Qwen Audio 3.1 Realtime Flash est disponible sur EmpirioLabs. C’est le niveau rapide des modèles de conversation vocale Qwen Audio 3.1 d’Alibaba: vous ouvrez un WebSocket, vous diffusez l’audio du microphone en direct, et la réponse vocale est renvoyée. Il dispose de 88 voix, de réglages séparés pour la langue que vous parlez et celle dans laquelle il répond, une détection de tour qui indique une pause à la fin d’une phrase, et une recherche native sur le web qui s’exécute dans la même session que vos propres appels de fonction.
Essaie dans le Playground: clique sur Lancer la session et parle.
Regardez le film de lancement
Chaque voix du film est une vraie réponse Qwen Audio 3.1 Realtime Flash sur la prise de base, chacune répondant à une question tapée: Luca en anglais, Yuxiaoyun en mandarin et Emily en japonais. 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
Ouvrez le point de terminaison temps réel avec le modèle dans la chaîne de requête et votre clé API sur la poignée de main:
wss://api.empiriolabs.ai/v1/realtime ?model=qwen-audio-3-1-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 »: « xunanchuan_v3.1 », « instructions »: « You are a brief travel assistant. Réponds en anglais. », « input_language »: « en », « output_language »: « en », « turn_detection »: {"type »: « smart_turn_v2"} }}
Voix, langues et interprétation
- Des voix. 88 voix, listées sur le
Voixdans la référence API et dans le selecteur Playground. LeaveVoixnon enfermé etlonganqian_v3.1parle. - Les langues.
input_languageest la langue que vous parlez, dans laquelle votre relevé de notes est rédigé, etoutput_languageLe langage dans lequel la réponse est lue. Chacun prendAutoou l’un des 14 codes:zh,en,Ja,Ko,vi,th,id,AR,fr,de,es,pt,ru, etÇa. - Livraison.
Vitesse(0,5 à 2) fixe le taux de parole,enable_speech_emotionla transmission expressive, etmax_history_turns(1 à 50) combien d’échanges antérieurs le modèle affiche.
Détection des virages
server_vad, le par défaut, met fin à votre tour après une pause de silence_duration_ms. smart_turn Juge aussi ce qui a été dit, donc des sons de remplissage comme « euh » ne terminent pas un tour ni n’interrompent la réponse, et smart_turn_v2 répond aussi moins souvent aux témoins et aux remarques en second. Set turn_detection à null pour te rendre toi-même.
Recherche sur le web avec vos propres fonctions
La recherche web est désactivée par défaut. Activez-la avec enable_search, et déclarer des fonctions dans Outils Dans la même session: le modèle peut rechercher quelque chose et appeler votre fonction en une seule conversation.
{"type »: « session.update », « session »: { « enable_search »: vrai, « outils »: [{ « type »: « function », « name »: « book_table », « description »: « réservez une table de restaurant », « paramètres »: {"type »: « objet », « propriétés »: { « restaurant »: {"type »: « string"}, « time »: {"type »: « string"}, « required »: ["restaurant », « time"} }] }}
Notes opérationnelles
- Choisissez la voix avant le premier tour. Une fois que la session a commencé à traiter l’audio, un
session.updateavec une voix différente est refusée par unErreurévénement. Ouvre une nouvelle session pour changer de voix. - Le langage de sortie ne se traduit pas. Il détermine la langue dans laquelle la réponse est lue. Demandez cette langue dans
Instructionsaussi. - Continuez à diffuser brièvement après la fin du discours. La détection de virage termine un tour en entendant le haut-parleur s’arrêter, donc un client qui coupe l’audio au dernier mot n’obtient pas de réponse. Envoyez environ une seconde de silence après.
Prix
Chaque tour complété est facturé selon l’utilisation rapportée par le modèle, avec des débits séparés pour les jetons audio et texte dans les deux directions, donc une réponse texte uniquement, avec audio supprimé de Modalités, coûte moins cher qu’un jeton parlé. Les résultats de recherche sont ajoutés à la conversation et comptent comme des jetons d’entrée. Flash en temps réel est bien en dessous du prix Qwen Audio 3.1 Realtime Plus. Les tarifs actuels sont sur le page modèle et les page de prix.
Commencez à construire
Essayez Qwen Audio 3.1 Flash en temps réel dans le Playground, lire Documentation API, et trouve les tables complètes des événements dans le API vocale en temps réel guide.




