Réponse courte: les quatre modèles Qwen Audio en temps réel ont tous entendu correctement la même question prononcée et ont commencé à répondre environ une demi-seconde après sa fin. Les deux modèles Flash coûtaient moins d’un dixième de centime pour le virage, et les deux modèles Plus moins d’un centime. Qwen Audio 3.1 Flash en temps réel, Qwen Audio 3.1 Realtime Plus, Qwen Audio 3.0 Realtime Plus et Qwen Audio 3.0 Flash en temps réel tous s’exécutent sur EmpirioLabs via le même point de terminaison en temps réel. Écoutez chaque réponse ci-dessous; nous ne déclarons pas de vainqueur.
La question
« J’ai un vol à neuf heures du matin et l’aéroport est à quarante minutes. Quand devrais-je partir de chez moi ? »
Écoutez les quatre réponses
« Vous devez partir de chez vous à 7h20 pour couvrir les 40 minutes de route et un tampon d’arrivée standard de deux heures. Cela garantit que vous arrivez à l’aéroport à 8h00, bien avant votre vol de 9h00. »
« Vous devez quitter la maison à 7h40 pour arriver à l’aéroport à 8h20. Cela vous donne une marge de 40 minutes pour vous enregistrer et passer la sécurité avant votre vol de 9h00. »
« Vous devriez quitter la maison au moins 2 heures avant votre vol pour prendre en compte l’enregistrement et la sécurité. Compte tenu des 40 minutes de route, essayez de partir vers 6h20 pour un vol à 9h00. »
« Vous devriez quitter la maison à 7h40 pour compenser les 40 minutes de route et l’heure habituelle d’enregistrement à l’aéroport. Cela vous donne une marge de manœuvre pour arriver au moins une heure avant votre vol de 9h00. »
Résultats en un aperçu
| 3.1 Flash en temps réel | 3.1 Realtime Plus | 3.0 Realtime Plus | 3.0 Flash en temps réel | |
|---|---|---|---|---|
| Prix pour ce tournant | $0.0008 | $0.0080 | $0.0085 | $0.0007 |
| Premier audio après la fin de la question | 0,48 seconde | 0,54 seconde | 0,49 seconde | 0,52 seconde |
| Longueur de la réponse prononcée | 13,1 secondes | 10,5 secondes | 11,4 secondes | 10,6 secondes |
| Voix | 88 | 88 | 19 | 19 |
| Recherche web avec appel de fonction en une seule session | Oui | Non, l’un ou l’autre | Non, l’un ou l’autre | Non, l’un ou l’autre |
| Paramètres linguistiques d’entrée et de sortie | Oui | Oui | Non | Non |
Comment nous l’avons géré
La question a été posée une seule fois (synthétisée avec Qwen Audio 3.1 TTS) et diffusée en temps réel sur chaque modèle en 16 kHz PCM, suivie d’une seconde et demie de silence, over WSS://api.empiriolabs.ai/v1/Realtime. Chaque session utilisait les mêmes instructions (« Vous êtes un assistant vocal utile. Répondez en anglais en deux courtes phrases. »), sortie texte et audio, et détection de rotation serveur avec une pause de 900 millisecondes. Un shot chacun, le 2 novembre 2026. Le temps du premier audio va du modèle détectant la fin de la question au premier audio de la réponse, mesuré au client. Les prix sont les montants facturés pour ces tours exacts.
Que chercher
L’arithmétique. Partir à 7h40 avec un trajet de quarante minutes arrive à 8h20, quarante minutes avant le vol; partir à 7h20 arrive à 8h00, une heure avant. Comparez le plan de chaque réponse avec le tampon qu’il indique indiquer.
Flash contre Plus. Au sein de chaque génération, Flash est bien en dessous de Plus. Dans ce test, les quatre commençaient à parler à quelques centièmes de seconde d’intervalle.
Fais le même test sur EmpirioLabs
wss://api.empiriolabs.ai/v1/realtime ?model=qwen-audio-3-1-realtime-flash Autorisation: Porteur YOUR_EMPIRIOLABS_API_KEY {"type »: « session.update », « session »: { « voice »: « xunanchuan_v3.1 », « instructions »: « Vous êtes un assistant vocal utile. Répondez en anglais en deux courtes phrases. », « turn_detection »: {"type »: « server_vad », « silence_duration_ms »: 900} }}Ensuite, diffuser l’audio du microphone comme input_audio_buffer.append événements. Échangez le modèle dans l’URL pour essayer les autres, en utilisant une voix 3.0 comme Daniel sur les modèles 3.0, ou cliquez sur Démarrer la session dans le playground.
Questions fréquemment posées
Les réponses ont-elles été modifiées ou retenties ?
Non. Chaque réponse est la première réponse du modèle à la question, sans modification.
Pourquoi les modèles Plus coûtent-ils environ dix fois plus cher ?
Leurs jetons audio et texte sont plus chers. Le nombre de jetons pour ce tour était similaire sur les quatre cartes.
Lequel devrais-je utiliser ?
Essayez la question que vos utilisateurs posent réellement. Les guides de lancement couvrent les paramètres de chaque modèle: Qwen Audio 3.1 Flash en temps réel et Qwen Audio 3.0 Realtime Plus et Flash en temps réel.
Essaie
Playground - Oui Tous les modèles - Oui Prix
