Qwen Audio 3.1 Realtime Flash e Qwen Audio 3.0 Realtime Plus lado a lado: especificações, recursos, parâmetros e preços ao vivo do catálogo da EmpirioLabs.
Alibaba Cloud Geração de ÁudioQwen Audio 3.1 Realtime Flash e Qwen Audio 3.0 Realtime Plus são modelos de Alibaba Cloud na categoria Geração de Áudio, disponíveis pela API da EmpirioLabs.
| Especificação | Qwen Audio 3.1 Realtime Flash | Qwen Audio 3.0 Realtime Plus |
|---|---|---|
| ID do modelo | qwen-audio-3-1-realtime-flash | qwen-audio-3-0-realtime-plus |
| Autor | Alibaba Cloud | Alibaba Cloud |
| Lançado | 27 de out. de 2026 | 10 de ago. de 2026 |
| Janela de contexto | 240K tokens | 16K tokens |
| Saída máxima | 16.384 tokens | 8.192 tokens |
| Entrada | Áudio Texto | Áudio Texto |
| Saída | Áudio Texto | Áudio Texto |
| Região | Singapore | Singapore |
| Endpoints | WEBSOCKET /v1/realtime | WEBSOCKET /v1/realtime |
| Recursos |
Tarifas ao vivo do catálogo da EmpirioLabs para os dois modelos. Cada tabela de tarifas sempre corresponde ao que a API cobra.
Parâmetros de requisição que cada modelo indica na EmpirioLabs, com os valores permitidos ou o intervalo quando houver. Um traço marca um parâmetro que o modelo não indica.
| Parâmetro | Qwen Audio 3.1 Realtime Flash | Qwen Audio 3.0 Realtime Plus |
|---|---|---|
| voice | longanqian_v3.1, longanhuan_v3.1, longanlingxin_v3.1, longanf... Padrão: longanqian_v3.1 | longanqian, longanlingxin, longanlufeng, longanlingxi, longan... Padrão: longanqian |
| instructions | string | string |
| input_language | auto, zh, en, ja, ko, vi, th, id, ar, fr, de, es, pt, ru, it Padrão: auto | - |
| output_language | auto, zh, en, ja, ko, vi, th, id, ar, fr, de, es, pt, ru, it Padrão: auto | - |
| speed | 0.5 a 2 | 0.5 a 2 |
| enable_speech_emotion | boolean Padrão: true | boolean Padrão: true |
| max_history_turns | 1 a 50 | 1 a 50 |
| enable_search | boolean Padrão: false | boolean Padrão: false |
| modalities | string Padrão: ["text","audio"] | string Padrão: ["text","audio"] |
| input_audio_format | pcm16 Padrão: pcm16 | pcm16 Padrão: pcm16 |
| output_audio_format | pcm24 Padrão: pcm24 | pcm24 Padrão: pcm24 |
| turn_detection | string Padrão: {"type":"server_vad"} | string Padrão: {"type":"server_vad"} |
Voz full-duplex sobre um WebSocket na wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-realtime-flash, autenticada com o cabeçalho comum Authorization Bearer. Configure a sessão com session.update sobre o socket: voz, instruções, modalidades, detecção de turnos, idiomas e entrega.
Defina input_language para o idioma que você fala, no qual a transcrição do seu discurso está escrita, e output_language para o idioma em que a resposta falada é lida. Cada um aceita auto ou um de zh, en, ja, ko, vi, th, id, ar, fr, de, es, pt, ru e it. A linguagem de saída não traduz a resposta, então peça também o idioma dele nas suas instruções. speed (0,5 para 2) define a taxa de fala, enable_speech_emotion a entrega expressiva e max_history_turns (1 a 50) quantas trocas anteriores o modelo lê.
As vozes deste modelo são um conjunto próprio. Escolha uma da lista de vozes em vez de carregar uma voz de outro modelo, ou deixe-a sem definir e o padrão será fornecido para você.
A busca na web está desativada por padrão. Ative com enable_search. Funciona na mesma sessão que a chamada de funções, e os resultados da busca são adicionados à conversa e contam como tokens de entrada.
