Inicio Blog

Cómo usar Qwen Audio 3.0 Realtime Plus y Realtime Flash

Portada del blog de Qwen Audio 3.0 Realtime Plus y API Flash en Tiempo Real

Nov 3, 2026

EmpirioLabs AI

Divulgación: Este artículo se escribió con ayuda de IA y fue revisado por EmpirioLabs AI.

Qwen Audio 3.0 Realtime Plus y Qwen Audio 3.0 Realtime Flash están disponibles en EmpirioLabs. Ambos son modelos de conversación de voz de Alibaba: abres un WebSocket, subes el audio del micrófono y la respuesta hablada vuelve a fluir. Cada uno tiene 19 voces, detección de giros que indica una pausa al final de una frase, búsqueda web nativa y llamada funcional. Realtime Plus equilibra el razonamiento con el ritmo conversacional; Realtime Flash está ajustado para respuestas rápidas, a un precio mucho más bajo.

Pruébalos en la Playground: Realtime Plus o Flash en tiempo real. Haz clic en Iniciar sesión y habla.

Mira el vídeo de lanzamiento

Cada voz en la película es una respuesta real Qwen Audio 3.0 Realtime por el socket, cada una contestando una pregunta mecanografiada: Plus con loongeva y, en mandarín, longanlingxi, y Flash con Daniel y Sherry. Las imágenes son salidas Qwen Image 2.1, y la banda sonora fue generada por ACE-Step en EmpirioLabs. Míralo en YouTube.

Conexión

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

Configura la sesión con session.update, añadir audio de micrófono como input_audio_buffer.append, y lee la respuesta de response.audio.delta, con su transcripción en response.audio_transcript.delta. El audio viaja como PCM de 16 bits, 16 kHz subiendo y 24 kHz regresando.

{"type": "session.update", "session": { "voice": "daniel", "instructions": "Eres un agente de soporte amable para una tienda de bicicletas.", "turn_detection": {"type": "smart_turn"}, "speed": 1.1 }}

Voces y interpretación

  • Voces. 19 voces, incluidas las voces en inglés Daniel, eco, Hannah, y Jerez, listado en la Voz en la referencia de la API y en el selector de Playground. Salir Voz unset y Longanqian habla. Estas voces difieren del conjunto de modelos en tiempo real Qwen Audio 3.1.
  • Entrega. Velocidad (0,5 a 2) determina la tasa de habla, enable_speech_emotion la entrega expresiva, y max_history_turns (1 a 50) cuántas intercambios anteriores lee el modelo.
  • Detección de giros. server_vad, el valor predeterminado, termina tu turno tras una pausa; smart_turn también juzga lo que se dijo, para que los sonidos de relleno no terminen un turno, y smart_turn_v2 Además, responde menos a los testigos.

Búsqueda web o llamada de funciones

La búsqueda web está desactivada por defecto; actívala con enable_search, o declarar funciones en Herramientas. Usa uno por sesión: a session.update que se activaría en ambos casos se rechazan con un Error evento que nombra el campo, y la sesión mantiene sus configuraciones anteriores. Para buscar en una sesión que declaró herramientas, envíe "herramientas": [] Primero. Para ambos en una sesión, usa Qwen Audio 3.1 Flash en tiempo real.

Notas operativas

  • Elige la voz antes del primer turno. Una vez que la sesión ha comenzado a procesar el audio, un session.update con una voz diferente se rechaza con un Error evento. Abre una nueva sesión para cambiar de voz.
  • No hay ajustes de idioma. input_language y output_language son los ajustes de Qwen Audio 3.1; en la versión 3.0 cada uno obtiene un Error evento que lo nombra, y el resto de la actualización se aplica. Digamos en Instrucciones en qué idioma responder.
  • Sigue haciendo streaming brevemente después de que termine el discurso. La detección de giro termina un turno al oír al altavoz detenerse, así que envía aproximadamente un segundo de silencio después de la última palabra.

Precios

Cada turno completado se factura según el uso que informa el modelo, con tarifas separadas para tokens de audio y texto en ambas direcciones, por lo que una respuesta solo de texto cuesta menos que una hablada. Los resultados de búsqueda cuentan como tokens de entrada. Las tarifas actuales están en el Realtime Plus y Flash en tiempo real Páginas de modelos y el página de precios.

Empieza a construir

La referencia de la API para cada modelo es en Realtime Plus y Flash en tiempo real, y las tablas completas de eventos están en la API de voz en tiempo real guía. Para la nueva generación, véase Cómo usar la API Flash en Tiempo Real de Qwen Audio 3.1.

¿Listo para usar mejores endpoints?

Explora nuestros modelos o contáctanos para consultas empresariales, despliegues personalizados o cualquier otra cosa.