音频输入Audio input

输入 · 前沿

Gemini / GPT 侧的多模态输入。入口是音频、产出仍是文本 —— 所以在这一卷，不在音频那一卷

各家叫法：Audio input同一件事，各家名字不同。我们自己就因为按字面去搜而误判过 —— Kling 管角色参考叫 Element、LTX 叫 Ingredients，按 Character Reference 去找会一无所获，然后把「没找到」写成「官方没说」。

chat：谁实现了

Anthropic · Anthropic

Claude Fable 5.1

同一句只写 text and image input —— 没有音频输入

Anthropic 官方文档 · 模型总览官方来源核验版本 Fable 5.1核验于 2026-09-10机器录入

OpenAI · OpenAI

GPT-6 Astra

同一句只写 text and image input —— 没有音频输入。声音走 gpt-realtime / gpt-audio 那条线，不是主线模型

OpenAI · Models官方来源核验版本 GPT-6 Astra核验于 2026-09-10机器录入

Google DeepMind · Google DeepMind

Gemini 4 Argon

支持音频输入，输出为文本；不是音频生成。

Google · Gemini 4 Argon 模型卡官方来源核验版本 Gemini 4 Argon核验于 2026-10-19机器录入

阿里巴巴 · 通义 Qwen

Qwen 3.8-max

音频输入长在另一条产品线上。 批量推理页把 qwen3.8-max 列在「多模态模型 → 图像与视频理解」一栏（没有音频）；能吃音频的是 Qwen3.5-Omni / Qwen3-Omni-Flash / Qwen-Audio 那一系（全模态页：「全模态模型能同时理解文本、音频、图片和视频」）。那是另一个模型，不是 qwen3.8-max 的同门版本，所以不填 sibling，照实留 ⬜。

无来源 —— 这一格是「查了没找到」，不是「我们没查」核验版本 3.8-max核验于 2026-08-12机器录入

深度求索 · DeepSeek

DeepSeek V4.1 Flash-1017

已核 1017 当前价目表，未取得本项明确证据。Search / Fetch 为独立接口；旧 V4.1 权重不证明 1017 检查点开放。

DeepSeek 官方文档 · 模型与价格官方来源核验版本 V4.1 Flash-1017核验于 2026-10-19机器录入

月之暗面 · Moonshot AI

Kimi K3

无来源 —— 这一格是「查了没找到」，不是「我们没查」核验版本 K3未单独记核验日 · 数据截至 2026-10-19机器录入

智谱 · Z.ai

GLM-5.3

对话补全 API 的 OpenAPI 里有「音频对话示例」，`model: glm-4-voice`、内容块 `type: input_audio`。⚠️ 不是 GLM-5.2 —— 它自己的模型页写明输入输出模态均为 Text

智谱开放平台 · 对话补全 API官方来源核在同门另一支：glm-4-voice核验于 2026-08-11机器录入