Kurze Antwort: alle vier Qwen Audio Echtzeit-Modelle hörten dieselbe gesprochene Frage richtig und begannen etwa eine halbe Sekunde nach Ende zu antworten. Die beiden Flash-Modelle kosteten weniger als ein Zehntel Cent pro Runde, die beiden Plus-Modelle unter einem Cent. Qwen Audio 3.1 Echtzeit-Flash, Qwen Audio 3.1 Realtime Plus, Qwen Audio 3.0 Realtime Plus und Qwen Audio 3.0 Echtzeit-Flash alle laufen auf EmpirioLabs durch denselben Echtzeit-Endpunkt. Hören Sie sich jede Antwort unten an; wir erklären keinen Gewinner.
Die Frage
"Ich habe einen Flug um neun Uhr morgens und der Flughafen ist vierzig Minuten entfernt. Wann soll ich das Haus verlassen?"
Hör dir die vier Antworten an
"Du solltest bis 7:20 Uhr das Haus verlassen, um die 40-minütige Fahrt und einen standardmäßigen Anflugpuffer von zwei Stunden zu berücksichtigen. So bist du um 8:00 Uhr am Flughafen angekommen, also lange vor deinem Flug um 9:00 Uhr."
"Sie sollten um 7:40 Uhr das Haus verlassen, um um 8:20 Uhr am Flughafen anzukommen. Das gibt Ihnen einen 40-minütigen Puffer, um einzuchecken und die Sicherheitskontrolle vor Ihrem 9:00-Uhr-Flug zu passieren."
"Sie sollten mindestens 2 Stunden vor Ihrem Flug das Haus verlassen, um Check-in und Sicherheit zu berücksichtigen. Angesichts der 40-minütigen Fahrt sollten Sie gegen 6:20 Uhr morgens abfliegen, um 9:00 Uhr abzufliegen."
"Du solltest bis 7:40 Uhr das Haus verlassen, um die 40-minütige Fahrt und die übliche Check-in-Zeit am Flughafen zu berücksichtigen. Das gibt dir einen Puffer, um mindestens eine Stunde vor deinem Flug um 9:00 Uhr anzukommen."
Ergebnisse auf einen Blick
| 3.1 Echtzeit-Flash | 3.1 Realtime Plus | 3.0 Echtzeit Plus | 3.0 Echtzeit-Flash | |
|---|---|---|---|---|
| Preis für diese Kurve | $0.0008 | $0.0080 | $0.0085 | $0.0007 |
| Erster Ton nach Ende der Frage | 0,48 Sekunden | 0,54 Sekunden | 0,49 Sekunden | 0,52 Sekunden |
| Länge der mündlichen Antwort | 13,1 Sekunden | 10,5 Sekunden | 11,4 Sekunden | 10,6 Sekunden |
| Stimmen | 88 | 88 | 19 | 19 |
| Websuche mit Funktionsaufruf in einer Sitzung | Ja | Nein, das eine oder das andere | Nein, das eine oder das andere | Nein, das eine oder das andere |
| Ein- und Ausgabespracheneinstellungen | Ja | Ja | Nein | Nein |
Wie wir es geführt haben
Die Frage wurde einmal gesprochen (synthetisiert mit Qwen Audio 3.1 TTS) und in Echtzeit an jedes Modell als 16 kHz PCM gestreamt, gefolgt von anderthalb Sekunden Stille wss://api.empiriolabs.ai/v1/realtime. Jede Sitzung verwendete dieselben Anweisungen ("Sie sind ein hilfreicher Sprachassistent. Antworten Sie auf Englisch in zwei kurzen Sätzen."), Text- und Audioausgabe sowie Server-Runderkennung mit einer Pause von 900 Millisekunden. Jeweils eine Aufnahme, am 2. November 2026. Die erste Audiozeit reicht vom Modell, das das Ende der Frage erkennt, bis zum ersten Audio der Antwort, gemessen beim Client. Die Preise sind die für diese genauen Wendungen berechneten Beträge.
Worauf man achten sollte
Die Mathematik. Abflug um 7:40 Uhr mit einer vierzigminütigen Fahrt kommt um 8:20 an, also vierzig Minuten vor dem Flug; Abfahrt um 7:20 Uhr kommt um 8:00 Uhr an, also eine Stunde vorher. Vergleiche den Plan jeder Antwort mit dem Puffer, den sie angibt.
Flash gegen Plus. Innerhalb jeder Generation ist Flash deutlich unter Plus preiswert. In diesem Test begannen die vier innerhalb weniger Hundertstelsekunden voneinander zu sprechen.
Führe denselben Test bei EmpirioLabs
wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-realtime-flash Autorisierung: Träger YOUR_EMPIRIOLABS_API_KEY {"type": "session.update", "session": { "voice": "xunanchuan_v3.1", "instructions": "Du bist ein hilfreicher Sprachassistent. Antworte auf Englisch in zwei kurzen Sätzen.", "turn_detection": {"type": "server_vad", "silence_duration_ms": 900} }}Dann streamt man das Mikrofonaudio als input_audio_buffer.append Events. Tauschen Sie das Modell in der URL, um die anderen zu testen, mit einer 3.0-Stimme wie Daniel bei den 3.0-Modellen oder klicke auf Sitzung starten in der playground.
Häufig gestellte Fragen
Wurden die Antworten bearbeitet oder erneut versucht?
Nein. Jede Antwort ist die erste Antwort des Modells auf die Frage, unbearbeitet.
Warum kosten die Plus-Modelle etwa das Zehnfache?
Ihre Audio- und Textmarken sind teurer. Die Tokenzählungen für diese Runde waren bei allen vier ähnlich.
Welche sollte ich verwenden?
Probieren Sie die Frage, die Ihre Nutzer tatsächlich stellen. Die Startanleitungen behandeln die Einstellungen jedes Modells: Qwen Audio 3.1 Echtzeit-Flash und Qwen Audio 3.0 Realtime Plus und Realtime Flash.
