Conversa de fala duplex em um único socket, com 88 vozes, busca nativa na web, chamadas de ferramentas e taxas separadas de token de texto e áudio.
Alibaba Cloud Geração de Áudio 240K contexto Lançado 20 de set. de 2026 Singapore Endpoint proprietário NovoConversa de fala duplex em um único socket, com 88 vozes, busca nativa na web, chamadas de ferramentas e taxas separadas de token de texto e áudio.
A sessão é configurada com eventos session.update pelo socket em vez de parâmetros de requisição. A busca na web está desativada por padrão e não pode ser combinada com chamadas de funções. Tokens de texto e áudio faturam a taxas separadas, e uma resposta falada cobra apenas seus tokens de áudio.
Também conhecido como Qwen Audio Realtime Plus, Qwen Audio Realtime, Alibaba Cloud Qwen Audio 3.1 Realtime Plus
qwen-audio-3-1-realtime-plus/v1/realtimeqwen-audio-3.1-realtime-plusalibaba/qwen-audio-3-1-realtime-plusTarifas pay-as-you-go ao vivo do catálogo EmpirioLabs. Você paga só pelo que usa, sem mínimo mensal.
Qwen Audio 3.1 Realtime Plus mantém uma conversa ao vivo por um WebSocket em wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-realtime-plus, e não pelos endpoints HTTP. Conecte-se com o id de modelo qwen-audio-3-1-realtime-plus 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. 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-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())Parâmetros de requisição suportados pela API Qwen Audio 3.1 Realtime Plus na EmpirioLabs. Os padrões valem quando um campo é omitido.
| Parâmetro | Tipo | Padrão | Intervalo / valores | Descrição |
|---|---|---|---|---|
| voice | enum | longanqian_v3.1 | longanqian_v3.1, longanhuan_v3.1, longanlingxin_v3.1, longanf... | Voz falada para a sessão. Defina com session.update antes que o modelo produza qualquer áudio. Essas vozes são específicas para esse modelo. |
| instructions | string | - | - | Orientação do sistema sobre como o modelo deve se comportar e falar durante a conversa. |
| input_language | enum | auto | auto, zh, en, ja, ko, vi, th, id, ar, fr, de, es, pt, ru, it | Linguagem que você fala. A transcrição do seu discurso está escrita nela; detecta automaticamente. Também aceita como input_audio_transcription.language. |
| output_language | enum | auto | auto, zh, en, ja, ko, vi, th, id, ar, fr, de, es, pt, ru, it | Idioma em que a resposta falada é lida, por exemplo, japonês ou chinês para os mesmos caracteres. Não traduz a resposta: peça o idioma dele nas suas instruções. O... |
| speed | number | - | 0.5 a 2 | Taxa de fala da resposta, de 0,5 para 2. Valores mais baixos desaceleram a fala e valores mais altos a aceleram. Também aceito como speech_rate. Quando omitido, o... |
| enable_speech_emotion | boolean | true | - | A emoção é mais pronunciada na resposta falada. Desligue para uma entrega mais uniforme. |
| max_history_turns | integer | - | 1 a 50 | Quantas trocas anteriores o modelo lê para cada resposta, de 1 a 50. Menos exchanges usam menos tokens de entrada. Quando omitidos, o padrão do modelo se aplica. |
| enable_search | boolean | false | - | Pesquise na web informações em tempo real. Não pode ser usado na mesma sessão que a chamada de funções. Os resultados da busca são adicionados à conversa e contam... |
| modalities | string | ["text","audio"] | - | Quais tipos de saída o modelo retorna por um turno. Corte o áudio para uma resposta apenas de texto. |
| input_audio_format | enum | pcm16 | pcm16 | Codificação do áudio que você adiciona ao buffer de entrada: PCM base64 de 16 bits a 16 kHz. |
| output_audio_format | enum | pcm24 | pcm24 | Codificação do áudio que o modelo transmite de volta: PCM de 16 bits a 24 kHz. |
| turn_detection | string | {"type":"server_vad"} | - | Detecção de atividade de voz: decide quando você terminou de falar e o modelo deve responder. Está ativado por padrão como server_vad, o que encerra seu turno após... |
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.
Na EmpirioLabs, Qwen Audio 3.1 Realtime Plus é cobrado por uso: Entrada: áudio $12.80 por 1M de tokens de entrada de áudio; Entrada $1.60 por 1M de tokens de prompt; Saída $12.80 por 1M de tokens gerados, respostas apenas de texto; Saída: áudio $48.00 por 1M de tokens de áudio gerados; Pesquisa Web $0.00 por chamada quando invocada. A tabela de tarifas ao vivo desta página sempre corresponde ao que a API cobra.
Qwen Audio 3.1 Realtime Plus suporta uma janela de contexto de 240K tokens com até 16.384 tokens de saída por resposta.
Qwen Audio 3.1 Realtime Plus é servido por WEBSOCKET /v1/realtime em api.empiriolabs.ai com autenticação padrão por token Bearer.
Abra o playground da EmpirioLabs e clique em Start session para testar no navegador. Qwen Audio 3.1 Realtime Plus funciona sobre um WebSocket em vez de requisição e resposta, então para integrar comece pelo guia rápido de voz em tempo real. Conecte-se do seu servidor com sua chave de API da EmpirioLabs e o id de modelo qwen-audio-3-1-realtime-plus e transmita áudio nos dois sentidos.
Crie uma conta EmpirioLabs e gere uma chave em API Keys no painel. A cobrança usa créditos pay-as-you-go, então você paga apenas pelas requisições que faz.
Confira nossos preços ou entre em contato se quiser que seu próprio modelo seja implementado em nossa pilha.
