Qwen3.5 Omni Flash Realtime API

音声入力・音声出力が1つのソケットで行われ、テキストトークンとオーディオトークン料金は別々で、ターンごとの課金方式も設定されています。

Alibaba Cloud オーディオ生成 192K コンテキスト Singapore 独自エンドポイント

Qwen3.5 Omni Flash Realtime について

音声入力・音声出力が1つのソケットで行われ、テキストトークンとオーディオトークン料金は別々で、ターンごとの課金方式も設定されています。

セッションはリクエストパラメータではなく、ソケット上でセッション・アップデートイベントで設定されます。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、音声応答は音声トークンのみを請求します。

別名 Alibaba Cloud Qwen3.5 Omni Flash Realtime

realtime speech to speech audio in audio out video function calling multilingual

Qwen3.5 Omni Flash Realtime の仕様

モデルID
qwen3-5-omni-flash-realtime
開発元
Alibaba Cloud
カテゴリ
オーディオ生成
リリース
-
コンテキスト長
192K トークン
最大出力
65,536 トークン
入力
音声テキスト画像動画
出力
音声テキスト
リージョン
Singapore
エンドポイント
WEBSOCKET/v1/realtime
代替モデルID
qwen3.5-omni-flash-realtimealibaba/qwen3-5-omni-flash-realtime

Qwen3.5 Omni Flash Realtime API の料金

EmpirioLabs カタログのライブ従量課金料金です。週ごとの利用枠付きプランも選べます。

タイプ
仕様
料金
入力: 音声
1Mのオーディオ入力トークンあたり
$9.00
入力
1Mプロンプトトークンあたり
$1.10
出力
生成された1Mトークンあたり、テキストのみの返信
$6.60
出力: 音声
生成された1Mの音声トークンあたり
$35.40
料金ページ全体で比較

Qwen3.5 Omni Flash Realtime API の呼び出し方

Qwen3.5 Omni Flash Realtime は HTTP エンドポイントではなく、wss://api.empiriolabs.ai/v1/realtime?model=qwen3-5-omni-flash-realtime の WebSocket 上でライブ会話を行います。モデル ID qwen3-5-omni-flash-realtime 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。

Python (websockets)
import asyncio, json, os, websockets

async def main():
    async with websockets.connect(
        "wss://api.empiriolabs.ai/v1/realtime?model=qwen3-5-omni-flash-realtime",
        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())
Qwen3.5 Omni Flash Realtime API の完全リファレンス

Qwen3.5 Omni Flash Realtime API のパラメーター

EmpirioLabs 上の Qwen3.5 Omni Flash Realtime 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
voiceenumTinaTina, Serena, Ethan, Dylan, Sunny, Peter, Kiki, Ericセッション用の音声を話す。モデルが音声を出す前にsession.updateで設定してください。
instructionsstring--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。
modalitiesstring["text","audio"]-どの出力タイプをモデルが1ターン返すか。テキストのみの返信には「audio」を省略してください。
input_audio_formatenumpcmpcm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_formatenumpcmpcmモデルがストリーミングバックする音声のエンコードは、base64 16ビットPCM(24 kHz)です。
turn_detectionstring{"type":"server_vad"}-音声活動検出:話し終えたタイミングを判断し、モデルが返事をするべきです。デフォルトではserver_vadとしてオンにされており、一時停止後にターンが終了します。semantic_vadは話し終えたかどうかも判断するため、フィラー音や背景音はターンを終了しません。閾値は-1から1までの数値で、デフォルトは0.5です。高い値ほど、より...
max_response_output_tokensnumber-1 から 655361つの回答で使用できる最大出力トークン数:1から65536までで、より大きい数は65536、またはモデル自身の上限の「inf」となります。max_output_tokensとしても受け入れられます。省略した場合はモデル自身のデフォルトが適用されます。
temperaturenumber-0 から 1.99サンプリング温度。0は決定的で、1.99は最大ランダム性です。省略すると、モデル自身のデフォルトが適用されます。
top_pnumber-0.01 から 1核サンプリング確率質量。値が低いほど出力がより集中します。省略するとモデル自身のデフォルトが適用されます。
top_kinteger-1 から 100最も可能性が高いKトークンからのみサンプルを抽出します。省略した場合、モデル自身のデフォルトが適用されます。
repetition_penaltynumber-0.1 から 2値が高いほど繰り返しの表現を抑制し、1はペナルティを適用しません。省略した場合はモデル自身のデフォルトが適用されます。
presence_penaltynumber--2 から 2生成されたテキストに既に存在したトークンに対するペナルティ。ポジティブな値は新しいトピックを促します。省略した場合、モデル自身のデフォルトが適用されます。
seedinteger-0 から 2147483647より再現性の高いサンプリングのためのランダムシード。同じリクエストでシードを再利用すると、似たような、必ずしも同一ではない出力が得られます。

