regressão ou estabilidade, veja todos os modelos abaixo.

Ver a tabela estruturada nos quadros de referência desta página ↓

Todos os modelos.

Qwen-Audio Realtime

Ver a tabela estruturada nos quadros de referência desta página ↓

Qwen3.8-Omni

Ver a tabela estruturada nos quadros de referência desta página ↓

Qwen3.5-Omni

Ver a tabela estruturada nos quadros de referência desta página ↓

Qwen3-Omni-Flash

Ver a tabela estruturada nos quadros de referência desta página ↓

Qwen3.8-Livetranslate

Ver a tabela estruturada nos quadros de referência desta página ↓

Qwen3.5-Livetranslate

Ver a tabela estruturada nos quadros de referência desta página ↓

Qwen3-Livetranslate

Ver a tabela estruturada nos quadros de referência desta página ↓

Próximos passos

Documentação da API por série de modelos:

• Qwen3.8-Omni-Flash-Realtime (em tempo real) → [Discurso multimodal em tempo real]/developer-guides/speech/realtime-multimodal-speech)
• Qwen3.5-Omni / Qwen3-Omni (baseado em arquivos) → [discurso multimodal] (/developer-guides/speech/multimodal-speech)
• Qwen3.8-Livetranslate / Qwen3.5-Livetranslate (em tempo real) → [tradução em tempo real] (/developer-guides/speech/realtime-translation)
• Qwen3-Livetranslate (baseado em arquivo) → [Tradução baseada em arquivo] (/developer-guides/speech/file-translation)

Saiba mais.

Real-time conversation

 Construir assistentes de voz multimodal em tempo real.

File-based conversation

Processe áudio e vídeo com saída de fala.

Real-time translation

Traduza o discurso em tempo real.

File-based translation

Traduza arquivos de áudio e vídeo.