阿里云: Qwen3-Omni-Flash
qwen3-omni-flash- 输入 / 输出
- $0.43 / $1.66
- 上下文
- 49K
- 最大输出
- 16K
- 模态
- 视觉聊天
Qwen3-Omni-Flash 简介
Qwen3-Omni-Flash 是阿里巴巴较早的 Omni 对话模型，能在同一次对话里读取文本、图片、音频和视频。它可以运行在先推理再回答的 thinking 模式下，这时只返回文字；不开启时，回复可以包含语音。它是 Omni 对话系列里较早、上下文较小的一员，排在 Qwen3.5-Omni 和 Qwen3.8-Omni-Flash 之后，音频和视频的长度限制更短，输出语言也更少。
擅长的任务
- 同时理解文本、图片、音频和视频，一次请求就能把一段片段和一个文字问题结合起来。
- 可选的 thinking 模式让它在回答前先对难题推理一番。
- 不开启 thinking 时，既可以文字回答，也可以用可选的多种音色语音回答。
- 图片、音频和视频作为内容块，放进普通的对话消息里传入。
什么情况换别的模型
- thinking 模式下音频输出会关闭，需要推理的回答只能以文字返回。
- 能处理的媒体比后来的 Omni 模型短：音频约 20 分钟，视频 150 秒。
- 语音回复覆盖 11 种语言和 8 种方言，少于 Qwen3.5-Omni。
快速上手
创建 API 密钥
在 Console 生成一把密钥，平台上的模型都能用。
发送第一个请求
复制你所用语言的示例代码，向该端点发起请求。
文本生成Messages APIPOST/v1/messagesAPI 格式: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!"} ] }'
价格
Verified 价格用于 Verified，多数模型更便宜；Official 价格是模型厂商公布的价格，用于更稳定的 Official。Auto 按最终完成请求的线路计价。
Text Text Output
每 1M token- Official 价格
- 输入 $0.43 / 输出 $1.66 / 文本 输入 $0.43 / 音频 输入 $3.81 / 图像 输入 $0.78 / 文本 输出 $1.66 / 音频 输出 $15.11
- Verified 价格
- —
- 折扣
- —
有音频
每 1M token- Official 价格
- 输入 $0.43 / 输出 $1.66 / 文本 输入 $0.43 / 音频 输入 $3.81 / 图像 输入 $0.78 / 文本 输出 $0.00 / 音频 输出 $15.11
- Verified 价格
- —
- 折扣
- —
isMultimodalInput · true
每 1M token- Official 价格
- 输入 $0.43 / 输出 $1.66 / 文本 输入 $0.43 / 音频 输入 $3.81 / 图像 输入 $0.78 / 文本 输出 $3.06 / 音频 输出 $15.11
- Verified 价格
- —
- 折扣
- —
有音频 · isMultimodalInput · true
每 1M token- Official 价格
- 输入 $0.43 / 输出 $1.66 / 文本 输入 $0.43 / 音频 输入 $3.81 / 图像 输入 $0.78 / 文本 输出 $0.00 / 音频 输出 $15.11
- Verified 价格
- —
- 折扣
- —
| Official 价格每 1M token | Verified 价格每 1M token | 折扣 | |
|---|---|---|---|
| Text Text Output | 输入 $0.43 / 输出 $1.66 / 文本 输入 $0.43 / 音频 输入 $3.81 / 图像 输入 $0.78 / 文本 输出 $1.66 / 音频 输出 $15.11 | — | — |
| 有音频 | 输入 $0.43 / 输出 $1.66 / 文本 输入 $0.43 / 音频 输入 $3.81 / 图像 输入 $0.78 / 文本 输出 $0.00 / 音频 输出 $15.11 | — | — |
| isMultimodalInput · true | 输入 $0.43 / 输出 $1.66 / 文本 输入 $0.43 / 音频 输入 $3.81 / 图像 输入 $0.78 / 文本 输出 $3.06 / 音频 输出 $15.11 | — | — |
| 有音频 · isMultimodalInput · true | 输入 $0.43 / 输出 $1.66 / 文本 输入 $0.43 / 音频 输入 $3.81 / 图像 输入 $0.78 / 文本 输出 $0.00 / 音频 输出 $15.11 | — | — |
用量与动态
成功率是请求完成的比例；延迟是拿到一次完整响应要花的时间，P95 表示 95% 的请求都在这个时间内完成。
用量与可用性
最近 24 小时- 请求
- 成功率
- P95 延迟
- 总 token 数
数据来自汇总的用户请求，不含状态检查。
直接在 Console 里试
Qwen3-Omni-Flash 已在 Console 备好，提示词已填好，可以直接修改或发送。
帮我用 qwen3-omni-flash 发一条简短消息，接口是 /v1/messages。返回回复，附上延迟和费用。
使用场景
适用场景- 视觉
语音加图像助手
用户对着一张照片开口提问，得到所选音色的语音回答，不需要把语音模型和视觉模型串起来。
短片段分析
描述一段最长几分钟的片段里发生了什么，包括说了什么、画面里有什么。
音频问答
就一段录制的通话或语音备忘录提问，得到文字回答；遇到复杂的比较时可以开启 thinking。
提示词示例
听这段语音备忘录，列出三项待办事项，并标明每项的负责人。
这段视频里的人哪里做得不对，应该怎么改？
看看我这台路由器的照片，用语音告诉我哪根线该插到哪里。
此模型按条件计价，仅凭月度 token 总量无法可靠估算；请按请求规格、缓存和适用时段查看详细定价。
FAQ
Qwen3-Omni-Flash 可以接收什么输入？
文本、图片、音频和视频。它们可以出现在同一次对话里，所以一次请求可以同时包含语音提问和一张图片。输出是文字；关闭 thinking 模式时，还可以是文字加音频。
为什么 thinking 模式下没有音频？
阿里巴巴文档说明 thinking 模式不支持音频输出。需要语音回复就关闭 thinking；需要模型先推理，就会得到文字回答，可以再用语音合成模型转成语音。
它和 Qwen3.5-Omni-Flash 有什么区别？
Qwen3.5-Omni-Flash 能处理更长的媒体，音色和输出语言更多，上下文窗口也大得多。Qwen3-Omni-Flash 是上一代，主要在你的提示词和音色已经针对它调好时使用。
媒体最长能多长？
每次请求约 20 分钟音频和 150 秒视频，比后来的 Omni 模型允许的更短。更长的录音请先拆成几段再发送。
它能说哪些语言？
语音回复覆盖 11 种语言和 8 种方言，少于 Qwen3.5-Omni。如果需要更广的语音覆盖，请选 Qwen3.5-Omni 模型；文字回答不受这份语音语言列表限制。
Qwen3-Omni-Flash 的费用是多少？
在 TokenLab 上，Qwen3-Omni-Flash 的价格为 输入 $0.43 / 输出 $1.66 每 1M token。完整明细见上方价格表。 价格因计费单位、规格和用量而异。请在模型的详细定价中对比相同条件下的费率；单一费率不代表总价。
Qwen3-Omni-Flash 的上下文窗口和输出上限是多少？
Qwen3-Omni-Flash 最多接收 49,152 token 的上下文，单次最多返回 16,384 token。
Qwen3-Omni-Flash 应该使用哪个端点？
Qwen3-Omni-Flash 使用 https://api.tokenlab.sh/v1/messages。代码写法见下方的请求示例。
Qwen3-Omni-Flash 支持哪些操作？
Qwen3-Omni-Flash 支持 文本生成。选了操作，上面会显示对应的端点和请求示例。
Qwen3-Omni-Flash 对比
资料来源
审阅于 2026年10月2日
