ホーム ブログ

Qwen Audio 3.0 Realtime PlusとRealtime Flashの使い方

Qwen Audio 3.0 Realtime PlusおよびRealtime Flash APIブログカバー

Nov 3, 2026

EmpirioLabs AI

開示: この記事はAIの支援を受けて作成され、EmpirioLabs AIが確認しました。

Qwen Audio 3.0 Realtime PlusおよびQwen Audio 3.0 Realtime FlashはEmpirioLabsで利用可能です。 どちらもAlibabaの音声会話モデルで、WebSocketを開くとマイクの音声をストリーミングし、音声が返ってきます。それぞれ19の音声、文末から一時停止を判別するターン検出、ネイティブのウェブ検索、関数呼び出し機能を備えています。Realtime Plusは推論と会話リズムのバランスを保っています。Realtime Flashは高速応答を重視し、はるかに低価格で対応可能です。

Playgroundで試してみてください: リアルタイム・プラス または リアルタイムフラッシュ.セッション開始をクリックして話してください。

ローンチ映像を見る

映画内のすべての声は、ソケット越しに本物のQwen Audio 3.0リアルタイム応答で、それぞれがタイプされた質問に答えています:Plusはloongeva、中国語ではlonganlingxi、Flashはdanielとsherryで。画像はQwen Image 2.1出力で、スコアはACE-Step on EmpirioLabsによって生成されました。 YouTubeでご覧くださいお問い合わせ.

接続

wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-0-realtime-flash Authorization: Bearer YOUR_EMPIRIOLABS_API_KEY

セッションを次のように設定します session.update、マイクの音声を付け加えて input_audio_buffer.append、そして返信を読んでください response.audio.delta、その書き起こしは response.audio_transcript.デルタ.音声は16ビットPCMで伝わり、16kHzが上がって24kHzが戻ってきます。

{"type": "session.update", "session": { "voice": "daniel", "instructions": "あなたは自転車店のフレンドリーサポートエージェントです。", "turn_detection": {"type": "smart_turn"}, "speed": 1.1 }}

声と表現

  • 声。 英語の声を含む19の声 ダニエル, エコー, ハンナ、および シェリー、 声 パラメータはAPI参照およびPlaygroundピッカー内のパラメータです。リーブ 声 未定集合であり 龍安前 話す。これらの声はQwen Audio 3.1のリアルタイムモデルセットとは異なります。
  • 配達です。 速度 (0.5から2)は話す速度を設定します。 enable_speech_emotion 表現的な表現、 max_history_turns (1から50)モデルが読み取った以前の交換の数。
  • ターン検知。 server_vadデフォルトで、一時停止後にターンを終了します。 smart_turn また、言われたことを判断し、つなぎ音がターンを終わらせないようにし、 smart_turn_v2 また、通行人への回答も少なくなっています。

ウェブ検索または関数呼び出し

ウェブ検索はデフォルトでオフになっています。以下でオンにします。 enable_searchまたは の関数を宣言する ツール.セッションごとに1つずつ使う: session.update それは拒否される場合の両方にスイッチを入れるでしょう。 エラー フィールド名付けがイベントとなり、セッションは以前の設定を保持します。ツールを宣言したセッションで検索するには、送信してください 「ツール」: [] まず。1セッションで両方を使い、 Qwen Audio 3.1 リアルタイムフラッシュお問い合わせ.

作戦メモ

  • 最初のターンの前に声を選びましょう。 セッションが音声処理を始めると、 session.update 異なる声で拒否されるのは エラー イベント。新しいセッションを開いて声を切り替えます。
  • 言語設定はありません。 input_language および output_language Qwen Audio 3.1の設定です。3.0ではそれぞれに エラー イベントで名前を付ければ、残りのアップデートも適用されます。「in 指示 どの言語で答えるか。
  • スピーチが終わった後も短時間配信を続けてください。 ターン検出は話者が止まる音を聞いてターンを終了させるので、最後の言葉の後に約1秒間の無音を送ります。

料金について

完了した各ターンはモデルが報告する使用量から請求され、音声トークンとテキストトークンは両方向に別々の料金が設定されるため、テキストのみの返信は音声回答よりもコストが安くなります。検索結果は入力トークンとしてカウントされます。現在の料金は リアルタイム・プラス および リアルタイムフラッシュ モデルページと プライシングページお問い合わせ.

建設を始めろ

各モデルのAPI参照は リアルタイム・プラス および リアルタイムフラッシュ、そして全イベントテーブルは リアルタイム音声API ガイド。新しい世代については、こちらをご覧ください。 Qwen Audio 3.1 リアルタイムフラッシュAPIの使い方お問い合わせ.

より良いエンドポイントを使う準備はできていますか?

当社のモデルをご覧いただくか、ビジネスの問い合わせ、カスタム展開、その他何でもご連絡ください。