Qwen Audio 3.1 Realtime FlashはEmpirioLabsで利用可能です。 これはAlibabaのQwen Audio 3.1音声会話モデルの中でも高速な階層です。WebSocketを開き、マイクの音声をストリーミングすると、音声返信が返ってきます。88の音声、話す言語と応答言語の別設定、文の終わりから一時停止を判別するターン検出、そして自分の関数呼び出しと同じセッション内で実行されるネイティブウェブ検索機能を備えています。
お問い合わせ Playground: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
映画のすべての声は、ソケット越しに入力された質問に答えるQwen Audio 3.1リアルタイムフラッシュの本物です。英語はルカ、中国語はユシャオユン、日本語はエミリーです。画像はQwen Image 2.1の出力で、スコアはEmpirioLabsのACE-Step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
リアルタイムエンドポイントを開き、モデルをクエリ文字列に、APIキーをハンドシェイクで開いてください:
wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-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": "xunanchuan_v3.1", "instructions": "あなたは簡潔な旅行アシスタントです。英語で答えてください。", "input_language": "en", "output_language": "en", "turn_detection": {"type": "smart_turn_v2"}
声、言語、そして言い方
- 声。 88の声が、
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longanqian_v3.1話す。 - 言語。
input_languageはあなたが話す言語であり、あなたの書き起こしが書かれている言語です。output_language返事が読み上げられる言語。それぞれが取る自動車または14のコードのいずれかです:ZH,en,はい,コ,vi,ス,id,AR,FR,de,es,PT,ルー、およびそれはお問い合わせ. - 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。
ターン検出
server_vadデフォルトは、の一時停止後にターンを終了します。 silence_duration_msお問い合わせ. smart_turn また、発言内容を判断するため、「えーん」のような埋め草音がターンを終わらせたり返答を中断したりしないようにし、 smart_turn_v2 また、傍観者や脇道の発言に答えることも減ります。セット turn_detection 自分でターンを決めるためにnullを使います。
自分の機能でウェブ検索
ウェブ検索はデフォルトでオフになっています。以下でオンにしてください enable_search、 と は の関数を宣言します。 ツール 同じセッション内で、モデルは何かを調べて、1回の会話の中であなたの関数を呼び出すことができます。
{"type": "session.update", "session": { "enable_search": true, "tools": [{ "type": "function", "name": "book_table", "description": "レストランのテーブルを予約", "parameters": {"type": "object", "properties": { "restaurant": {"type": "string"}, "time": {"type": "string"}}, "required": ["restaurant", "time"]} }}
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。 - 出力言語は翻訳されません。 返信が読み取られる言語を設定します。その言語を尋ねてください。
指示私も。 - スピーチが終わった後も短時間配信を続けてください。 ターン検出はスピーカーが止まる音を聞いてターンを終了させるため、最後の単語で音声をカットしたクライアントは返事を受けません。その後約1秒の無音を送ります。
料金について
各ターンの完了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の料金は両方向に別々に設定されているため、テキストのみの返信となります。 オーディオ ドロップ モダリティ音声入力よりもコストが安くなります。検索結果は会話に追加され、入力トークンとしてカウントされます。リアルタイムフラッシュの価格はかなり低く設定されています Qwen Audio 3.1 Realtime Plus.現在の料金は モデルページ そして、 プライシングページお問い合わせ.
建設を始めろ
Qwen Audio 3.1のリアルタイムフラッシュを試してみてください Playground, 読みます APIドキュメント、そして リアルタイム音声API ガイド。




