Zuhause Blog

Wie man Qwen Audio 3.0 Realtime Plus und Realtime Flash verwendet

Qwen Audio 3.0 Realtime Plus und Realtime Flash API Blog-Cover

Nov 3, 2026

EmpirioLabs AI

Hinweis: Dieser Artikel wurde mit KI-Unterstützung verfasst und von EmpirioLabs AI geprüft.

Qwen Audio 3.0 Realtime Plus und Qwen Audio 3.0 Realtime Flash sind auf EmpirioLabs verfügbar. Beide sind Alibaba-Sprachkonversationsmodelle: Man öffnet einen WebSocket, streamt den Mikrofonton hoch und die gesprochene Antwort wird zurückgestreamt. Jede hat 19 Stimmen, eine Zugerkennung, die eine Pause am Satzende anzeigt, native Websuche und Funktionsaufrufe. Realtime Plus balanciert das Schließen mit dem Gesprächsrhythmus; Realtime Flash ist auf schnelle Antworten ausgelegt – zu einem deutlich niedrigeren Preis.

Probieren Sie sie im Playground aus: Realtime Plus oder Echtzeit-Flash. Klicken Sie auf Sitzung starten und sprechen.

Sehen Sie sich den Startfilm an

Jede Stimme im Film ist eine echte Qwen Audio 3.0 Realtime-Antwort über die Fassung, die jeweils eine getippte Frage beantwortet: Plus mit Loongeva und auf Mandarin Longanlingxi und Flash mit Daniel und Sherry. Die Bilder sind Qwen Image 2.1-Ausgaben, und der Score wurde von ACE-Step auf EmpirioLabs generiert. Sieh es dir auf YouTube an..

Anschluss

wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-0-realtime-flash Autorisierung: Inhaber YOUR_EMPIRIOLABS_API_KEY

Konfigurieren Sie die Sitzung mit session.update, Mikrofonton anhängen als input_audio_buffer.append, und lies die Antwort von response.audio.delta, mit dem Transkript auf response.audio_transcript.delta. Audio wird als 16-Bit-PCM übertragen, 16 kHz steigend und 24 kHz zurück.

{"type": "session.update", "session": { "voice": "daniel", "instructions": "Sie sind ein freundlicher Support-Mitarbeiter für einen Fahrradladen.", "turn_detection": {"type": "smart_turn"}, "speed": 1.1 }}

Stimmen und Vortrag

  • Stimmen. 19 Stimmen, darunter die englischen Daniel, Echo, Hannah, und Sherry, aufgeführt auf dem Stimme Parameter in der API-Referenz und im Playground-Picker. Verlassen Stimme Ungesetzt und Longanqian spricht. Diese Stimmen unterscheiden sich vom Satz der Qwen Audio 3.1 Echtzeit-Modelle.
  • Lieferung. Geschwindigkeit (0,5 bis 2) legt die Sprechrate fest, enable_speech_emotion die expressive Darbietung, und max_history_turns (1 bis 50) wie viele frühere Austausche das Modell ausliest.
  • Schalterkennung ab. server_vad, der Standard, beendet deinen Zug nach einer Pause; smart_turn beurteilt außerdem, was gesagt wurde, damit Füllgeräusche keinen Zug beenden, und smart_turn_v2 Außerdem beantwortet Zuschauer seltener.

Websuche oder Funktionsaufruf

Die Websuche ist standardmäßig ausgeschaltet; schalten Sie sie mit enable_search, oder deklarieren Sie Funktionen in Werkzeuge. Verwenden Sie pro Sitzung eine: eine session.update das würde beide mit einem verweigerten Fehler das Ereignis das Feld benennt, und die Sitzung behält ihre früheren Einstellungen bei. Um in einer Sitzung zu suchen, die Tools deklariert hat, senden Sie "Werkzeuge": [] Erstens. Für beides in einer Sitzung, verwenden Sie Qwen Audio 3.1 Echtzeit-Flash.

Betriebshinweise

  • Wähle die Stimme vor der ersten Runde. Sobald die Sitzung mit der Audioverarbeitung begonnen hat, gilt ein session.update mit einer anderen Stimme wird mit einem Fehler Ereignis. Eine neue Sitzung eröffnen, um die Stimmen zu wechseln.
  • Es gibt keine Spracheinstellungen. input_language und output_language sind Qwen Audio 3.1-Einstellungen; auf 3.0 erhält jeder eine Fehler Event-Benennung und der Rest des Updates gilt. Sagen wir in Anleitung In welcher Sprache soll ich antworten.
  • Streame kurz weiter, nachdem die Rede beendet ist. Die Abzugserkennung beendet eine Runde, indem man hört, wie der Lautsprecher stoppt, also sende etwa eine Sekunde Stille nach dem letzten Wort.

Preisgestaltung

Jede abgeschlossene Runde wird aus der vom Modell angegebenen Nutzung abgerechnet, mit separaten Tarifen für Audio- und Texttoken in beide Richtungen, sodass eine reine Textantwort weniger kostet als eine mündliche. Suchergebnisse zählen als Eingabetoken. Aktuelle Raten sind auf der Realtime Plus und Echtzeit-Flash Modellseiten und die preisseite.

Beginnen Sie mit dem Bau

Die API-Referenz für jedes Modell ist bei Realtime Plus und Echtzeit-Flash, und die vollständigen Ereignistabellen sind in der Echtzeit-Sprach-API Leitfaden. Für die neuere Generation siehe Wie man die Qwen Audio 3.1 Realtime Flash API verwendet.

Bereit, bessere Endpunkte zu nutzen?

Entdecken Sie unsere Modelle oder kontaktieren Sie uns bei Geschäftsanfragen, individuellen Deployments oder sonst etwas.