Duplex-Sprachkommunikation über einen Socket, mit 88 Stimmen, nativer Websuche, Tool-Anrufen sowie separaten Text- und Audio-Token-Raten.
Alibaba Cloud Audiogeneration 240K Kontext Veröffentlicht 20. Sept. 2026 Singapore Proprietärer Endpoint NeuDuplex-Sprachkommunikation über einen Socket, mit 88 Stimmen, nativer Websuche, Tool-Anrufen sowie separaten Text- und Audio-Token-Raten.
Die Sitzung ist mit session.update-Ereignissen über den Socket konfiguriert, statt mit Anfrageparametern. Die Websuche ist standardmäßig deaktiviert und kann nicht mit Funktionsaufrufen kombiniert werden. Text- und Audiotoken werden zu unterschiedlichen Sätzen abgestellt, und eine gesprochene Antwort rechnet nur ihre Audiotoken ab.
Auch bekannt als Qwen Audio Realtime Plus, Qwen Audio Realtime, Alibaba Cloud Qwen Audio 3.1 Realtime Plus
qwen-audio-3-1-realtime-plus/v1/realtimeqwen-audio-3.1-realtime-plusalibaba/qwen-audio-3-1-realtime-plusLive Pay-as-you-go-Preise aus dem EmpirioLabs-Katalog. Du zahlst nur für das, was du nutzt, ohne monatliches Minimum.
Qwen Audio 3.1 Realtime Plus führt ein Live-Gespräch über einen WebSocket unter wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-realtime-plus, nicht über die HTTP-Endpunkte. Verbinden Sie sich mit der Modell-ID qwen-audio-3-1-realtime-plus und senden Sie Ihren EmpirioLabs-API-Schlüssel beim Handshake als Authorization: Bearer-Header. Audio läuft in beide Richtungen als base64-kodiertes 16-Bit-PCM. Ein Browser kann bei einem WebSocket keine Header setzen. Öffnen Sie diese Verbindung daher von Ihrem Server aus und leiten Sie das Audio über Ihren eigenen Socket an den Browser weiter. Hol dir einen API-Schlüssel im EmpirioLabs Dashboard.
import asyncio, json, os, websockets
async def main():
async with websockets.connect(
"wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-realtime-plus",
additional_headers=[
("Authorization", f"Bearer {os.environ['EMPIRIOLABS_API_KEY']}"),
],
max_size=None,
) as ws:
print(json.loads(await ws.recv())["type"]) # session.created
await ws.send(json.dumps({
"type": "conversation.item.create",
"item": {
"type": "message",
"role": "user",
"content": [{"type": "input_text", "text": "Say hello."}],
},
}))
await ws.send(json.dumps({"type": "response.create"}))
async for raw in ws:
event = json.loads(raw)
if event["type"] == "response.audio.delta":
... # base64 audio chunk, append to your playback buffer
elif event["type"] == "response.done":
break
asyncio.run(main())Request-Parameter, die die Qwen Audio 3.1 Realtime Plus API auf EmpirioLabs unterstützt. Standardwerte gelten, wenn ein Feld weggelassen wird.
| Parameter | Typ | Standard | Bereich / Werte | Beschreibung |
|---|---|---|---|---|
| voice | enum | longanqian_v3.1 | longanqian_v3.1, longanhuan_v3.1, longanlingxin_v3.1, longanf... | Sprechstimme für die Sitzung. Setze sie mit session.update, bevor das Modell Audio erzeugt. Diese Stimmen sind spezifisch für dieses Modell. |
| instructions | string | - | - | Systemanleitung, wie sich das Modell während des Gesprächs verhalten und sprechen sollte. |
| input_language | enum | auto | auto, zh, en, ja, ko, vi, th, id, ar, fr, de, es, pt, ru, it | Sprache, die du sprichst. Das Transkript deiner Rede ist darin geschrieben; es erkennt automatisch. Auch als input_audio_transcription.language akzeptiert. |
| output_language | enum | auto | auto, zh, en, ja, ko, vi, th, id, ar, fr, de, es, pt, ru, it | In der Sprache, in der die gesprochene Antwort vorgelesen wird, zum Beispiel Japanisch oder Chinesisch für dieselben Zeichen. Die Antwort wird nicht übersetzt:... |
| speed | number | - | 0.5 bis 2 | Die Sprechrate der Antwort liegt von 0,5 bis 2. Niedrigere Werte verlangsamen die Sprache, höhere Werte beschleunigen sie. Auch als speech_rate akzeptiert. Wenn es... |
| enable_speech_emotion | boolean | true | - | Mehr ausgeprägte Emotionen in der gesprochenen Antwort. Schalten Sie es aus für eine gleichmäßigere Darbietung. |
| max_history_turns | integer | - | 1 bis 50 | Wie viele frühere Exchanges das Modell für jede Antwort liest, von 1 bis 50. Weniger Exchanges verwenden weniger Eingabetoken. Wenn sie ausgelassen werden, gilt der... |
| enable_search | boolean | false | - | Durchsuchen Sie das Web nach Echtzeitinformationen. Kann nicht in derselben Sitzung wie ein Funktionsaufruf verwendet werden. Suchergebnisse werden dem Gespräch... |
| modalities | string | ["text","audio"] | - | Welche Ausgabetypen das Modell für eine Runde zurückgibt. Lassen Sie Audio für eine reine Textantwort fallen. |
| input_audio_format | enum | pcm16 | pcm16 | Codierung des Audios, das du an den Eingangspuffer anhängst: base64 16-Bit-PCM bei 16 kHz. |
| output_audio_format | enum | pcm24 | pcm24 | Codierung des Audios, das das Modell zurückstreamt: 16-Bit-PCM bei 24 kHz. |
| turn_detection | string | {"type":"server_vad"} | - | Sprachaktivitätserkennung: Entscheidet, wann du fertig gesprochen hast und das Modell antworten soll. Sie ist standardmäßig als server_vad aktiviert, was deinen Zug... |
Vollduplex-Stimme über einen WebSocket bei wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-realtime-plus, authentifiziert mit dem gewöhnlichen Authorization Bearer-Header. Konfigurieren Sie die Sitzung mit session.update über dem Socket: Sprache, Befehle, Modalitäten, Zugerkennung, Sprachen und Auslieferung.
