19の音声、ネイティブのウェブ検索、ツール呼び出し、テキストと音声トークンの別々のレートに対応し、高速応答を目的としたデュプレックス音声会話に対応しています。
Alibaba Cloud オーディオ生成 16K コンテキスト リリース 2026年8月10日 Singapore 独自エンドポイント 新着19の音声、ネイティブのウェブ検索、ツール呼び出し、テキストと音声トークンの別々のレートに対応し、高速応答を目的としたデュプレックス音声会話に対応しています。
セッションはリクエストパラメータではなく、ソケット上でsession.updateイベントで設定されます。ウェブ検索はデフォルトでオフで、関数呼び出しと組み合わせることはできません。テキストトークンとオーディオトークンは別々の料金で請求され、音声返信は音声トークンのみで請求されます。
別名 Qwen Audio Realtime Flash, Alibaba Cloud Qwen Audio 3.0 Realtime Flash
qwen-audio-3-0-realtime-flash/v1/realtimeqwen-audio-3.0-realtime-flashalibaba/qwen-audio-3-0-realtime-flashEmpirioLabs カタログのライブ従量課金料金です。使った分だけの支払いで、月額最低料金はありません。
Qwen Audio 3.0 Realtime Flash は HTTP エンドポイントではなく、wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-0-realtime-flash の WebSocket 上でライブ会話を行います。モデル ID qwen-audio-3-0-realtime-flash 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。 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-3-0-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 上の Qwen Audio 3.0 Realtime Flash API が対応するリクエストパラメーターです。フィールドを省略した場合はデフォルト値が適用されます。
| パラメータ | タイプ | デフォルト | 範囲 / 値 | 説明 |
|---|---|---|---|---|
| voice | enum | longanqian | longanqian, longanlingxin, longanlufeng, longanlingxi, longan... | セッション用の話す音声。モデルが音声を生成する前にsession.updateで設定してください。これらの音声はこのモデルに特有のものです。 |
| instructions | string | - | - | モデルが会話中にどのように振る舞い、話すべきかのシステムガイダンス。 |
| speed | number | - | 0.5 から 2 | 応答の話す速度は0.5から2までです。値が低いほど話す速度が遅くなり、値が高いと速くなります。これもまた、speech_rateとして受け入れられます。省略した場合、モデル自身のデフォルトが適用されます。 |
| enable_speech_emotion | boolean | true | - | 話し言葉の返事でより強い感情が込められています。より均一に伝えるために電源を切ってください。 |
| max_history_turns | integer | - | 1 から 50 | モデルは各回答に対して1から50までの過去の交換を読み取る回数です。交換所は入力トークン数が少なくなります。省略した場合、モデル自身のデフォルトが適用されます。 |
| enable_search | boolean | false | - | ウェブ上でリアルタイム情報を検索できます。関数呼び出しと同じセッションで使用することはできません。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。 |
| modalities | string | ["text","audio"] | - | どの出力タイプがモデルが1ターン返すか。音声を抜いてテキストのみの返信をします。 |
| input_audio_format | enum | pcm16 | pcm16 | 入力バッファに追加する音声のエンコードは、base64の16ビットPCM、16kHzです。 |
| output_audio_format | enum | pcm24 | pcm24 | モデルがストリーミングバックする音声のエンコード:16ビットPCM、24kHz。 |
| turn_detection | string | {"type":"server_vad"} | - | 音声活動検出:話し終えたタイミングを判定し、モデルが返事をするべきです。デフォルトではserver_vadがオンで、一時停止後にターンを終了します。smart_turnは発言内容の重みも測定するため、「えっと」などのつなぎ音がターンを終了させたり返信を中断したりせず、smart_turn_v2通行人や横味なコメントにも返答する頻度が... |
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。
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。
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。
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。
EmpirioLabs では Qwen Audio 3.0 Realtime Flash は従量課金です: 入力: 音声 $1.86 1Mのオーディオ入力トークンあたり; 入力 $0.46 1Mプロンプトトークンあたり; 出力 $1.40 生成された1Mトークンあたり、テキストのみの返信; 出力: 音声 $3.74 生成された1Mの音声トークンあたり; ウェブ検索 $0.00 呼び出し時の通話ごと。このページのライブ料金表は常に API の請求額と一致します。
Qwen Audio 3.0 Realtime Flash は 16K トークンのコンテキストウィンドウに対応しています(1回の応答あたり最大 8,192 出力トークン)。
Qwen Audio 3.0 Realtime Flash は api.empiriolabs.ai 上の WEBSOCKET /v1/realtime で提供され、標準的な Bearer トークン認証を使用します。
EmpirioLabs プレイグラウンド を開き、Start session を押すとブラウザーで試せます。Qwen Audio 3.0 Realtime Flash はリクエストとレスポンスではなく WebSocket 上で動作するため、組み込むときは リアルタイム音声クイックスタート から始めてください。EmpirioLabs の API キーとモデル ID qwen-audio-3-0-realtime-flash を使ってサーバーから接続し、音声を双方向にストリーミングします。
EmpirioLabs アカウントを作成し、ダッシュボードの API Keysでキーを生成してください。課金は従量制クレジットなので、実行したリクエストの分だけ支払います。
