प्रकार
स्पेक
दर
इनपुट: ऑडियो
प्रति 1M ऑडियो इनपुट टोकन
$1.86
इनपुट
प्रति 1M प्रॉम्प्ट टोकन
$0.46
आउटपुट
प्रति 1M उत्पन्न टोकन, पाठ-केवल उत्तर
$1.40
आउटपुट: ऑडियो
प्रति 1M जनरेट किए गए ऑडियो टोकन
$3.74
वेब खोज
प्रति कॉल जब लागू किया जाता है
$0.00
Qwen Audio 3.1 Realtime Flash और Qwen Audio 3.0 Realtime Plus साथ-साथ: विशेषताएं, क्षमताएं, पैरामीटर और EmpirioLabs कैटलॉग की लाइव कीमतें।
Alibaba Cloud ऑडियो जनरेशनQwen Audio 3.1 Realtime Flash और Qwen Audio 3.0 Realtime Plus दोनों Alibaba Cloud के मॉडल हैं, ऑडियो जनरेशन श्रेणी में आते हैं और EmpirioLabs API के ज़रिए उपलब्ध हैं।
| स्पेक | Qwen Audio 3.1 Realtime Flash | Qwen Audio 3.0 Realtime Plus |
|---|---|---|
| मॉडल ID | qwen-audio-3-1-realtime-flash | qwen-audio-3-0-realtime-plus |
| निर्माता | Alibaba Cloud | Alibaba Cloud |
| रिलीज | 27 अक्टू॰ 2026 | 10 अग॰ 2026 |
| कॉन्टेक्स्ट विंडो | 240K टोकन | 16K टोकन |
| अधिकतम आउटपुट | 16,384 टोकन | 8,192 टोकन |
| इनपुट | ऑडियो टेक्स्ट | ऑडियो टेक्स्ट |
| आउटपुट | ऑडियो टेक्स्ट | ऑडियो 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 Realtime Flash | Qwen Audio 3.0 Realtime Plus |
|---|---|---|
| voice | longanqian_v3.1, longanhuan_v3.1, longanlingxin_v3.1, longanf... डिफॉल्ट: longanqian_v3.1 | longanqian, longanlingxin, longanlufeng, longanlingxi, longan... डिफॉल्ट: longanqian |
| instructions | string | string |
| input_language | auto, zh, en, ja, ko, vi, th, id, ar, fr, de, es, pt, ru, it डिफॉल्ट: auto | - |
| output_language | auto, zh, en, ja, ko, vi, th, id, ar, fr, de, es, pt, ru, it डिफॉल्ट: auto | - |
| speed | 0.5 से 2 | 0.5 से 2 |
| enable_speech_emotion | boolean डिफॉल्ट: true | boolean डिफॉल्ट: true |
| max_history_turns | 1 से 50 | 1 से 50 |
| enable_search | boolean डिफॉल्ट: false | boolean डिफॉल्ट: false |
| modalities | string डिफॉल्ट: ["text","audio"] | string डिफॉल्ट: ["text","audio"] |
| input_audio_format | pcm16 डिफॉल्ट: pcm16 | pcm16 डिफॉल्ट: pcm16 |
| output_audio_format | pcm24 डिफॉल्ट: pcm24 | pcm24 डिफॉल्ट: pcm24 |
| turn_detection | string डिफॉल्ट: {"type":"server_vad"} | string डिफॉल्ट: {"type":"server_vad"} |
wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-realtime-flash पर WebSocket पर पूर्ण-डुप्लेक्स आवाज, साधारण प्राधिकरण वाहक हेडर के साथ प्रमाणित। सॉकेट पर session.update के साथ सत्र को कॉन्फ़िगर करें: आवाज, निर्देश, तौर-तरीके, बारी का पता लगाने, भाषाएं और वितरण।
आपके द्वारा बोली जाने वाली भाषा के लिए input_language सेट करें, जिसमें आपके भाषण का प्रतिलेख लिखा गया है, और उस भाषा के output_language में बोला गया उत्तर पढ़ा जाता है। प्रत्येक ऑटो या zh, en, ja, ko, vi, th, id, ar, fr, de, es, pt, ru और it में से एक लेता है। आउटपुट भाषा उत्तर का अनुवाद नहीं करती है, इसलिए अपने निर्देशों में भी इसकी भाषा के लिए पूछें। speed (0.5 से 2) बोलने की दर, अभिव्यंजक वितरण enable_speech_emotion निर्धारित करता है, और max_history_turns (1 से 50) मॉडल कितने पहले के आदान-प्रदान करता है।
इस मॉडल की आवाज़ें अपने स्वयं के सेट हैं। किसी अन्य मॉडल से आवाज़ ले जाने के बजाय वॉयस लिस्ट में से एक चुनें, या इसे अनसेट छोड़ दें और आपके लिए डिफ़ॉल्ट आपूर्ति की जाती है।
