Qwen Audio 3.1 Realtime Plus y Qwen Audio 3.0 Realtime Flash lado a lado: especificaciones, capacidades, parámetros y precios en vivo del catálogo de EmpirioLabs.
Alibaba Cloud Generación de audioQwen Audio 3.1 Realtime Plus y Qwen Audio 3.0 Realtime Flash son modelos de Alibaba Cloud en la categoría Generación de audio, disponibles a través de la API de EmpirioLabs.
| Especificación | Qwen Audio 3.1 Realtime Plus | Qwen Audio 3.0 Realtime Flash |
|---|---|---|
| ID del modelo | qwen-audio-3-1-realtime-plus | qwen-audio-3-0-realtime-flash |
| Autor | Alibaba Cloud | Alibaba Cloud |
| Lanzado | 20 sept 2026 | 10 ago 2026 |
| Ventana de contexto | 240K tokens | 16K tokens |
| Salida máxima | 16.384 tokens | 8192 tokens |
| Entrada | Audio Texto | Audio Texto |
| Salida | Audio Texto | Audio Texto |
| Región | Singapore | Singapore |
| Endpoints | WEBSOCKET /v1/realtime | WEBSOCKET /v1/realtime |
| Capacidades |
Tarifas en vivo del catálogo de EmpirioLabs para ambos modelos. Cada tabla de tarifas siempre coincide con lo que cobra la API.
Parámetros de solicitud que cada modelo indica en EmpirioLabs, con los valores permitidos o el rango cuando corresponde. Un guion marca un parámetro que el modelo no indica.
| Parámetro | Qwen Audio 3.1 Realtime Plus | Qwen Audio 3.0 Realtime Flash |
|---|---|---|
| voice | longanqian_v3.1, longanhuan_v3.1, longanlingxin_v3.1, longanf... Predeterminado: longanqian_v3.1 | longanqian, longanlingxin, longanlufeng, longanlingxi, longan... Predeterminado: longanqian |
| instructions | string | string |
| input_language | auto, zh, en, ja, ko, vi, th, id, ar, fr, de, es, pt, ru, it Predeterminado: auto | - |
| output_language | auto, zh, en, ja, ko, vi, th, id, ar, fr, de, es, pt, ru, it Predeterminado: auto | - |
| speed | 0.5 a 2 | 0.5 a 2 |
| enable_speech_emotion | boolean Predeterminado: true | boolean Predeterminado: true |
| max_history_turns | 1 a 50 | 1 a 50 |
| enable_search | boolean Predeterminado: false | boolean Predeterminado: false |
| modalities | string Predeterminado: ["text","audio"] | string Predeterminado: ["text","audio"] |
| input_audio_format | pcm16 Predeterminado: pcm16 | pcm16 Predeterminado: pcm16 |
| output_audio_format | pcm24 Predeterminado: pcm24 | pcm24 Predeterminado: pcm24 |
| turn_detection | string Predeterminado: {"type":"server_vad"} | string Predeterminado: {"type":"server_vad"} |
Voz full-dúplex sobre un WebSocket en wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-realtime-plus, autenticada con la cabecera ordinaria de Portador de Autorización. Configura la sesión con session.update sobre el socket: voz, instrucciones, modalidades, detección de giros, idiomas y entrega.
Establece input_language al idioma que hablas, en el que está escrita la transcripción de tu habla, y output_language al idioma en el que se lee la respuesta hablada. Cada uno toma auto o uno de zh, en, ja, ko, vi, th, id, ar, fr, de, es, pt, ru y it. El idioma de salida no traduce la respuesta, así que pide también su idioma en tus instrucciones. speed (0.5 a 2) establece la tasa de habla, enable_speech_emotion la expresión expresiva y max_history_turns (1 a 50) cuántos intercambios anteriores lee el modelo.
Las voces de este modelo son un set propio. Elige una de la lista de voces en lugar de llevar una voz frente a otro modelo, o déjala sin configurar y se te proporciona la voz predeterminada.
