Alibaba Cloud: Qwen3-Omni-Flash

O Qwen3 Omni Flash é um modelo multimodal para compreensão de informações em texto, imagens e áudio. É útil para assistentes que precisam discutir material visual ou falado dentro da mesma conversa.

Comparar modelos

qwen3-omni-flash

DisponívelAlibaba CloudChat

Entrada / Saída: $0.43 / $1.66
Contexto: 49K
Saída máxima: 16K
Modalidades: VisãoChat

Sobre o Qwen3-Omni-Flash

Qwen3-Omni-Flash é o modelo de chat Omni anterior da Alibaba, que lê texto, imagens, áudio e vídeo em uma única conversa. Ele pode ser executado em um modo de pensamento que raciocina antes de responder e, nesse modo, retorna apenas texto; sem ele, as respostas podem incluir áudio falado. É o membro mais antigo e com menor contexto da família de chat Omni, atrás do Qwen3.5-Omni e do Qwen3.8-Omni-Flash, com limites menores de áudio e vídeo e menos idiomas de saída.

Pontos fortes

Compreende texto, imagens, áudio e vídeo juntos, para que uma única solicitação possa combinar um clipe com uma pergunta escrita.
Um modo de pensamento opcional permite que ele raciocine sobre uma pergunta difícil antes de responder.
Sem o pensamento, ele pode responder por fala, bem como por texto, usando uma seleção de vozes.
Imagens, áudio e vídeo são passados como partes de conteúdo em uma mensagem de chat comum.

Quando usar outro modelo

A saída de áudio é desativada no modo de pensamento, portanto, as respostas raciocinadas retornam apenas como texto.
Ele processa mídias mais curtas do que os modelos Omni posteriores: cerca de 20 minutos de áudio e 150 segundos de vídeo.
As respostas faladas cobrem 11 idiomas e 8 dialetos, menos que o Qwen3.5-Omni.

Primeiros passos

Criar chave de API
Crie uma chave no Console e use com qualquer modelo da plataforma.

Envie sua primeira requisição

Copie o exemplo para sua linguagem e execute-o no endpoint.

Texto para textoMessages API

POST/v1/messages

Formato da API:

curl https://api.tokenlab.sh/v1/messages \
  -H "Content-Type: application/json" \
  -H "x-api-key: sk-xxx" \
  -H "anthropic-version: 2023-06-01" \
  -d '{
    "model": "qwen3-omni-flash",
    "max_tokens": 1024,
    "messages": [
      {"role": "user", "content": "Hello!"}
    ]
  }'

Preço

O preço Verified vale para o Verified, que custa menos na maioria dos modelos. O preço Official é o preço publicado pelo fabricante do modelo e vale para a rota Official, mais confiável. O Auto cobra pela rota que conclui a solicitação.

Text Text Output

Por 1M Token

Preço Official: Entrada $0.43 / Saída $1.66 / Texto Entrada $0.43 / Áudio Entrada $3.81 / Imagem Entrada $0.78 / Texto Saída $1.66 / Áudio Saída $15.11
Preço Verified: —
Desconto: —

Áudio ativado

Por 1M Token

Preço Official: Entrada $0.43 / Saída $1.66 / Texto Entrada $0.43 / Áudio Entrada $3.81 / Imagem Entrada $0.78 / Texto Saída $0.00 / Áudio Saída $15.11
Preço Verified: —
Desconto: —

isMultimodalInput · true

Por 1M Token

Preço Official: Entrada $0.43 / Saída $1.66 / Texto Entrada $0.43 / Áudio Entrada $3.81 / Imagem Entrada $0.78 / Texto Saída $3.06 / Áudio Saída $15.11
Preço Verified: —
Desconto: —

Áudio ativado · isMultimodalInput · true

Por 1M Token

Preço Official: Entrada $0.43 / Saída $1.66 / Texto Entrada $0.43 / Áudio Entrada $3.81 / Imagem Entrada $0.78 / Texto Saída $0.00 / Áudio Saída $15.11
Preço Verified: —
Desconto: —

	Preço OfficialPor 1M Token	Preço VerifiedPor 1M Token	Desconto
Text Text Output	Entrada $0.43 / Saída $1.66 / Texto Entrada $0.43 / Áudio Entrada $3.81 / Imagem Entrada $0.78 / Texto Saída $1.66 / Áudio Saída $15.11	—	—
Áudio ativado	Entrada $0.43 / Saída $1.66 / Texto Entrada $0.43 / Áudio Entrada $3.81 / Imagem Entrada $0.78 / Texto Saída $0.00 / Áudio Saída $15.11	—	—
isMultimodalInput · true	Entrada $0.43 / Saída $1.66 / Texto Entrada $0.43 / Áudio Entrada $3.81 / Imagem Entrada $0.78 / Texto Saída $3.06 / Áudio Saída $15.11	—	—
Áudio ativado · isMultimodalInput · true	Entrada $0.43 / Saída $1.66 / Texto Entrada $0.43 / Áudio Entrada $3.81 / Imagem Entrada $0.78 / Texto Saída $0.00 / Áudio Saída $15.11	—	—

Uso e atividade

A taxa de sucesso é a proporção de requisições concluídas. A latência é quanto tempo uma resposta completa leva; P95 significa que 95% das requisições terminaram dentro desse tempo.