Setze input_language auf die Sprache, in der das Transkript deiner Rede geschrieben ist, und output_language auf die Sprache, in der die gesprochene Antwort vorgelesen wird. Jede Sprache nimmt Auto oder eine von zh, en, ja, ko, vi, th, id, ar, fr, de, es, pt, ru und it. Die Ausgabesprache übersetzt die Antwort nicht, daher frage auch in deinen Anweisungen nach ihrer Sprache. speed (0,5 bis 2) legt die Sprechrate, enable_speech_emotion die expressive Darbietung und max_history_turns (1 bis 50) fest, wie viele frühere Austausche das Modell liest.
Die Stimmen dieses Modells sind ein eigenes Set. Wählen Sie eine aus der Stimmenliste, anstatt eine Stimme gegenüber einem anderen Modell zu tragen, oder lassen Sie sie ungesetzt und die Standardstimme wird Ihnen bereitgestellt.
Die Websuche ist standardmäßig ausgeschaltet. Schalte sie mit enable_search ein. Sie kann nicht in derselben Sitzung wie das Funktionsaufruf aktiviert werden, und Suchergebnisse werden zur Konform hinzugefügt und zählen als Eingabetoken.
Audio- und Texttoken werden in beide Richtungen separat bepreist. Eine gesprochene Antwort wird nur für die Audioausgabetoken berechnet, und die Textausgaberate gilt für Antworten ohne Audio. Jede abgeschlossene Runde wird eigenständig nach der vom Modell angegebenen Nutzung berechnet.
Auf EmpirioLabs wird Qwen Audio 3.1 Realtime Plus nach Verbrauch abgerechnet: Eingabe: Audio $12.80 pro 1M Audio-Eingangstoken; Eingabe $1.60 pro 1M Prompt-Token; Ausgabe $12.80 pro 1 Million generierten Tokens, nur textbasierte Antworten; Ausgabe: Audio $48.00 pro 1M generierten Audio-Tokens; Web-Suche $0.00 pro Aufruf beim Aufruf. Die Live-Preistabelle auf dieser Seite entspricht immer dem, was die API berechnet.
Qwen Audio 3.1 Realtime Plus unterstützt ein Kontextfenster von 240K Token mit bis zu 16.384 Ausgabe-Token pro Antwort.
Qwen Audio 3.1 Realtime Plus wird über WEBSOCKET /v1/realtime auf api.empiriolabs.ai mit normaler Bearer-Token-Authentifizierung bereitgestellt.
Öffnen Sie das EmpirioLabs Playground und klicken Sie auf Start session, um es im Browser zu testen. Qwen Audio 3.1 Realtime Plus läuft über einen WebSocket statt über Anfrage und Antwort, beginnen Sie für die Integration deshalb mit dem Schnellstart für Echtzeit-Sprache. Verbinden Sie sich von Ihrem Server aus mit Ihrem EmpirioLabs-API-Schlüssel und der Modell-ID qwen-audio-3-1-realtime-plus und streamen Sie dann Audio in beide Richtungen.
Erstelle ein EmpirioLabs-Konto und generiere dann einen Schlüssel unter API Keys im Dashboard. Die Abrechnung erfolgt über Pay-as-you-go-Guthaben, du zahlst also nur für deine Requests.
Schauen Sie sich unsere Preise an oder kontaktieren Sie uns, wenn Sie Ihr eigenes Modell auf unserem Stack implementieren möchten.
