Qwen3-Omni-Flash

复制成功!
加入对比
多模态

概述

多模态

千问3-Omni-Flash多模态大模型,基于Thinker–Talker混合专家(MoE)架构,支持文本、图像、音频、视频的高效理解与语音生成能力,可进行119种语言文本交互和20种语言语音交互,支持49种语音音色,生成类人语音实现跨语言精准沟通。模型具备强大指令跟随与系统提示定制功能,灵活适配对话风格与角色设定,广泛应用于文本创作、语音助手、多媒体分析等场景,提供自然流畅的多模态交互体验。此版本为2025年12月01日的快照版本。

输入

文本图像音频视频

输出

文本音频

功能

前缀补全

您可在调用通义千问 API 时启用 Partial Mode,确保模型严格基于您的起始文本进行生成。查看文档

函数调用

您可以使用 函数调用 功能,通过引入外部工具,使得大模型可以与外部世界进行交互。查看文档

缓存

Context Cache 技术会缓存长上下文请求的公共前缀,减少推理时的重复计算,提升响应速度同时降低您的使用成本。查看文档

结构化输出

开启结构化输出功能可以确保大模型输出标准格式的 JSON 字符串。查看文档

批量任务

联网搜索

启用联网检索功能后,模型将基于实时检索数据进行回复。查看文档

微调

定价

  • 输入:文本
    ¥1.8/M tokens
  • 输入:音频
    ¥15.8/M tokens
  • 输入:图片/视频
    ¥3.3/M tokens
  • 输出:文本(输入仅包含文本时)
    ¥6.9/M tokens
  • 输出:文本(输入包含图片/音频/视频时)
    ¥12.7/M tokens
  • 输出:文本+音频(输出的文本不计费)
    ¥62.6/M tokens
  • 输入:文本(思考)
    ¥1.8/M tokens
  • 输入:音频(思考)
    ¥15.8/M tokens
  • 输入:图片/视频(思考)
    ¥3.3/M tokens
  • 输出:文本(思考模式下,输入仅包含文本时)
    ¥6.9/M tokens
  • 输出:文本(思考模式下,输入包含图片/音频/视频时)
    ¥12.7/M tokens

速率限制与上下文

  • 最大输入
    49.15K
  • 最大输出
    16.38K
  • RPM每分钟请求数
    60
  • TPM每分钟 Token 数
    100K
  • 最大输入(思考模式)
    16.38K
  • 最大输出(思考模式)
    16.38K
  • 上下文
    65.53K

API 参考

获取 API Key
复制成功!
12345678910111213141516171819202122232425
import os
from openai import OpenAI

client = OpenAI(
    # 新加坡和北京地域的API Key不同。获取API Key:https://www.alibabacloud.com/help/zh/model-studio/get-api-key
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)

completion = client.chat.completions.create(
    model="qwen3-omni-flash-2025-12-01",
    messages=[{"role": "user", "content": "你是谁"}],
    # 设置输出数据的模态,当前支持两种:["text","audio"]、["text"]
    modalities=["text", "audio"],
    audio={"voice": "Ethan", "format": "wav"},
    # stream 必须设置为 True,否则会报错
    stream=True,
    stream_options={"include_usage": True},
)

for chunk in completion:
    if chunk.choices:
        print(chunk.choices[0].delta)
    else:
        print(chunk.usage)