Uso e disponibilidade

Últimas 24 horas

Requisições
Taxa de sucesso
Latência P95
Total de tokens

Desempenho do modelo

Última atualização 1 de nov. de 2026, 07:21 UTC

As métricas aparecerão assim que os limites de privacidade e volume de dados forem atingidos.

Os dados baseiam-se em solicitações agregadas de usuários, excluindo verificações de status.

Abrir no Console

Abra Qwen3-Omni-Flash no Console com um prompt pronto para editar ou enviar.

Ajude-me a testar qwen3-omni-flash com uma mensagem em /v1/messages. Exiba a resposta, latência e custo.

Casos de uso

Indicado para

Visão

Assistentes de voz e imagem
Permita que um usuário faça uma pergunta sobre uma foto e obtenha uma resposta falada em uma voz escolhida, sem encadear modelos separados de fala e visão.
Análise de clipes curtos
Descreva o que acontece em um clipe de até alguns minutos, incluindo o que é dito e mostrado.
Perguntas e respostas de áudio
Faça perguntas sobre uma chamada gravada ou memorando de voz e obtenha uma resposta escrita, com o pensamento ativado para comparações complexas.

Exemplos de prompt

Ouça este memorando de voz e liste os três itens de ação com o responsável por cada um.

O que a pessoa neste clipe está fazendo de errado e o que ela deveria mudar?

Olhe para esta foto do meu roteador e me diga, em voz alta, qual cabo vai onde.

Este modelo tem preço condicional. Totais mensais de tokens sozinhos não produzem uma estimativa confiável; use o preço detalhado para a especificação da requisição, cache e janela aplicável.

FAQ

O que o Qwen3-Omni-Flash pode receber como entrada?

Texto, imagens, áudio e vídeo. Todos eles podem aparecer em uma única conversa, portanto, uma solicitação pode incluir uma pergunta falada e uma imagem. A saída é texto, ou texto mais áudio quando o modo de pensamento está desativado.

Por que o modo de pensamento descarta o áudio?

A Alibaba documenta que a saída de áudio não é suportada no modo de pensamento. Se você precisar de uma resposta falada, deixe o pensamento desativado; se precisar que o modelo raciocine primeiro, espere uma resposta escrita e converta-a com um modelo de conversão de texto em fala.

Como ele é diferente do Qwen3.5-Omni-Flash?

O Qwen3.5-Omni-Flash processa mídias mais longas, oferece mais vozes e idiomas de saída e tem um contexto muito maior. O Qwen3-Omni-Flash é a geração anterior, portanto, use-o principalmente se seus prompts e vozes já estiverem ajustados para ele.

Qual a duração da mídia?

Cerca de 20 minutos de áudio e 150 segundos de vídeo por solicitação, o que é mais curto do que os modelos Omni posteriores permitem. Divida gravações mais longas em partes antes de enviá-las.

Quais idiomas ele pode falar?

As respostas faladas cobrem 11 idiomas e 8 dialetos, menos que o Qwen3.5-Omni. Se você precisar de uma cobertura falada mais ampla, escolha um modelo Qwen3.5-Omni; para respostas em texto, a lista de idiomas falados não se aplica.

Quanto custa o Qwen3-Omni-Flash?

No TokenLab, Qwen3-Omni-Flash custa Entrada $0.43 / Saída $1.66 Por 1M Token. A tabela de preços acima mostra o detalhamento completo. As tarifas dependem da unidade de cobrança, da especificação e do uso. Compare condições iguais no preço detalhado do modelo; uma única tarifa não determina o custo total.

Qual a janela de contexto e o limite de saída do Qwen3-Omni-Flash?

O Qwen3-Omni-Flash aceita até 49.152 tokens de contexto e gera até 16.384 tokens por resposta.

Qual endpoint o Qwen3-Omni-Flash deve usar?

Use https://api.tokenlab.sh/v1/messages para Qwen3-Omni-Flash. O exemplo de requisição abaixo mostra o formato de código correspondente.

Quais operações o Qwen3-Omni-Flash suporta?

Qwen3-Omni-Flash suporta Texto para texto. Selecione uma operação acima para ver seu endpoint e exemplo de requisição.