Alibaba Cloud ha incorporado a su catálogo qwen-audio-3.1-realtime-flash, un modelo de voz pensado para integrar conversaciones en tiempo real en aplicaciones. Acepta texto y audio, responde en ambos formatos y combina esa interacción con búsqueda web y llamadas a funciones.
La tabla oficial de lanzamientos lo fecha el 27 de octubre en el apartado de Singapur, con alcance International. Es una incorporación a la API de Model Studio: ese registro no anuncia por sí mismo el mismo cambio en todas las aplicaciones de Qwen para consumidores.
Qué significa una conversación de voz en tiempo real
El proveedor lo describe como un modelo de voz dúplex. La idea es facilitar el intercambio hablado dentro de un mismo sistema, con entrada y salida de audio, en lugar de limitar la interfaz a mensajes de texto que después se leen en voz alta.
Para quien desarrolla un asistente, eso permite trabajar sobre la interacción completa: escuchar, procesar el contexto y producir la respuesta. La experiencia final también dependerá de cómo la aplicación gestione los turnos, la conexión y las herramientas que incorpore. El anuncio no aporta una medida universal de latencia que permita prometer una respuesta instantánea en cualquier dispositivo.
La ficha específica del modelo enumera conexión mediante WebSocket, WebRTC y AOQ, junto con varios modos de interacción. Son opciones para integrar el servicio, no funciones que aparezcan automáticamente en una cuenta de usuario por leer el anuncio.
Una voz que también puede consultar y utilizar funciones
La búsqueda web y las llamadas a funciones permiten conectar la conversación con otras acciones de la aplicación. Por ejemplo, un desarrollador podría diseñar un asistente que recupere información actualizada o consulte una herramienta específica mientras atiende una petición hablada.
Ese ejemplo describe una posibilidad de integración, no una aplicación que PLANA haya probado. La utilidad dependerá de qué fuentes y funciones estén conectadas, qué información devuelvan y qué controles haya sobre las acciones. Una voz fluida no garantiza por sí sola que una consulta o una operación sean correctas.
La documentación también incluye clonación de voz entre las capacidades. El producto está orientado a construir experiencias de audio; su existencia no significa que Alibaba haya publicado aquí un modelo de pesos abiertos para descargar y ejecutar localmente.
El contexto tiene límites concretos
El contexto anunciado es de 262.144 tokens. La ficha distingue esa ventana general de los límites del historial de audio: hasta 50 turnos y 300 segundos acumulados dentro del contexto.
Ese matiz importa al diseñar conversaciones largas. Una cifra grande de tokens no equivale a conservar sin límite todas las grabaciones de una sesión. La aplicación tendrá que gestionar cuánto historial mantiene y cuándo inicia otro intercambio.
Cuánto cuesta en la oferta de Singapur
La tabla oficial de precios diferencia cuatro conceptos. Estas son las tarifas estándar en dólares estadounidenses por millón de tokens para qwen-audio-3.1-realtime-flash en Singapur, con alcance International:
Entrada de texto: 0,23 USD por millón de tokens.
Entrada de audio: 0,93 USD por millón de tokens.
Salida de texto: 0,70 USD por millón de tokens.
Salida de audio: 1,87 USD por millón de tokens.
La ficha aclara una regla importante: una respuesta que contiene texto y audio factura la salida de audio; su texto acompañante no añade otro cargo de salida. Una respuesta únicamente textual utiliza la tarifa de texto.
Tampoco es una tarifa por minuto de conversación. La facturación depende de los tokens y del contenido procesado; en intercambios sucesivos, el contexto utilizado puede aumentar las entradas facturadas. Antes de comparar el coste con otro servicio habría que medir un flujo equivalente y revisar sus condiciones.
Qué cambia para quien quiera utilizarlo
La novedad ofrece otra opción alojada para desarrollar asistentes de voz con acceso a herramientas. La región, el identificador exacto del modelo y las reglas de facturación importan tanto como el nombre comercial: otras variantes y otros despliegues tienen tablas distintas.
La fecha de lanzamiento verificada es el 27 de octubre. Las actualizaciones posteriores de las páginas de documentación no deben confundirse con otro estreno. Lo relevante ahora es qué aplicaciones pueden construir sobre esta API y cómo funcionarán sus conversaciones, consultas y acciones en pruebas reales.