Qwen Audio 3.1 Realtime Plus vs Qwen Audio 3.0 Realtime Flash

Qwen Audio 3.1 Realtime Plus vs Qwen Audio 3.0 Realtime Flash の概要

Qwen Audio 3.1 Realtime Plus と Qwen Audio 3.0 Realtime Flash はどちらも Alibaba Cloud のモデルで、オーディオ生成カテゴリに属し、EmpirioLabs API から利用できます。

主な違い

• Qwen Audio 3.1 Realtime Plus のほうが新しいリリースです (2026年9月20日)。Qwen Audio 3.0 Realtime Flash のリリースは 2026年8月10日 です。
• コンテキスト長は Qwen Audio 3.1 Realtime Plus のほうが大きく、240K トークンです (Qwen Audio 3.0 Realtime Flash は 16K)。
• 1 回の応答で Qwen Audio 3.1 Realtime Plus は最大 16,384 出力トークン、Qwen Audio 3.0 Realtime Flash は最大 8,192 を返します。
• 入力: 音声 (1Mのオーディオ入力トークンあたり)、入力 (1Mプロンプトトークンあたり) の料金は Qwen Audio 3.0 Realtime Flash のほうが低くなっています。

Qwen Audio 3.1 Realtime Plus vs Qwen Audio 3.0 Realtime Flash: 仕様

Qwen Audio 3.1 Realtime Plus vs Qwen Audio 3.0 Realtime Flash: API の料金

両モデルの EmpirioLabs カタログのライブ料金です。各料金表は常に API の請求額と一致します。

Qwen Audio 3.1 Realtime Plus vs Qwen Audio 3.0 Realtime Flash: API のパラメーター

EmpirioLabs で各モデルに記載されているリクエストパラメーターと、指定できる値または範囲です。ハイフンは、そのモデルに記載のないパラメーターを示します。

Qwen Audio 3.1 Realtime Plus vs Qwen Audio 3.0 Realtime Flash: 上限と注意点

Qwen Audio 3.1 Realtime Plus

接続

通常のAuthorization Bearerヘッダーで認証されたWebSocket上の全二重音声wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-realtime-plus。ソケット上で音声、指示、モダリティ、ターン検出、言語、配信などのsession.updateセッションを構成します。

音声送信

• マイクの音声をイベントとして付け加input_audio_buffer.append。
• 音声活動検出は話すのをやめたタイミングを判定するので、話し終わった後も約1秒間はストリーミングを続けてください。

言語と発話

input_languageをあなたが話す言語に設定し、その言語で書き起こし、話し言葉が読み上げられる言語にoutput_languageします。それぞれはautoか、zh、en、ja、ko、vi、th、id、ar、fr、de、es、pt、ru、itのいずれかを選びます。出力言語は返答を翻訳しないので、指示書でその言語も求めてください。speed(0.5から2)は話す速度、表現的な伝え方max_history_turnsenable_speech_emotion、モデルが読み取った過去の交換数(1から50)を決めます。

声

このモデルの声は独立したセットです。声を他のモデルから持ち歩くのではなく、ボイスリストから1つ選ぶか、設定せずにデフォルトで提供してもいいです。

ウェブ検索

ウェブ検索はデフォルトでオフです。enable_searchでオンにしてください。関数呼び出しと同じセッションでは有効にできず、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。

請求

音声トークンとテキストトークンは両方向に別々に価格設定されます。音声返信は音声出力トークンのみで請求され、音声のない返信にはテキスト出力レートが適用されます。完了した各ターンは、モデルが報告する使用量から個別に請求されます。

Qwen Audio 3.0 Realtime Flash

接続

通常のAuthorization Bearerヘッダーで認証されたWebSocket上の全二重音声wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-0-realtime-flash。ソケット上で音声、指示、モーダリティ、ターン検出、配信などのsession.updateセッションを構成します。

音声送信

• マイクの音声をイベントとして付け加input_audio_buffer.append。
• 音声活動検出は話すのをやめたタイミングを判定するので、話し終わった後も約1秒間はストリーミングを続けてください。

配達

speed(0.5から2)は話す速度、enable_speech_emotion表現的な表現、そしてモデルが読み取った過去の交換数(1から50)をmax_history_turnsします。指示書の中で返事の言語を尋ねてください。

