阿里云百炼上线 Qwen3.8-Omni-Flash-Realtime：实时音视频交互，支持多通道音频与远程 MCP 工具调用

阿里云百炼于 9 月 21 日上线 qwen3.8-omni-flash-realtime，一个面向实时音视频交互的全模态模型：输入模态为文本、流式音频与视频（连续图像帧），输出文本与音频；支持 Function Calling 与远程 MCP 工具调用，多通道音频在 WebSocket 接入下支持 1、2、4 声道（16kHz PCM），视频聚合可通过 session.video.input.representation_compact 配置，默认 Tina 音色，支持 WebSocket、WebRTC 与 AOQ 三种接入方式。

上下文限制：全部输入 token 总数上限 196,608，最大输出 65,536；音频历史最多 100 轮、累计 600 秒，视频历史最多 50 轮、累计 240 秒。定价按模态分档（华北 2 北京）——音频输入 6 元、音频输出 12 元，文本/图片/视频输入 1.5 元、文本输出 4.5 元每百万 token；新加坡地域同档略高。北京与新加坡限流均为 60 RPM、2,000,000 TPM，两地各含 100 万 token 免费额度。

它改变了什么：把「实时音视频」与「工具调用」并进同一条链路——模型不再只是边听边说，而是能在通话过程中调远程 MCP 工具、聚合连续视频帧再继续对话。对照去年同期的实时语音模型，能力边界从「语音对话」扩到「音视频感知 + 外部工具执行」，代价是历史窗口被明确设限（视频累计 240 秒），说明长时视频上下文仍是瓶颈。

原文链接：阿里云百炼官方文档