एक सॉकेट पर डुप्लेक्स भाषण वार्तालाप, 88 आवाज़ों के साथ, मूल वेब खोज जो टूल कॉलिंग के साथ काम करती है, और अलग-अलग टेक्स्ट और ऑडियो टोकन दर।
Alibaba Cloud ऑडियो जनरेशन 240K कॉन्टेक्स्ट रिलीज 27 अक्टू॰ 2026 Singapore स्वामित्व वाला एंडपॉइंट नयाएक सॉकेट पर डुप्लेक्स भाषण वार्तालाप, 88 आवाज़ों के साथ, मूल वेब खोज जो टूल कॉलिंग के साथ काम करती है, और अलग-अलग टेक्स्ट और ऑडियो टोकन दर।
सत्र अनुरोध पैरामीटर के बजाय सॉकेट पर session.update ईवेंट के साथ कॉन्फ़िगर किया गया है। वेब खोज डिफ़ॉल्ट रूप से बंद है और फ़ंक्शन कॉलिंग के साथ काम करता है। पाठ और ऑडियो टोकन बिल अलग-अलग दरों पर, और एक बोला गया उत्तर केवल अपने ऑडियो टोकन बिल करता है।
इस नाम से भी जाना जाता है Qwen Audio Realtime Flash, Alibaba Cloud Qwen Audio 3.1 Realtime Flash
qwen-audio-3-1-realtime-flash/v1/realtimeqwen-audio-3.1-realtime-flashalibaba/qwen-audio-3-1-realtime-flashEmpirioLabs कैटलॉग से लाइव pay-as-you-go दरें। आप सिर्फ उतना ही भुगतान करते हैं जितना उपयोग करते हैं, कोई मासिक न्यूनतम नहीं।
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। 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())EmpirioLabs पर Qwen Audio 3.1 Realtime Flash API द्वारा समर्थित request पैरामीटर। फ़ील्ड छोड़ने पर डिफ़ॉल्ट मान लागू होते हैं।
| पैरामीटर | प्रकार | डिफॉल्ट | रेंज / मान | विवरण |
|---|---|---|---|---|
| voice | enum | longanqian_v3.1 | longanqian_v3.1, longanhuan_v3.1, longanlingxin_v3.1, longanf... | सत्र के लिए बोलने की आवाज। मॉडल द्वारा कोई ऑडियो बनाने से पहले इसे session.update के साथ सेट करें। ये आवाज़ें इस मॉडल के लिए विशिष्ट हैं। |
| instructions | string | - | - | बातचीत के दौरान मॉडल को कैसे व्यवहार करना चाहिए और बोलना चाहिए, इसके लिए सिस्टम मार्गदर्शन। |
| input_language | enum | auto | auto, zh, en, ja, ko, vi, th, id, ar, fr, de, es, pt, ru, it | आप जो भाषा बोलते हैं। इसमें आपके भाषण की प्रतिलेख लिखी हुई है; ऑटो इसका पता लगाता है। input_audio_transcription.language के रूप में भी स्वीकार किया जाता है। |
| output_language | enum | auto | auto, zh, en, ja, ko, vi, th, id, ar, fr, de, es, pt, ru, it | बोली जाने वाली उत्तर भाषा में पढ़ा जाता है, उदाहरण के लिए समान वर्णों के लिए जापानी या चीनी। यह उत्तर का अनुवाद नहीं करता है: अपने निर्देशों में इसकी भाषा पूछें। ऑटो... |
| speed | number | - | 0.5 से 2 | उत्तर की बोलने की दर, 0.5 से 2 तक। कम मान भाषण को धीमा कर देते हैं और उच्च मान इसे गति देते हैं। speech_rate के रूप में भी स्वीकार किया जाता है। जब छोड़ा जाता है, तो... |
| enable_speech_emotion | boolean | true | - | बोले गए उत्तर में अधिक स्पष्ट भावना। अधिक समान डिलीवरी के लिए इसे बंद करें। |
