Respuesta corta: los cuatro modelos de Qwen Audio en tiempo real escucharon correctamente la misma pregunta y empezaron a responder aproximadamente medio segundo después de que terminara. Los dos modelos Flash costaban menos de una décima de céntimo por el turno, y los dos modelos Plus menos de un céntimo. Qwen Audio 3.1 Flash en tiempo real, Qwen Audio 3.1 Realtime Plus, Qwen Audio 3.0 Realtime Plus y Qwen Audio 3.0 Flash en tiempo real todos se ejecutan en EmpirioLabs a través del mismo punto final en tiempo real. Escucha cada respuesta a continuación; no estamos declarando un ganador.
La pregunta
"Tengo un vuelo a las nueve de la mañana y el aeropuerto está a cuarenta minutos. ¿Cuándo debería irme de casa?"
Escucha las cuatro respuestas
"Deberías salir de casa a las 7:20 de la mañana para compensar los 40 minutos de viaje y un margen estándar de llegada de dos horas. Esto asegura que llegues al aeropuerto a las 8:00, mucho antes de tu vuelo de las 9:00."
"Deberías salir de casa a las 7:40 de la mañana para llegar al aeropuerto a las 8:20. Esto te da un margen de 40 minutos para hacer el check-in y pasar por seguridad antes de tu vuelo de las 9:00."
"Deberías salir de casa al menos 2 horas antes de tu vuelo para tener en cuenta el check-in y la seguridad. Teniendo en cuenta los 40 minutos en coche, apunta a salir sobre las 6:20 AM para un vuelo a las 9:00."
"Deberías salir de casa a las 7:40 de la mañana para tener en cuenta los 40 minutos de viaje y la hora típica de facturación en el aeropuerto. Esto te da un margen para llegar al menos una hora antes de tu vuelo de las 9:00."
Resultados en resumen
| 3.1 Flash en tiempo real | 3.1 Realtime Plus | 3.0 Realtime Plus | 3.0 Flash en tiempo real | |
|---|---|---|---|---|
| Precio por esta gira | $0.0008 | $0.0080 | $0.0085 | $0.0007 |
| Primer audio después de que terminara la pregunta | 0,48 segundos | 0,54 segundos | 0,49 segundos | 0,52 segundos |
| Extensión de la respuesta hablada | 13,1 segundos | 10,5 segundos | 11,4 segundos | 10,6 segundos |
| Voces | 88 | 88 | 19 | 19 |
| Búsqueda web con llamada a funciones en una sola sesión | Sí | No, una u otra cosa | No, una u otra cosa | No, una u otra cosa |
| Configuración de idiomas de entrada y salida | Sí | Sí | No | No |
Cómo lo gestionamos
La pregunta se pronunció una vez (sintetizada con Qwen Audio 3.1 TTS) y se transmitió a cada modelo en tiempo real como PCM de 16 kHz, seguida de un segundo y medio de silencio, over wss://api.empiriolabs.ai/v1/realtime. Cada sesión utilizó las mismas instrucciones ("Eres un asistente de voz útil. Responde en inglés en dos frases cortas."), salida de texto y audio, y detección de giros de servidor con una pausa de 900 milisegundos. Un disparo cada uno, el 2 de noviembre de 2026. El tiempo de primer audio va desde el modelo que detecta el final de la pregunta hasta el primer audio de la respuesta, medido en el cliente. Los precios son las cantidades cobradas por estos giros exactos.
Qué buscar
La aritmética. Salir a las 7:40 con un trayecto de cuarenta minutos llega a las 8:20, cuarenta minutos antes del vuelo; salir a las 7:20 llega a las 8:00, una hora antes. Compara el plan de cada respuesta con el margen que dice que ofrece.
Flash contra Plus. Dentro de cada generación, Flash tiene un precio muy inferior al Plus. En esta prueba, los cuatro empezaron a hablar con unas pocas centésimas de segundo entre sí.
Haz la misma prueba en EmpirioLabs
wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-realtime-flash Autorización: Portador YOUR_EMPIRIOLABS_API_KEY {"type": "session.update", "session": { "voice": "xunanchuan_v3.1", "instructions": "Eres un asistente de voz útil. Responde en inglés en dos frases cortas.", "turn_detection": {"type": "server_vad", "silence_duration_ms": 900} }}Luego transmite audio del micrófono como input_audio_buffer.append eventos. Intercambia el modelo en la URL para probar los demás, usando una voz 3.0 como Daniel en los modelos 3.0, o haz clic en Iniciar sesión en el playground.
Preguntas frecuentes
¿Se editaron o volvieron a intentar las respuestas?
No. Cada respuesta es la primera respuesta del modelo a la pregunta, sin editar.
¿Por qué cuestan los modelos Plus unas diez veces más?
Sus fichas de audio y texto tienen un precio más alto. El número de fichas en este turno fue similar en las cuatro.
¿Cuál debería usar?
Prueba la pregunta que realmente te hacen tus usuarios. Las guías de lanzamiento cubren la configuración de cada modelo: Qwen Audio 3.1 Flash en tiempo real y Qwen Audio 3.0 Realtime Plus y Flash en Tiempo Real.
Pruébalo
Playground Silencio Todos los modelos Silencio Precios
