Qwen Audio 3.1 Realtime Flash e Qwen Audio 3.1 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 3.1 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 3.1 Realtime Plus |
|---|---|---|
| ID do modelo | qwen-audio-3-1-realtime-flash | qwen-audio-3-1-realtime-plus |
| Autor | Alibaba Cloud | Alibaba Cloud |
| Lançado | 27 de out. de 2026 | 20 de set. de 2026 |
| Janela de contexto | 240K tokens | 240K tokens |
| Saída máxima | 16.384 tokens | 16.384 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 3.1 Realtime Plus |
|---|---|---|
| voice | longanqian_v3.1, longanhuan_v3.1, longanlingxin_v3.1, longanf... Padrão: longanqian_v3.1 | longanqian_v3.1, longanhuan_v3.1, longanlingxin_v3.1, longanf... Padrão: longanqian_v3.1 |
| instructions | string | string |
| input_language | auto, zh, en, ja, ko, vi, th, id, ar, fr, de, es, pt, ru, it Padrão: auto | 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 | 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 na wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-realtime-plus, 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-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-3-1-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 3.1 Realtime Plus foi lançado em 20 de set. de 2026. Os dois modelos têm uma janela de contexto de 240K tokens. 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 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 3.1 Realtime Plus foi lançado em 20 de set. 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.
