Accueil Blog

Comment utiliser Qwen Audio 3.0 Realtime Plus et Realtime Flash

Couverture du blog Qwen Audio 3.0 Realtime Plus et API Flash en temps réel

Nov 3, 2026

EmpirioLabs AI

Divulgation : Cet article a été rédigé avec l'aide de l'IA et relu par EmpirioLabs AI.

Qwen Audio 3.0 Realtime Plus et Qwen Audio 3.0 Realtime Flash sont disponibles sur EmpirioLabs. Les deux sont des modèles de conversation vocale Alibaba: vous ouvrez un WebSocket, vous diffusez l’audio du microphone en direct, et la réponse vocale est en retour. Chacun dispose de 19 voix, d’une détection de tour qui indique une pause à la fin d’une phrase, d’une recherche web native et d’un appel de fonctions. Realtime Plus équilibre le raisonnement avec le rythme conversationnel; Realtime Flash est conçu pour des réponses rapides, à un prix bien inférieur.

Essayez-les dans le Playground: Realtime Plus ou Flash en temps réel. Clique sur Lancer la session et discute.

Regardez le film de lancement

Chaque voix du film est une vraie réponse Qwen Audio 3.0 Realtime sur la prise, chacune répondant à une question tapée: Plus avec loongeva et, en mandarin, longanlingxi, et Flash avec Daniel et Sherry. Les images sont des sorties Qwen Image 2.1, et la musique a été générée par ACE-Step sur EmpirioLabs. Regardez-le sur YouTube.

Connexion

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

Configurez la session avec session.update, ajouter l’audio du microphone comme input_audio_buffer.append, et lut la réponse de response.audio.delta, avec sa transcription sur response.audio_transcript.delta. L’audio se déplace en PCM 16 bits, 16 kHz montant et 24 kHz revenant.

{"type »: « session.update », « session »: { « voice »: « daniel », « instructions »: « tu es un agent de soutien amical pour un magasin de vélos. », « turn_detection »: {"type »: « smart_turn"}, « speed »: 1.1 }}

Voix et interprétation

  • Des voix. 19 voix, y compris les voix anglaises Daniel, Echo, Hannah, et Sherry, listé sur le Voix dans la référence API et dans le selecteur Playground. Leave Voix non enfermé et Longanqian parle. Ces voix diffèrent de celles des modèles Qwen Audio 3.1 en temps réel.
  • Livraison. Vitesse (0,5 à 2) fixe le taux de parole, enable_speech_emotion la transmission expressive, et max_history_turns (1 à 50) combien d’échanges antérieurs le modèle affiche.
  • Détection de tour. server_vad, le par défaut, met fin à votre tour après une pause; smart_turn Il juge aussi ce qui a été dit, pour que les sons de remplissage ne finissent pas un tour, et smart_turn_v2 Il répond aussi moins souvent aux témoins.

Recherche web ou appel de fonction

La recherche web est désactivée par défaut; activez-la avec enable_search, ou déclarer des fonctions dans Outils. Utilisez-en une par session: un session.update qui se retournerait contre les deux est refusé avec un Erreur événement nommant le champ, et la session conserve ses paramètres antérieurs. Pour rechercher dans une session qui a déclaré des outils, envoyez « outils »: [] D’abord. Pour les deux en une seule séance, utilisez Qwen Audio 3.1 Flash en temps réel.

Notes opérationnelles

  • Choisissez la voix avant le premier tour. Une fois que la session a commencé à traiter l’audio, un session.update avec une voix différente est refusée par un Erreur événement. Ouvre une nouvelle session pour changer de voix.
  • Il n’y a pas de réglage linguistique. input_language et output_language les réglages Qwen Audio 3.1 sont; sur la version 3.0, chacun obtient un Erreur événement qui le nomme, et le reste de la mise à jour s’applique. Disons dans Instructions Dans quelle langue répondre.
  • Continuez à diffuser brièvement après la fin du discours. La détection de virage met fin à un tour en entendant le haut-parleur s’arrêter, donc envoyez environ une seconde de silence après le dernier mot.

Prix

Chaque tour complété est facturé selon l’utilisation rapportée par le modèle, avec des tarifs séparés pour les jetons audio et texte dans les deux directions, de sorte qu’une réponse texte uniquement coûte moins cher qu’une réponse parlée. Les résultats de recherche comptent comme des jetons d’entrée. Les taux actuels sont sur le Realtime Plus et Flash en temps réel Pages de modèles et le page de prix.

Commencez à construire

La référence API pour chaque modèle est à Realtime Plus et Flash en temps réel, et les tableaux complets des événements se trouvent dans le API vocale en temps réel guide. Pour la nouvelle génération, voir Comment utiliser l’API Flash en temps réel Qwen Audio 3.1.

Prêt à utiliser de meilleurs points de terminaison ?

Explorez nos modèles, ou contactez-nous pour toute demande d’entreprise, des déploiements personnalisés ou pour tout autre sujet.