Qwen Audio 3.0 Realtime Plus 和 Qwen Audio 3.0 Realtime Flash 已在 EmpirioLabs 上可用。 两者都是阿里巴巴语音对话模式:你打开WebSocket,上传麦克风音频,语音回复会流回。每种都有19个语音,轮换检测(判断句尾的停顿)、原生网页搜索和功能调用。Realtime Plus平衡了推理与对话节奏;Realtime Flash则优化为快速回复,价格更低。
试试它们Playground: 实时加 或 实时闪电.点击开始会话并进行对话。
观看启动影片
电影中的每个声音都是真实的Qwen Audio 3.0实时回复,每个声音都回答一个打字问题:加,用loongeva,普通话用longanlingxi,用daniel和sherry写Flash。图片为Qwen Image 2.1输出,配乐由ACE-Step在EmpirioLabs生成。 在YouTube上观看。 。 。.
连接
wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-0-realtime-flash 授权:承载者YOUR_EMPIRIOLABS_API_KEY
配置会话 session.update,附加麦克风音频为 input_audio_buffer.append,并阅读回复 响应.音频.delta,其转录记录为 response.audio_transcript.delta.音频以16位PCM格式传输,16 kHz上升,24 kHz返回。
{“type”: “session.update”, “session”: { “voice”: “daniel”, “instructions”: “你是自行车店的友好支持代理。”, “turn_detection”: {“type”: “smart_turn”}, “speed”: 1.1 }}
配音与表达方式
- 声音。 19个声音,包括英文声音
丹尼尔, (中文),回声, (中文),汉娜, 和雪利酒,在声音参数在 API 引用和 Playground 选择器中。离开声音未集合和龙安前说话。这些声音与Qwen Audio 3.1实时型号的声音不同。 - 送货。
速度(0.5 到 2) 设定了发言率,enable_speech_emotion表现力表达,以及max_history_turns(1到50)模型读取的早期交换次数。 - 转向检测。
server_vad,默认,暂停后结束你的回合;smart_turn还会判断说了什么,所以填充音不会结束回合,smart_turn_v2也减少了旁观者的回答。
网页搜索或函数调用
网页搜索默认关闭;开启时 enable_search,或声明 函数 工具.每次使用一个:a session.update 这会在被拒绝的情况下,同时也会发生 错误 事件命名字段,会话保持其早期设置。要在声明工具的会话中搜索,发送 “工具”: [] 首先。在一次会话中,两者使用: Qwen 音频 3.1 实时闪光。 。 。.
作战笔记
- 在第一回合前选择声音。 一旦会话开始处理音频,一个
session.update用不同的声音拒绝,并用错误事件。新开会话切换声音。 - 没有语言设置。
input_language以及output_language是Qwen Audio 3.1设置;在3.0版本中,每个设置分别为错误事件命名它,其余更新内容生效。请说说明用哪种语言回答。 - 演讲结束后请继续简短直播。 回合检测通过听到说话者停止时结束回合,所以在最后一个词后发送大约一秒钟的静默。
定价
每完成一次回合按模型报告的使用量计费,音频和文本令牌在双向的费率分别计费,因此纯文本回复的成本低于口头回复。搜索结果计入输入令牌。当前速率在 实时加 以及 实时闪电 模型页和 定价页面。 。 。.
开始建造
每个模型的API引用为 实时加 以及 实时闪电,完整的事件表均为 实时语音API 指南。关于新一代,请参见 如何使用Qwen Audio 3.1实时闪存API。 。 。.




