簡単に言うと: Qwen Audioのリアルタイム4モデルすべてが同じ音声問題を正しく聞き、終了後約0.5秒で回答を始めました。2つのFlashモデルは1ターンで0.1セント未満、2つのPlusモデルは1セント未満でした。 Qwen Audio 3.1 リアルタイムフラッシュ, Qwen Audio 3.1 Realtime Plus, Qwen Audio 3.0 Realtime Plus および Qwen Audio 3.0 リアルタイムフラッシュ すべて同じリアルタイムエンドポイントを通じてEmpirioLabs上で実行されます。以下の各返信を聞いてください;勝者を宣言するわけではありません。
質問
「午前9時のフライトで、空港までは40分かかるの。いつ家を出ればいい?」
4人の返信を聞いてください
「40分のドライブと標準的な2時間の到着期間を考慮して、午前7時20分までに帰宅してください。これにより、午前8時までに空港に到着し、9時のフライトよりかなり早い時間になります。」
「午前7時40分までに家を出発し、8時20分までに空港に到着してください。これでチェックインとセキュリティチェックの40分の猶予が確保されます。午前9時の便に乗る前に。」
「チェックインやセキュリティチェックを考慮して、フライトの少なくとも2時間前には帰宅してください。40分のドライブを考慮すると、午前6時20分頃に出発し、9時の便に乗りましょう。」
「40分のドライブと通常の空港チェックイン時間を考慮して、午前7時40分までに帰宅してください。これにより、午前9時のフライトの少なくとも1時間前に到着できる余裕があります。」
結果を一目で見た
| 3.1 リアルタイムフラッシュ | 3.1 リアルタイム・プラス | 3.0 リアルタイム・プラス | 3.0 リアルタイムフラッシュ | |
|---|---|---|---|---|
| このターンの代償 | $0.0008 | $0.0080 | $0.0085 | $0.0007 |
| 質問終了後の最初の音声 | 0.48秒 | 0.54秒 | 0.49秒 | 0.52秒 |
| 口頭での返答の長さ | 13.1秒 | 10.5秒 | 11.4秒 | 10.6秒 |
| 声 | 88 | 88 | 19 | 19 |
| 1セッションで関数呼び出しを伴うウェブ検索 | はい | いや、どちらか一方だ | いや、どちらか一方だ | いや、どちらか一方だ |
| 入力および出力言語設定 | はい | はい | いいえ | いいえ |
運営方法
質問は一度だけ(Qwen Audio 3.1 TTSで合成)され、リアルタイムで16 kHz PCMとして各モデルにストリーミングされ、その後1.5秒の無音が続きました WSS://api.empiriolabs.ai/v1/realtime.各セッションは同じ指示(「あなたは役立つボイスアシスタントです。英語で2つの短い文で答えてください。」)、テキストと音声の出力、そして900ミリ秒の一時停止を伴うサーバーターン検出が行われました。それぞれ1回ずつ、2026年11月2日に撮影されました。最初の音声時間は、モデルが質問の終わりを検出してから、クライアントで測定された返答の最初の音声までです。価格は、これらの正確なターンに対して請求される金額です。
注意すべき点
算数。 7:40に出発し、40分のドライブで8:20に到着し、フライトの40分前です。7:20に出発すると8:00、1時間前です。各返信のプランと、表示されているバッファを比較してください。
フラッシュ対プラス。 各世代ごとに、Flashの価格はプラスを大きく下回っています。このテストでは、4人が数百分の一秒以内に話し始めました。
同じテストをEmpirioLabsで行ってください
wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-realtime-flash 認証:ベアラー YOUR_EMPIRIOLABS_API_KEY {"type": "session.update", "session": { "voice": "xunanchuan_v3.1", "instructions": "あなたは役立つボイスアシスタントです。英語で2つの短い文で答えてください。", "turn_detection": {"type": "server_vad", "silence_duration_ms": 900} }}次にマイクの音声をストリーミングします。 input_audio_buffer.append イベント。URL内のモデルを入れ替えて、他のモデルを試すために、例えば3.0の音声を使って試してください。 ダニエル 3.0モデルの上で、または playgroundお問い合わせ.
よくある質問
返信は編集されたり再試したりされましたか?
いいえ。各返信はモデルが質問に対して最初に返したもので、編集されていません。
なぜPlusモデルは約10倍の値段がつくのでしょうか?
音声トークンとテキストトークンの価格は高めに設定されています。このターンのトークン数は4つすべてで似ていました。
どちらを使うべきでしょうか?
ユーザーが実際に尋ねる質問を試してみてください。ローンチガイドには各モデルの設定が説明されています: Qwen Audio 3.1 リアルタイムフラッシュ および Qwen Audio 3.0 Realtime PlusおよびRealtime Flashお問い合わせ.
試してみて
Playground お問い合わせ 全モデル お問い合わせ 料金について