La búsqueda web está desactivada por defecto. Actívala con enable_search. No puede activarse en la misma sesión que la llamada a una función, y los resultados de búsqueda se añaden a la conversación y cuentan como tokens de entrada.
Los tokens de audio y texto se valoran por separado en ambas direcciones. Una respuesta hablada se factura solo por sus tokens de salida de audio, y la tasa de salida de texto se aplica a respuestas sin audio. Cada turno completado se factura por separado según el uso que el modelo reporte.
Voz dúplex completo sobre un WebSocket a wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-0-realtime-flash, autenticada con la cabecera ordinaria de Portador de Autorización. Configura la sesión con session.update sobre el socket: voz, instrucciones, modalidades, detección de giros y entrega.
speed (0,5 a 2) establece la tasa de habla, enable_speech_emotion la expresión y max_history_turns (1 a 50) cuántas intercambios anteriores lee el modelo. Pide el lenguaje de la respuesta en tus instrucciones.
Las voces de este modelo son un set propio. Elige una de la lista de voces en lugar de llevar una voz frente a otro modelo, o déjala sin configurar y se te proporciona la voz predeterminada.
La búsqueda web está desactivada por defecto. Actívala con enable_search. No puede activarse en la misma sesión que la llamada a una función, y los resultados de búsqueda se añaden a la conversación y cuentan como tokens de entrada.
Los tokens de audio y texto se valoran por separado en ambas direcciones. Una respuesta hablada se factura solo por sus tokens de salida de audio, y la tasa de salida de texto se aplica a respuestas sin audio. Cada turno completado se factura por separado según el uso que el modelo reporte.
Qwen Audio 3.1 Realtime Plus mantiene una conversación en vivo a través de un WebSocket en wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-realtime-plus, no a través de los endpoints HTTP. Conéctate con el id de modelo qwen-audio-3-1-realtime-plus y envía tu clave de API de EmpirioLabs como cabecera Authorization: Bearer en el handshake. El audio viaja en ambos sentidos como PCM de 16 bits en base64. Un navegador no puede establecer cabeceras en un WebSocket, así que abre esta conexión desde tu servidor y retransmite el audio al navegador por tu propio socket. Ambos modelos se llaman a través del mismo endpoint. Establece model en qwen-audio-3-1-realtime-plus o qwen-audio-3-0-realtime-flash. Consigue una clave de API en el panel de EmpirioLabs.
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())Pruebas de prompts y comparativas que cubren ambos modelos.
Qwen Audio 3.1 Realtime Plus es el lanzamiento más reciente (20 sept 2026); Qwen Audio 3.0 Realtime Flash se lanzó el 10 ago 2026. Qwen Audio 3.1 Realtime Plus tiene la ventana de contexto más grande: 240K tokens, frente a 16K de Qwen Audio 3.0 Realtime Flash. Qwen Audio 3.1 Realtime Plus devuelve hasta 16.384 tokens de salida por respuesta; Qwen Audio 3.0 Realtime Flash, hasta 8192. Las especificaciones, las tablas de tarifas y los parámetros de esta página provienen del catálogo en vivo de EmpirioLabs.
Qwen Audio 3.1 Realtime Plus es el lanzamiento más reciente (20 sept 2026); Qwen Audio 3.0 Realtime Flash se lanzó el 10 ago 2026.
Qwen Audio 3.0 Realtime Flash tiene la tarifa más baja para Entrada: audio (por 1M de tokens de entrada de audio) y Entrada (por 1M de tokens de prompt). Las dos tablas de tarifas en vivo están en esta página y siempre coinciden con lo que cobra la API.
Sí. Ambos modelos usan WEBSOCKET /v1/realtime con la misma clave de API de EmpirioLabs, así que la mayoría de las integraciones cambian con solo modificar el valor model. Revisa antes la tabla de parámetros de esta página si dependes de un parámetro específico de un modelo.
Sí. Abre cada modelo en el playground de EmpirioLabs y pulsa Start session para probarlo en tu navegador.
Consulta nuestros precios o contacta con nosotros si quieres que tu propio modelo se implemente en nuestra pila.
