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，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。
推理服务供应商
qwen3-omni-flash模型的推理服务供应商为阿里云百炼。
模型能力
- 华北2（北京）
- 新加坡
| 能力项 | 支持情况 | 能力项 | 支持情况 |
|---|---|---|---|
输入模态 | Text Image Video Audio | 输出模态 | Text Audio |
模型体验 | 支持 | Function Calling | 支持 |
结构化输出 | 不支持 | 联网搜索 | 不支持 |
前缀续写 | 不支持 | 上下文缓存 | 不支持 |
批量推理 | 不支持 | 模型调优 | 不支持 |
上下文限制
| 参数 | 值 | 参数 | 值 |
|---|---|---|---|
最大输入长度 | 49152 | 最大输出长度 | 16384 |
上下文长度 | 65536 | 最大输入长度（思考模式下） | 16384 |
最大输出长度（思考模式下） | 16384 | 最大思维链长度 | 32768 |
模型价格
本文仅展示模型调用原价，不包含限时优惠等活动信息，请前往百炼控制台查看活动优惠。
- 华北2（北京）
- 新加坡
| 计费项 | 价格（元） | 单位 |
|---|---|---|
输入：文本 | 1.8 | 每百万tokens |
输入：音频 | 15.8 | 每百万tokens |
输入：图片/视频 | 3.3 | 每百万tokens |
输出：文本（输入仅包含文本时） | 6.9 | 每百万tokens |
输出：文本（输入包含图片/音频/视频时） | 12.7 | 每百万tokens |
输出：文本+音频（输出的文本不计费） | 62.6 | 每百万tokens |
输入：文本（思考） | 1.8 | 每百万tokens |
输入：音频（思考） | 15.8 | 每百万tokens |
输入：图片/视频（思考） | 3.3 | 每百万tokens |
输出：文本（思考模式下，输入仅包含文本时） | 6.9 | 每百万tokens |
输出：文本（思考模式下，输入包含图片/音频/视频时） | 12.7 | 每百万tokens |
限流
- 华北2（北京）
- 新加坡
| 参数 | 值 |
|---|---|
RPM（每分钟请求数） | 60 |
TPM（每分钟tokens） | 100,000 |