प्रकार
स्पेक
दर
इनपुट
प्रति 1M ऑडियो इनपुट टोकन
$1.86
आउटपुट
प्रति 1M जेनरेट किए गए टोकन
$1.40
Qwen Audio 3.1 ASR Message और Qwen Audio 3.1 ASR Stream साथ-साथ: विशेषताएं, क्षमताएं, पैरामीटर और EmpirioLabs कैटलॉग की लाइव कीमतें।
Alibaba Cloud प्रतिलेखनQwen Audio 3.1 ASR Message और Qwen Audio 3.1 ASR Stream दोनों Alibaba Cloud के मॉडल हैं, प्रतिलेखन श्रेणी में आते हैं और EmpirioLabs API के ज़रिए उपलब्ध हैं।
| स्पेक | Qwen Audio 3.1 ASR Message | Qwen Audio 3.1 ASR Stream |
|---|---|---|
| मॉडल ID | qwen-audio-3-1-asr-message | qwen-audio-3-1-asr-stream |
| निर्माता | Alibaba Cloud | Alibaba Cloud |
| रिलीज | 21 सित॰ 2026 | - |
| इनपुट | ऑडियो | ऑडियो |
| आउटपुट | टेक्स्ट | टेक्स्ट |
| रीजन | Singapore | Singapore |
| एंडपॉइंट | WEBSOCKET /v1/realtime | WEBSOCKET /v1/realtime |
| क्षमताएं |
दोनों मॉडलों के लिए EmpirioLabs कैटलॉग की लाइव दरें। हर दर तालिका हमेशा API की वास्तविक बिलिंग से मेल खाती है।
EmpirioLabs पर हर मॉडल के लिए सूचीबद्ध रिक्वेस्ट पैरामीटर, और जहां लागू हो वहां मान्य मान या सीमा। डैश उस पैरामीटर को दिखाता है जो मॉडल के लिए सूचीबद्ध नहीं है।
| पैरामीटर | Qwen Audio 3.1 ASR Message | Qwen Audio 3.1 ASR Stream |
|---|---|---|
| input_audio_format | pcm16 डिफॉल्ट: pcm16 | pcm16 डिफॉल्ट: pcm16 |
| language | auto, zh, en, ja, ko, vi, th, id, ms, tl, hi, ar, fr, de, es,... डिफॉल्ट: auto | auto, zh, en, ja, ko, vi, th, id, ms, tl, hi, ar, fr, de, es,... डिफॉल्ट: auto |
| silence_duration_ms | 200 से 6000 डिफॉल्ट: 800 | 200 से 6000 डिफॉल्ट: 800 |
| threshold | 0 से 1 | 0 से 1 |
| noise_reduction | far_field, near_field डिफॉल्ट: far_field | far_field, near_field डिफॉल्ट: far_field |
| keep_dialect | boolean डिफॉल्ट: false | boolean डिफॉल्ट: false |
| partial_results | boolean डिफॉल्ट: false | - |
| prompt | - | string |
wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-asr-message पर एक WebSocket पर ध्वनि संदेश ट्रांसक्रिप्शन, साधारण प्राधिकरण वाहक हेडर के साथ प्रमाणित।
input_audio_buffer.append के साथ 16 kHz मोनो pcm16 ऑडियो स्ट्रीम करें। आवाज गतिविधि का पता लगाने से तय होता है कि प्रत्येक उच्चारण कहाँ समाप्त होता है, इसलिए भेजने के लिए कोई प्रतिबद्धता नहीं है।
इनमें से किसी भी सेटिंग के साथ, पहले ऑडियो से पहले session.created के ठीक बाद session.update भेजें: input_audio_transcription.language (या कनेक्शन URL का language क्वेरी पैरामीटर; डिफ़ॉल्ट रूप से auto), turn_detection.silence_duration_ms (200 से 6000, डिफ़ॉल्ट 800) और turn_detection.threshold (0.0 से 1.0), और input_audio_noise_reduction (near_field या far_field)। keep_dialect चीनी बोली शब्दों को बोले जाने के रूप में रखता है। ऑडियो स्ट्रीमिंग के दौरान बदली गई सेटिंग उच्चारण को प्रगति में समाप्त कर देती है और उसके बाद भेजे गए ऑडियो पर लागू होती है।
प्रत्येक कथन पूरी तरह से आता है, एक conversation.item.input_audio_transcription.completed बार वक्ता के रुकने के बाद एक घटना के रूप में। partial_results को बोलते समय इसे प्राप्त करने के लिए भी सेट करें, conversation.item.input_audio_transcription.delta घटनाओं के रूप में जो अभी भी इसके बसने से पहले बदल सकती हैं। लाइव कैप्शन के लिए, qwen-audio-3-1-asr-stream हमेशा उन्हें भेजता है।
इनपुट और आउटपुट टोकन की कीमत प्रति 1M है, और प्रत्येक पूर्ण उच्चारण को मॉडल रिपोर्ट के उपयोग से अपने आप बिल किया जाता है।
wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-asr-stream पर एक वेबसॉकेट पर लाइव ट्रांसक्रिप्शन, साधारण प्राधिकरण वाहक हेडर के साथ प्रमाणित।
input_audio_buffer.append के साथ 16 kHz मोनो pcm16 ऑडियो स्ट्रीम करें। वॉयस एक्टिविटी डिटेक्शन यह तय करता है कि प्रत्येक वाक्य कहाँ समाप्त होता है, इसलिए भेजने के लिए कोई प्रतिबद्धता नहीं है।
