Resposta curta: todos os quatro modelos em tempo real da Qwen Audio ouviram corretamente a mesma pergunta falada e começaram a responder cerca de meio segundo após o término. Os dois modelos Flash custaram menos de um décimo de centavo pelo turno, e os dois modelos Plus abaixo de um centavo. Qwen Audio 3.1 Flash em Tempo Real, Qwen Audio 3.1 Realtime Plus, Qwen Audio 3.0 Realtime Plus e Qwen Audio 3.0 Flash em Tempo Real Todos rodam em EmpirioLabs pelo mesmo ponto final em tempo real. Ouça cada resposta abaixo; não estamos declarando um vencedor.
A questão
"Tenho um voo às nove da manhã e o aeroporto fica a quarenta minutos daqui. Quando devo sair de casa?"
Ouça as quatro respostas
"Você deve sair de casa às 7h20 para compensar os 40 minutos de viagem e um intervalo padrão de chegada de duas horas. Isso garante que você chegue ao aeroporto às 8h, bem antes do voo das 9h."
"Você deve sair de casa até as 7h40 para chegar ao aeroporto às 8h20. Isso te dá um margem de 40 minutos para fazer o check-in e passar pela segurança antes do voo das 9h."
"Você deve sair de casa pelo menos 2 horas antes do voo para cuidar do check-in e da segurança. Considerando os 40 minutos de viagem, o objetivo é partir por volta das 6h20 para um voo às 9h."
"Você deve sair de casa às 7h40 para contabilizar os 40 minutos de viagem e o horário típico de check-in no aeroporto. Isso te dá uma margem para chegar pelo menos uma hora antes do voo das 9h."
Resultados em resumo
| 3.1 Flash em Tempo Real | 3.1 Realtime Plus | 3.0 Realtime Plus | 3.0 Flash em Tempo Real | |
|---|---|---|---|---|
| Preço dessa jogada | $0.0008 | $0.0080 | $0.0085 | $0.0007 |
| Primeiro áudio após a pergunta terminar | 0,48 segundos | 0,54 segundos | 0,49 segundos | 0,52 segundos |
| Duração da resposta falada | 13,1 segundos | 10,5 segundos | 11,4 segundos | 10,6 segundos |
| Vozes | 88 | 88 | 19 | 19 |
| Busca na web com chamada de função em uma única sessão | Sim | Não, um ou outro | Não, um ou outro | Não, um ou outro |
| Configurações de linguagem de entrada e saída | Sim | Sim | Não | Não |
Como administramos
A pergunta foi dita uma vez (sintetizada com Qwen Audio 3.1 TTS) e transmitida para cada modelo em tempo real como PCM de 16 kHz, seguida por um segundo e meio de silêncio, sobre WSS://api.empiriolabs.ai/v1/Realtime. Cada sessão usou as mesmas instruções ("Você é um assistente de voz útil. Responda em inglês em duas frases curtas."), saída de texto e áudio, e detecção de turno do servidor com pausa de 900 milissegundos. Um shot cada, em 2 de novembro de 2026. O tempo do primeiro áudio vai do modelo detectando o fim da pergunta até o primeiro áudio da resposta, medido no cliente. Os preços são os valores cobrados por essas exatas rodadas.
O que observar
A aritmética. Sair às 7h40 com quarenta minutos de viagem chega às 8h20, quarenta minutos antes do voo; sair às 7h20 chega às 8h, uma hora antes. Compare o plano de cada resposta com o buffer que ele diz ter.
Flash contra Plus. Dentro de cada geração, Flash tem preço bem abaixo do Plus. Neste teste, os quatro começaram a falar com poucos centésimos de segundo de diferença.
Faça o mesmo teste no EmpirioLabs
wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-realtime-flash Autorização: Portador YOUR_EMPIRIOLABS_API_KEY {"type": "session.update", "session": { "voice": "xunanchuan_v3.1", "instructions": "Você é um assistente de voz útil. Responda em inglês em duas frases curtas.", "turn_detection": {"type": "server_vad", "silence_duration_ms": 900} }}Depois, transmita áudio do microfone como input_audio_buffer.append eventos. Troque o modelo na URL para tentar os outros, usando uma voz 3.0 como Daniel nos modelos 3.0, ou clique em Iniciar sessão no playground.
Perguntas frequentes
As respostas foram editadas ou retentadas?
Não. Cada resposta é a primeira resposta do modelo à pergunta, sem edição.
Por que os modelos Plus custam cerca de dez vezes mais?
Seus tokens de áudio e texto têm preço mais alto. A contagem de tokens para este turno foi semelhante em todos os quatro.
Qual devo usar?
Tente a pergunta que seus usuários realmente fazem. Os guias de lançamento cobrem as configurações de cada modelo: Qwen Audio 3.1 Flash em Tempo Real e Qwen Audio 3.0 Realtime Plus e Flash em Tempo Real.
Experimente
Playground □ Todos os modelos □ Preços
Divulgação: Este artigo foi escrito com assistência de IA e revisado por EmpirioLabs IA.