वेब खोज डिफ़ॉल्ट रूप से बंद है। इसे enable_search के साथ चालू करें। यह फ़ंक्शन कॉलिंग के समान सत्र में काम करता है, और खोज परिणामों को वार्तालाप में जोड़ा जाता है और इनपुट टोकन के रूप में गिना जाता है।
ऑडियो और टेक्स्ट टोकन की कीमत दोनों दिशाओं में अलग-अलग होती है। एक बोले गए उत्तर को केवल उसके ऑडियो आउटपुट टोकन के लिए बिल किया जाता है, और पाठ आउटपुट दर बिना ऑडियो वाले उत्तरों पर लागू होती है। प्रत्येक पूर्ण मोड़ को मॉडल रिपोर्ट के उपयोग से अपने आप बिल किया जाता है।
wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-0-realtime-plus पर WebSocket पर पूर्ण-डुप्लेक्स आवाज, साधारण प्राधिकरण वाहक हेडर के साथ प्रमाणित। सॉकेट पर session.update के साथ सत्र को कॉन्फ़िगर करें: आवाज, निर्देश, तौर-तरीके, टर्न डिटेक्शन और डिलीवरी।
speed (0.5 से 2) बोलने की दर, अभिव्यंजक वितरण enable_speech_emotion निर्धारित करता है, और max_history_turns (1 से 50) मॉडल कितने पहले एक्सचेंज पढ़ता है। अपने निर्देशों में उत्तर की भाषा के लिए पूछें।
इस मॉडल की आवाज़ें अपने स्वयं के सेट हैं। किसी अन्य मॉडल से आवाज़ ले जाने के बजाय वॉयस लिस्ट में से एक चुनें, या इसे अनसेट छोड़ दें और आपके लिए डिफ़ॉल्ट आपूर्ति की जाती है।
वेब खोज डिफ़ॉल्ट रूप से बंद है। इसे enable_search के साथ चालू करें। इसे फ़ंक्शन कॉलिंग के समान सत्र में सक्षम नहीं किया जा सकता है, और खोज परिणाम वार्तालाप में जोड़े जाते हैं और इनपुट टोकन के रूप में गिने जाते हैं।
ऑडियो और टेक्स्ट टोकन की कीमत दोनों दिशाओं में अलग-अलग होती है। एक बोले गए उत्तर को केवल उसके ऑडियो आउटपुट टोकन के लिए बिल किया जाता है, और पाठ आउटपुट दर बिना ऑडियो वाले उत्तरों पर लागू होती है। प्रत्येक पूर्ण मोड़ को मॉडल रिपोर्ट के उपयोग से अपने आप बिल किया जाता है।
Qwen Audio 3.1 Realtime Flash HTTP एंडपॉइंट के बजाय wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-realtime-flash पर एक WebSocket के ज़रिए लाइव बातचीत करता है। मॉडल id qwen-audio-3-1-realtime-flash के साथ कनेक्ट करें और हैंडशेक पर अपनी EmpirioLabs API key को Authorization: Bearer हेडर के रूप में भेजें। ऑडियो दोनों दिशाओं में base64 16-bit PCM के रूप में जाता है। 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-realtime-flash या qwen-audio-3-0-realtime-plus 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-realtime-flash",
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())prompt परीक्षण और तुलना रन जिनमें दोनों मॉडल शामिल हैं।
Qwen Audio 3.1 Realtime Flash नई रिलीज़ है (27 अक्टू॰ 2026); Qwen Audio 3.0 Realtime Plus 10 अग॰ 2026 को रिलीज़ हुआ था। Qwen Audio 3.1 Realtime Flash की कॉन्टेक्स्ट विंडो बड़ी है: 240K टोकन, जबकि Qwen Audio 3.0 Realtime Plus की 16K। हर जवाब में Qwen Audio 3.1 Realtime Flash अधिकतम 16,384 आउटपुट टोकन लौटाता है, Qwen Audio 3.0 Realtime Plus अधिकतम 8,192। इस पेज की विशेषताएं, दर तालिकाएं और पैरामीटर EmpirioLabs के लाइव कैटलॉग से आते हैं।
Qwen Audio 3.1 Realtime Flash नई रिलीज़ है (27 अक्टू॰ 2026); Qwen Audio 3.0 Realtime Plus 10 अग॰ 2026 को रिलीज़ हुआ था।
इनपुट: ऑडियो (प्रति 1M ऑडियो इनपुट टोकन) और इनपुट (प्रति 1M प्रॉम्प्ट टोकन) के लिए Qwen Audio 3.1 Realtime Flash की दर कम 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।
