概要
Qwen3-Omni-Flashのリアルタイム版マルチモーダルモデル。Thinker–TalkerのMixture-of-Experts(MoE)アーキテクチャを採用し、テキスト、画像、音声、動画を入力として理解し、テキストと音声を出力する。テキストは119言語、音声は20言語での対話に対応する。2025年9月15日時点のスナップショット版である。(docs.qwencloud.com)
能力と用途
- リアルタイムのマルチモーダル対話、音声生成、指示追従、システムプロンプトによる対話スタイルや役割の調整に対応する。
- 主な用途は音声アシスタント、テキスト作成、マルチメディア分析など。
- Realtime APIをWebSocket経由で利用できる。(help.aliyun.com)
制限
- 公式モデルページによる上限は、シンガポールでは入力56,000・出力8,000・コンテキスト64,000トークン、北京では入力49,152・出力16,384・コンテキスト65,536トークン。地域により異なる。
- Function Calling、構造化出力、Web検索、コンテキストキャッシュ、バッチ推論、ファインチューニングは非対応と記載されている。(docs.qwencloud.com)
- 入力・出力音声はそれぞれ秒数×12.5トークンで計算され、1秒未満の音声は1秒として計算される。会話履歴も入力課金の対象となる。(help.aliyun.com)
料金
以下は当該モデルIDの通常API料金で、単位はすべて100万トークンあたり。入力と出力は別々に課金される。テキスト+音声出力では音声のみ課金され、対応する出力テキストは課金されない。地域・契約サイトごとの料金であり、通貨換算した同一プランではない。
| 契約サイト・地域 | 通貨 | 入力:テキスト | 入力:音声 | 入力:画像 | 出力:テキストのみの入力 | 出力:マルチモーダル入力 | 出力:テキスト+音声 |
|---|---|---|---|---|---|---|---|
| 中国国内サイト・北京 | CNY | 2.2 | 18.9 | 3.9 | 8.3 | 15.2 | 75.1 |
| 中国国内サイト・シンガポール | CNY | 3.816 | 33.54 | 6.899 | 14.605 | 26.935 | 133.06 |
| 国際サイト・シンガポール | USD | 0.52 | 4.57 | 0.94 | 1.99 | 3.67 | 18.13 |
| 国際サイト・北京 | USD | 0.315 | 2.709 | 0.559 | 1.19 | 2.179 | 10.766 |
国内サイトの北京、および国際サイトのシンガポールでは、このスナップショット版の無料枠はない。価格確認日:2026年11月18日。(help.aliyun.com)
公開日と公式資料
- 公開日:2025年9月17日。モデルID中の2025年9月15日はスナップショットの日付。(help.aliyun.com)
- Alibaba Cloud公式モデル公開・更新情報
- 公式モデル詳細
- 中国国内サイトの公式料金
- 国際サイトの公式料金