| max_history_turns | integer | - | 1 से 50 | मॉडल प्रत्येक उत्तर के लिए 1 से 50 तक कितने पहले एक्सचेंज पढ़ता है। कम एक्सचेंज कम इनपुट टोकन का उपयोग करते हैं। जब छोड़ा जाता है, तो मॉडल का अपना डिफ़ॉल्ट लागू होता है। |
| enable_search | boolean | false | - | वास्तविक समय की जानकारी के लिए वेब पर खोजें। फ़ंक्शन कॉलिंग के समान सत्र में काम करता है। खोज परिणामों को बातचीत में जोड़ा जाता है और इनपुट टोकन के रूप में गिना जाता है। |
| modalities | string | ["text","audio"] | - | कौन सा आउटपुट प्रकार मॉडल एक मोड़ के लिए लौटाता है। केवल-पाठ उत्तर के लिए ऑडियो ड्रॉप करें। |
| input_audio_format | enum | pcm16 | pcm16 | आपके द्वारा इनपुट बफर में जोड़े गए ऑडियो की एन्कोडिंग: 16 kHz पर बेस 64 16-बिट पीसीएम। |
| output_audio_format | enum | pcm24 | pcm24 | ऑडियो की एन्कोडिंग मॉडल वापस स्ट्रीम करता है: 24 kHz पर 16-बिट पीसीएम। |
| turn_detection | string | {"type":"server_vad"} | - | आवाज गतिविधि का पता लगाना: यह तय करता है कि आपने कब बोलना समाप्त कर दिया है और मॉडल को जवाब देना चाहिए। यह डिफ़ॉल्ट रूप से server_vad के रूप में चालू होता है, जो एक... |
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।
EmpirioLabs पर Qwen Audio 3.1 Realtime Flash का बिल उपयोग के अनुसार बनता है: इनपुट: ऑडियो $1.86 प्रति 1M ऑडियो इनपुट टोकन; इनपुट $0.46 प्रति 1M प्रॉम्प्ट टोकन; आउटपुट $1.40 प्रति 1M उत्पन्न टोकन, पाठ-केवल उत्तर; आउटपुट: ऑडियो $3.74 प्रति 1M जनरेट किए गए ऑडियो टोकन; वेब खोज $0.00 प्रति कॉल जब लागू किया जाता है। इस पेज की लाइव दर तालिका हमेशा API की वास्तविक बिलिंग से मेल खाती है।
Qwen Audio 3.1 Realtime Flash 240K टोकन की context window समर्थित करता है, प्रति उत्तर अधिकतम 16,384 आउटपुट टोकन के साथ।
Qwen Audio 3.1 Realtime Flash api.empiriolabs.ai पर WEBSOCKET /v1/realtime के ज़रिए मिलता है, मानक Bearer टोकन प्रमाणीकरण के साथ।
EmpirioLabs playground खोलें और Start session दबाकर इसे अपने ब्राउज़र में आज़माएँ। Qwen Audio 3.1 Realtime Flash अनुरोध और प्रतिक्रिया के बजाय WebSocket पर चलता है, इसलिए इसे जोड़ने के लिए रियलटाइम वॉइस क्विकस्टार्ट से शुरू करें। अपनी EmpirioLabs API key और मॉडल id qwen-audio-3-1-realtime-flash के साथ अपने सर्वर से कनेक्ट करें, फिर दोनों दिशाओं में ऑडियो स्ट्रीम करें।
EmpirioLabs खाता बनाएं, फिर डैशबोर्ड में API Keys में key जनरेट करें। बिलिंग pay-as-you-go क्रेडिट से होती है, इसलिए आप सिर्फ अपनी requests का भुगतान करते हैं।
हमारे मूल्य निर्धारण की जाँच करें या यदि आप चाहते हैं कि आपका अपना मॉडल हमारे स्टैक पर तैनात किया जाए, तो पहुंचें।