声

このモデルの声は独立したセットです。声を他のモデルから持ち歩くのではなく、ボイスリストから1つ選ぶか、設定せずにデフォルトで提供してもいいです。

ウェブ検索

ウェブ検索はデフォルトでオフです。enable_searchでオンにしてください。関数呼び出しと同じセッションでは有効にできず、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。

請求

音声トークンとテキストトークンは両方向に別々に価格設定されます。音声返信は音声出力トークンのみで請求され、音声のない返信にはテキスト出力レートが適用されます。完了した各ターンは、モデルが報告する使用量から個別に請求されます。

Qwen Audio 3.1 Realtime Plus と Qwen Audio 3.0 Realtime Flash の呼び出し方

Qwen Audio 3.1 Realtime Plus は HTTP エンドポイントではなく、wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-realtime-plus の WebSocket 上でライブ会話を行います。モデル ID qwen-audio-3-1-realtime-plus で接続し、ハンドシェイク時に EmpirioLabs の API キーを Authorization: Bearer ヘッダーとして送信してください。音声は base64 の 16 ビット PCM として双方向に流れます。 ブラウザは WebSocket にヘッダーを設定できないため、この接続はサーバーから開き、音声は自前のソケットでブラウザへ中継してください。 どちらのモデルも同じエンドポイントで呼び出します。model を qwen-audio-3-1-realtime-plus または qwen-audio-3-0-realtime-flash に設定してください。 EmpirioLabs ダッシュボードで API キーを取得してください。

import asyncio, json, os, websockets

async def main():
    async with websockets.connect(
        "wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-realtime-plus",
        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())

Qwen Audio 3.1 Realtime Plus vs Qwen Audio 3.0 Realtime Flash: テストとガイド

両方のモデルを扱ったプロンプトテストと比較実験です。

ガイド Qwen Audio 3.1 リアルタイムフラッシュ vs 3.1 リアルタイムプラス vs 3.0 リアルタイムプラスとフラッシュ:一つの音声質問 私たちは4つのQwen AudioリアルタイムモデルにWebSocketを通じて同じ音声質問を1回ずつ送りました。すべての返答を聞き、最初の音声までの時間とターンの代償を聞いてください。

Qwen Audio 3.1 Realtime Plus vs Qwen Audio 3.0 Realtime Flash: よくある質問

Qwen Audio 3.1 Realtime Plus と Qwen Audio 3.0 Realtime Flash の違いは何ですか?

Qwen Audio 3.1 Realtime Plus のほうが新しいリリースです (2026年9月20日)。Qwen Audio 3.0 Realtime Flash のリリースは 2026年8月10日 です。 コンテキスト長は Qwen Audio 3.1 Realtime Plus のほうが大きく、240K トークンです (Qwen Audio 3.0 Realtime Flash は 16K)。 1 回の応答で Qwen Audio 3.1 Realtime Plus は最大 16,384 出力トークン、Qwen Audio 3.0 Realtime Flash は最大 8,192 を返します。 このページの仕様、料金表、パラメーターは EmpirioLabs のライブカタログに基づいています。

Qwen Audio 3.1 Realtime Plus と Qwen Audio 3.0 Realtime Flash ではどちらが新しいですか?

Qwen Audio 3.1 Realtime Plus のほうが新しいリリースです (2026年9月20日)。Qwen Audio 3.0 Realtime Flash のリリースは 2026年8月10日 です。

Qwen Audio 3.1 Realtime Plus と Qwen Audio 3.0 Realtime Flash ではどちらの料金が低いですか?

入力: 音声 (1Mのオーディオ入力トークンあたり)、入力 (1Mプロンプトトークンあたり) の料金は Qwen Audio 3.0 Realtime Flash のほうが低くなっています。 両方のライブ料金表はこのページにあり、常に API の請求額と一致します。

統合を作り直さずに Qwen Audio 3.1 Realtime Plus と Qwen Audio 3.0 Realtime Flash を切り替えられますか?

はい。どちらのモデルも同じ EmpirioLabs API キーで WEBSOCKET /v1/realtime を使うため、ほとんどの連携は model の値を変えるだけで切り替えられます。モデル固有のパラメーターに依存している場合は、先にこのページのパラメーター表を確認してください。

統合する前にブラウザで Qwen Audio 3.1 Realtime Plus と Qwen Audio 3.0 Realtime Flash を試せますか?

はい。EmpirioLabs プレイグラウンド で各モデルを開き、Start session を押すとブラウザーで試せます。