知っておくと便利

wss@api.empiriolabs.ai/v1/realtime?model=qwen3-5-omni-flash-realtime のWebSocket上で、通常のAuthorization Bearerヘッダーで認証された全二重音声を利用できます。セッションを「session.update」でソケット上で設定します:voice、instructions、modalities、ターン検出、サンプリング、応答長制限などmax_response_output_tokens。最初の音声の後に、カメラやビデオフレームをJPEG画像としてinput_image_buffer.appendで送信します。このモデルの音声は以前のOmni世代とは異なり、1つを受け入れるかデフォルトのまま設定します。未知の音声はエラーを返すのではなくセッションを終了します。テキストトークンとオーディオトークンは別々に価格設定され、音声返信は音声出力トークンのみで請求され、完了したターンごとにモデルが報告する使用量から個別に請求されます。

Qwen3.5 Omni Flash Realtime API: よくある質問

Qwen3.5 Omni Flash Realtime API の料金はいくらですか?

EmpirioLabs では Qwen3.5 Omni Flash Realtime は従量課金です: 入力: 音声 $9.00 1Mのオーディオ入力トークンあたり; 入力 $1.10 1Mプロンプトトークンあたり; 出力 $6.60 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 $35.40 生成された1Mの音声トークンあたり。週ごとの利用枠付きプランも選べます。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。

Qwen3.5 Omni Flash Realtime はどの入力と出力に対応していますか?

Qwen3.5 Omni Flash Realtime は 音声, テキスト, 画像, 動画 を入力として受け取り、音声, テキスト を返します。

Qwen3.5 Omni Flash Realtime のコンテキストウィンドウはどれくらいですか?

Qwen3.5 Omni Flash Realtime は 192K 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 65,536 出力トークン)。

Qwen3.5 Omni Flash Realtime はどのエンドポイントを使いますか?

Qwen3.5 Omni Flash Realtime 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。

Qwen3.5 Omni Flash Realtime のモデル ID は何ですか?

リクエストの model に qwen3-5-omni-flash-realtime を指定してください。代替 ID の qwen3.5-omni-flash-realtime, alibaba/qwen3-5-omni-flash-realtime も使えます。

Qwen3.5 Omni Flash Realtime はどこから提供されていますか?

EmpirioLabs の Qwen3.5 Omni Flash Realtime は Singapore から提供されています。

統合する前にブラウザで Qwen3.5 Omni Flash Realtime を試せますか?

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。Qwen3.5 Omni Flash Realtime 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 qwen3-5-omni-flash-realtime 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。

Qwen3.5 Omni Flash Realtime の API キーはどうやって取得しますか?

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。週ごとの利用枠付きプランも選べます。

Qwen3.5 Omni Flash Realtime を他のモデルと比較

すべてのモデル比較

より良いエンドポイントを使う準備はできていますか?

ご自身のモデルを当社のスタックに展開したい方は、ぜひご価格をご覧ください。