Inicio Blog

Cómo usar la API Flash en Tiempo Real de Qwen Audio 3.1

Portada del blog de la API Flash en Tiempo Real de Qwen Audio 3.1

Nov 3, 2026

EmpirioLabs AI

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

Qwen Audio 3.1 Realtime Flash está disponible en EmpirioLabs. Es el nivel rápido de los modelos de conversación de voz Qwen Audio 3.1 de Alibaba: abres un WebSocket, subes el audio del micrófono y la respuesta hablada vuelve a fluir. Tiene 88 voces, configuraciones separadas para el idioma que hablas y el idioma en el que responde, detección de giro que indica una pausa al final de una frase, y búsqueda web nativa que se ejecuta en la misma sesión que tus propias llamadas de función.

Pruébalo en el Playground: haz clic en Iniciar sesión y habla.

Mira el vídeo de lanzamiento

Cada voz en la película es una respuesta real Qwen Audio 3.1 Realtime Flash por el socket, cada una respondiendo a una pregunta mecanografiada: Luca en inglés, Yuxiaoyun en mandarín y Emily en japonés. Las imágenes son salidas Qwen Image 2.1, y la banda sonora fue generada por ACE-Step en EmpirioLabs. Míralo en YouTube.

Conexión

Abre el endpoint en tiempo real con el modelo en la cadena de consulta y tu clave API en el handshake:

wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-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": "xunanchuan_v3.1", "instructions": "Eres un asistente de viaje conciso. Responde en inglés.", "input_language": "en", "output_language": "en", "turn_detection": {"type": "smart_turn_v2"} }}

Voces, idiomas y forma de expresar

  • Voces. 88 voces, listadas en el Voz en la referencia de la API y en el selector de Playground. Salir Voz unset y longanqian_v3.1 habla.
  • Idiomas. input_language es el idioma que hablas, en el que está redactado tu expediente, y output_language el lenguaje en el que se lee la respuesta. Cada uno toma Auto o uno de 14 códigos: zh, en, Ja, Ko, vi, th, id, ar, fr, de, es, pt, ru, y it.
  • 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 de silence_duration_ms. smart_turn también juzga lo que se dijo, para que sonidos de relleno como "eh" no terminen un turno ni interrumpan la respuesta, y smart_turn_v2 también responde menos a los testigos y comentarios secundarios. Set turn_detection a null para comprometerte tú mismo.

Busca en la web con tus propias funciones

La búsqueda web está desactivada por defecto. Actívala con enable_search, y declaran funciones en Herramientas En la misma sesión: el modelo puede buscar algo y llamar a tu función en una sola conversación.

{"tipo": "sesión.actualización", "sesión": { "enable_search": verdadero, "herramientas": [{ "tipo": "función", "nombre": "book_table", "descripción": "reserva una mesa de restaurante", "parámetros": {"tipo": "objeto", "propiedades": { "restaurante": {"tipo": "cadena"}, "hora": {"tipo": "cadena"}}, "requerido": [restaurante", "hora"]} }] }}

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.
  • El lenguaje de salida no se traduce. Establece el lenguaje en el que se lee la respuesta. Pide ese lenguaje en Instrucciones también.
  • Sigue haciendo streaming brevemente después de que termine el discurso. La detección de giro termina un turno al oír al altavoz detenerse, así que un cliente que corta el audio en la última palabra no recibe respuesta. Envía aproximadamente un segundo de silencio después.

Precios

Cada turno completado se factura según el uso que reporta el modelo, con tarifas separadas para tokens de audio y texto en ambas direcciones, por lo que una respuesta solo de texto, con audio eliminado de Modalidades, cuesta menos que una de voz hablada. Los resultados de búsqueda se añaden a la conversación y cuentan como tokens de entrada. Realtime Flash tiene un precio muy inferior Qwen Audio 3.1 Realtime Plus. Las tarifas actuales están en el página modelo y el página de precios.

Empieza a construir

Prueba Qwen Audio 3.1 Realtime Flash en la Playground, leer el Documentación de la API, y encuentra las tablas completas de eventos en la API de voz en tiempo real guía.

¿Listo para usar mejores endpoints?

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