Qwen Audio 3.0 Realtime Plus और Qwen Audio 3.0 Realtime Flash EmpirioLabs पर उपलब्ध हैं। दोनों अलीबाबा आवाज वार्तालाप मॉडल हैं: आप एक WebSocket खोलते हैं, माइक्रोफ़ोन ऑडियो स्ट्रीम करते हैं, और बोले गए उत्तर वापस स्ट्रीम होते हैं। प्रत्येक में 19 आवाजें हैं, टर्न डिटेक्शन जो एक वाक्य के अंत से एक ठहराव, मूल वेब खोज और फ़ंक्शन कॉलिंग बताती है। रीयलटाइम प्लस संवादी लय के साथ तर्क को संतुलित करता है; रीयलटाइम फ्लैश को बहुत कम कीमत पर तेज उत्तरों के लिए ट्यून किया गया है।
उन्हें Playground में आजमाएं: रीयलटाइम प्लस या रीयलटाइम फ्लैश. सत्र शुरू करें और बात करें पर क्लिक करें.
देखिए लॉन्च फिल्म
फिल्म में हर आवाज सॉकेट पर एक वास्तविक क्वेन ऑडियो 3.0 रीयलटाइम उत्तर है, प्रत्येक एक टाइप किए गए प्रश्न का उत्तर दे रहा है: साथ ही लूंगेवा के साथ और, मंदारिन में, लोंगानलिंग्क्सी, और डैनियल और शेरी के साथ फ्लैश। तस्वीरें क्वेन इमेज 2.1 आउटपुट हैं, और स्कोर EmpirioLabs पर एसीई-स्टेप द्वारा उत्पन्न किया गया था। इसे YouTube पर देखें।.
कनेक्ट करना
wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-0-realtime-flash प्राधिकरण: वाहक YOUR_EMPIRIOLABS_API_KEY
सत्र को कॉन्फ़िगर करें session.update, माइक्रोफ़ोन ऑडियो को इस रूप में जोड़ें input_audio_buffer.append, और से उत्तर पढ़ें प्रतिक्रिया.ऑडियो.डेल्टा, इसके प्रतिलेख के साथ response.audio_transcript.डेल्टा. ऑडियो 16-बिट पीसीएम के रूप में यात्रा करता है, 16 किलोहर्ट्ज़ ऊपर जा रहा है और 24 किलोहर्ट्ज़ वापस आ रहा है।
{"प्रकार": "session.update", "session": { "आवाज": "डैनियल", "निर्देश": "आप बाइक की दुकान के लिए एक दोस्ताना समर्थन एजेंट हैं", "turn_detection": {"प्रकार": "smart_turn"}, "गति": 1.1 }}
आवाज और वितरण
- आवाज़ें। अंग्रेजी आवाज़ें सहित 19 आवाज़ें
डैनियल,प्रतिध्वनि,हन्ना, औरगिलासभर शेरी, पर सूचीबद्धआवाजपैरामीटर एपीआई संदर्भ में और Playground पिकर में। छोड़नाआवाजunset औरलोंगानकियानबोलता है। ये आवाजें क्वेन ऑडियो 3.1 रीयलटाइम मॉडल के सेट से भिन्न हैं। - वितरण।
रफ़्तार(0.5 से 2) बोलने की दर निर्धारित करता है,enable_speech_emotionअभिव्यंजक वितरण, औरmax_history_turns(1 से 50) मॉडल में पहले कितने एक्सचेंज किए गए हैं। - टर्न डिटेक्शन।
server_vad, डिफ़ॉल्ट, एक विराम के बाद आपकी बारी समाप्त हो जाती है;smart_turnयह भी न्याय करता है कि क्या कहा गया था, इसलिए भराव ध्वनियाँ एक मोड़ को समाप्त नहीं करती हैं, औरsmart_turn_v2साथ ही दर्शकों को कम बार जवाब देता है।
वेब खोज या फ़ंक्शन कॉलिंग
वेब खोज डिफ़ॉल्ट रूप से बंद है; इसे चालू करें enable_search, या में फ़ंक्शंस घोषित करें उपकरण. प्रति सत्र एक का उपयोग करें: a session.update जो दोनों को चालू कर देगा एक के साथ मना कर दिया जाता है चूक ईवेंट फ़ील्ड का नामकरण करता है, और सत्र अपनी पिछली सेटिंग्स रखता है। घोषित उपकरणों के सत्र में खोज करने के लिए, भेजें "उपकरण": [] पहला। एक सत्र में दोनों के लिए, क्वेन ऑडियो 3.1 रीयलटाइम फ्लैश।.
परिचालन नोट्स
- पहली बारी से पहले आवाज चुनें। एक बार जब सत्र ऑडियो संसाधित करना शुरू कर देता है, तो
session.updateएक अलग आवाज के साथ एक के साथ मना कर दिया जाता हैचूकइवेंट। आवाज़ें बदलने के लिए एक नया सत्र खोलें। - कोई भाषा सेटिंग्स नहीं हैं।
input_languageतथाoutput_languageQwen ऑडियो 3.1 सेटिंग्स हैं; 3.0 पर प्रत्येक को एक मिलता हैचूकईवेंट का नामकरण करता है, और बाकी अपडेट लागू होता है। में कहोअनुदेशकिस भाषा में जवाब देना है। - भाषण समाप्त होने के बाद थोड़ी देर के लिए स्ट्रीमिंग करते रहें। टर्न डिटेक्शन स्पीकर के रुकने की बात सुनकर एक मोड़ समाप्त करता है, इसलिए अंतिम शब्द के बाद लगभग एक सेकंड का मौन भेजें।
मूल्य निर्धारण
प्रत्येक पूर्ण मोड़ को मॉडल रिपोर्ट के उपयोग से बिल किया जाता है, जिसमें दोनों दिशाओं में ऑडियो और टेक्स्ट टोकन के लिए अलग-अलग दरें होती हैं, इसलिए केवल-पाठ उत्तर की लागत बोली जाने वाली उत्तर से कम होती है. खोज परिणामों को इनपुट टोकन के रूप में गिना जाता है. वर्तमान दरें इस पर हैं रीयलटाइम प्लस तथा रीयलटाइम फ्लैश मॉडल पेज और मूल्य निर्धारण पृष्ठ।.
निर्माण शुरू करें
प्रत्येक मॉडल के लिए एपीआई संदर्भ यहां है रीयलटाइम प्लस तथा रीयलटाइम फ्लैश, और पूरी ईवेंट टेबल रीयलटाइम वॉयस एपीआई मार्गदर्शक। नई पीढ़ी के लिए, देखें Qwen ऑडियो 3.1 रीयलटाइम फ्लैश एपीआई का उपयोग कैसे करें।.