session.created के ठीक बाद, पहले ऑडियो से पहले, इनमें से किसी भी सेटिंग के साथ session.update भेजें: input_audio_transcription.language (या कनेक्शन URL का language क्वेरी पैरामीटर; डिफ़ॉल्ट रूप से auto), स्पीकर द्वारा उपयोग किए जाने वाले नामों और शर्तों के साथ input_audio_transcription.prompt (400 वर्णों तक), turn_detection.silence_duration_ms (200 से 6000, डिफ़ॉल्ट 800) और turn_detection.threshold (0.0 से 1.0), और input_audio_noise_reduction (near_field या far_field)। keep_dialect चीनी बोली शब्दों को बोले जाने के रूप में रखता है। ऑडियो स्ट्रीमिंग के दौरान बदली गई सेटिंग वाक्य को प्रगति में समाप्त कर देती है और उसके बाद भेजे गए ऑडियो पर लागू होती है।
conversation.item.input_audio_transcription.delta घटनाओं में अब तक वाक्य होता है जबकि वक्ता अभी भी बात कर रहा होता है, और conversation.item.input_audio_transcription.completed प्रत्येक विराम पर तय वाक्य को वहन करता है।
इनपुट और आउटपुट टोकन की कीमत प्रति 1M है, और प्रत्येक पूर्ण वाक्य को मॉडल रिपोर्ट के उपयोग से अपने आप बिल किया जाता है।
Qwen Audio 3.1 ASR Message HTTP एंडपॉइंट के बजाय wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-asr-message पर एक WebSocket के ज़रिए लाइव ऑडियो स्ट्रीम को ट्रांसक्राइब करता है। मॉडल id qwen-audio-3-1-asr-message के साथ कनेक्ट करें और हैंडशेक पर अपनी EmpirioLabs API key को Authorization: Bearer हेडर के रूप में भेजें। base64 16-bit PCM ऑडियो जोड़ें और बोलते रहने के दौरान ही ट्रांसक्रिप्ट इवेंट पढ़ें। ब्राउज़र WebSocket पर हेडर सेट नहीं कर सकता, इसलिए यह कनेक्शन अपने सर्वर से खोलें और ऑडियो को अपने सॉकेट के ज़रिए ब्राउज़र तक पहुँचाएँ। दोनों मॉडल एक ही एंडपॉइंट से कॉल किए जाते हैं। model को qwen-audio-3-1-asr-message या qwen-audio-3-1-asr-stream पर सेट करें। EmpirioLabs डैशबोर्ड से API key प्राप्त करें।
import asyncio, json, os, websockets
async def main():
async with websockets.connect(
"wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-asr-message",
additional_headers=[
("Authorization", f"Bearer {os.environ['EMPIRIOLABS_API_KEY']}"),
],
max_size=None,
) as ws:
print(json.loads(await ws.recv())["type"]) # session.created
import base64
# 16-bit PCM microphone audio, base64 encoded, in small chunks.
for chunk in read_microphone_chunks():
await ws.send(json.dumps({
"type": "input_audio_buffer.append",
"audio": base64.b64encode(chunk).decode(),
}))
await ws.send(json.dumps({"type": "input_audio_buffer.commit"}))
async for raw in ws:
event = json.loads(raw)
if event["type"].endswith("input_audio_transcription.delta"):
# "text" is settled transcript; "stash" is still in progress.
if event.get("text"):
print(event["text"], end="", flush=True)
asyncio.run(main())सिर्फ Qwen Audio 3.1 ASR Stream के लिए बताई गई क्षमताएं: streaming asr। इनपुट (प्रति 1M ऑडियो इनपुट टोकन) और आउटपुट (प्रति 1M जेनरेट किए गए टोकन) के लिए दोनों मॉडलों की दर समान है। इस पेज की विशेषताएं, दर तालिकाएं और पैरामीटर EmpirioLabs के लाइव कैटलॉग से आते हैं।
इनपुट (प्रति 1M ऑडियो इनपुट टोकन) और आउटपुट (प्रति 1M जेनरेट किए गए टोकन) के लिए दोनों मॉडलों की दर समान है। दोनों लाइव दर तालिकाएं इस पेज पर हैं और हमेशा API की वास्तविक बिलिंग से मेल खाती हैं।
हां। दोनों मॉडल एक ही EmpirioLabs API key के साथ WEBSOCKET /v1/realtime इस्तेमाल करते हैं, इसलिए ज़्यादातर इंटीग्रेशन सिर्फ model मान बदलकर स्विच हो जाते हैं। अगर आप किसी मॉडल-विशेष पैरामीटर पर निर्भर हैं तो पहले इस पेज की पैरामीटर तालिका देखें।
हां। हर मॉडल को EmpirioLabs playground में खोलें और Start session दबाकर इसे अपने ब्राउज़र में आज़माएं।
हमारे मूल्य निर्धारण की जाँच करें या यदि आप चाहते हैं कि आपका अपना मॉडल हमारे स्टैक पर तैनात किया जाए, तो पहुंचें।