Tokens de áudio e texto são precificados separadamente em ambas as direções. Uma resposta falada é cobrada apenas pelos tokens de saída de áudio, e a taxa de saída de texto aplica-se a respostas sem áudio. Cada turno concluído é faturado separadamente a partir do uso que o modelo reporta.
Voz full-duplex sobre um WebSocket em wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-0-realtime-plus, autenticada com o cabeçalho comum do Portador de Autorização. Configure a sessão com session.update sobre o soquete: voz, instruções, modalidades, detecção e entrega de turnos.
speed (0,5 a 2) define a taxa de fala, enable_speech_emotion a expressão e max_history_turns (1 a 50) quantas trocas anteriores o modelo lê. Peça a linguagem da resposta em suas instruções.
As vozes deste modelo são um conjunto próprio. Escolha uma da lista de vozes em vez de carregar uma voz de outro modelo, ou deixe-a sem definir e o padrão será fornecido para você.
A busca na web está desativada por padrão. Ative-a com enable_search. Ela não pode ser ativada na mesma sessão que a chamada de funções, e os resultados da busca são adicionados à conversa e contam como tokens de entrada.
Tokens de áudio e texto são precificados separadamente em ambas as direções. Uma resposta falada é cobrada apenas pelos tokens de saída de áudio, e a taxa de saída de texto aplica-se a respostas sem áudio. Cada turno concluído é faturado separadamente a partir do uso que o modelo reporta.
Qwen Audio 3.1 Realtime Flash mantém uma conversa ao vivo por um WebSocket em wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-realtime-flash, e não pelos endpoints HTTP. Conecte-se com o id de modelo qwen-audio-3-1-realtime-flash e envie sua chave de API da EmpirioLabs como cabeçalho Authorization: Bearer no handshake. O áudio trafega nos dois sentidos como PCM de 16 bits em base64. Um navegador não consegue definir cabeçalhos em um WebSocket, então abra esta conexão a partir do seu servidor e repasse o áudio ao navegador pelo seu próprio socket. Os dois modelos são chamados pelo mesmo endpoint. Defina model como qwen-audio-3-1-realtime-flash ou qwen-audio-3-0-realtime-plus. Obtenha uma chave de API no painel EmpirioLabs.
import asyncio, json, os, websockets
async def main():
async with websockets.connect(
"wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-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())Testes de prompts e comparações que cobrem os dois modelos.
Qwen Audio 3.1 Realtime Flash é o lançamento mais recente (27 de out. de 2026); Qwen Audio 3.0 Realtime Plus foi lançado em 10 de ago. de 2026. Qwen Audio 3.1 Realtime Flash tem a maior janela de contexto: 240K tokens, contra 16K de Qwen Audio 3.0 Realtime Plus. Qwen Audio 3.1 Realtime Flash retorna até 16.384 tokens de saída por resposta; Qwen Audio 3.0 Realtime Plus, até 8.192. As especificações, as tabelas de tarifas e os parâmetros desta página vêm do catálogo ao vivo da EmpirioLabs.
Qwen Audio 3.1 Realtime Flash é o lançamento mais recente (27 de out. de 2026); Qwen Audio 3.0 Realtime Plus foi lançado em 10 de ago. de 2026.
Qwen Audio 3.1 Realtime Flash tem a tarifa mais baixa para Entrada: áudio (por 1M de tokens de entrada de áudio) e Entrada (por 1M de tokens de prompt). As duas tabelas de tarifas ao vivo estão nesta página e sempre correspondem ao que a API cobra.
Sim. Os dois modelos usam WEBSOCKET /v1/realtime com a mesma chave de API da EmpirioLabs, então a maioria das integrações alterna só mudando o valor model. Confira antes a tabela de parâmetros desta página se você depende de um parâmetro específico de um modelo.
Sim. Abra cada modelo no playground da EmpirioLabs e clique em Start session para testar no navegador.
Confira nossos preços ou entre em contato se quiser que seu próprio modelo seja implementado em nossa pilha.
