Qwen3.5-Omni-Flash je alias multimodální rodiny Qwen společnosti Alibaba pro tvorbu textu, hlasové asistenty a analýzu multimédií. Přijímá text, obrázky, zvuk a video v kombinovaném vstupu a vrací text nebo text s řečí. Výrobce nyní popisuje tento alias jako funkčně shodný s Qwen3.5-Omni-Flash 2026-03-15. Samotné označení Flash nezaručuje dobu odezvy ani konkrétní trvalou verzi modelu.
Na vstupu lze spojit obrázek s namluvenou otázkou nebo obrazovou a zvukovou složku videa s písemnými pokyny. To je užitečné, když by čistě textové shrnutí ztratilo souvislost mezi tím, co je vidět a co je slyšet. Při zadání analýzy médií požadujte zvlášť viditelný sled událostí, text na obrazovce a mluvený obsah. Pokud záleží na pořadí událostí, požadujte časové značky vztažené ke zdroji. K analýze mohou vedle řeči přispět i zvukové efekty a další nemluvené zvuky.
U hlasové odpovědi určete jazyk, publikum a způsob přednesu. Příručka Qwen dokumentuje pokyny pro hlasitost, tempo řeči a emoce. Uvádí 113 jazyků a dialektů zvukového vstupu a 36 jazyků a dialektů hlasového výstupu, včetně angličtiny, francouzštiny, němčiny a ruštiny. Katalog hlasů uvádí hlas Tina jako výchozí a zahrnuje například hlasy Serena a Ethan. Vyberte hlas a požádejte o stručné vysvětlení v klidném tempu, místo abyste styl výstupu nechali určovat vstupním hlasem.
Dokumentovaný postup generování řeči přes HTTP vrací průběžně text a zvukové bloky kódované v Base64. Příklad WAV používá 24 kHz, mono, 16bitové PCM; aplikace může bloky shromáždit do zvukového souboru nebo je průběžně dekódovat pro přehrávání. Jde o streamované generování na základě odeslaného požadavku. Detekce konce promluvy v živé konverzaci, zpracování přerušení a konverzace přes mikrofon patří k samostatně pojmenovaným realtime modelům. Tabulka rodiny Qwen3.5-Omni nenabízí režim hlubokého přemýšlení.
Karta modelu Flash uvádí webové vyhledávání a v tabulkách pro oba regiony označuje Structured Outputs jako nepodporované. V běžném textu můžete požadovat pojmenované oddíly, ale takový pokyn se liší od režimu s vynuceným JSON. Function Calling je dokumentováno pro nasazení Chat Completions společnosti Alibaba v Pekingu s textovým výstupem a v tabulce pro Singapur je nepodporované; vybranou akci nástroje provádí aplikace. Doplňování prefixu, ukládání kontextu do mezipaměti a fine-tuning nejsou podporovány. Pekingská tabulka aliasu podporuje dávkovou inferenci, singapurská nikoli.
Zveřejněné kontextové okno má 262,144 tokenů, maximální vstup 196,608 tokenů a maximální výstup 65,536 tokenů. Kombinovaná média a text sdílejí rozpočet kontextu. Příručka Alibaba pro HTTP u této řady umožňuje až tři hodiny zvuku nebo jednu hodinu videa; uvádí zvukové formáty AMR, WAV, 3GP, 3GPP, AAC a MP3 a videoformáty MP4, AVI, MKV, MOV, FLV a WMV. Zvukové soubory nebo videa předané přes URL mohou mít až 2 GB, zatímco média kódovaná v Base64 musí být menší než 10 MB. Jde o limity souborového postupu výrobce, které se liší od tvrzení v představení modelu o porozumění více než deseti hodinám zvuku nebo více než 400 sekundám videa v rozlišení 720p vzorkovaného při 1 FPS.
Obrázky mají v této příručce vlastní limity přípravy: až 20 MB na obrázek předaný přes URL, rozměry větší než 10 pixelů na každé straně a poměr stran nejvýše 200:1. Příručka umožňuje až 2,048 obrázků nebo zvukových souborů předaných přes URL a 512 videosouborů předaných přes URL; vstup v Base64 umožňuje až 250 souborů. Tyto limity přenosu nadále podléhají společnému rozpočtu vstupních tokenů. Řada může v jednom požadavku kombinovat několik typů médií. Vyberte příslušný úryvek, zajistěte čitelnost drobných popisků a vysvětlete vztah mezi jednotlivými vstupy. Dokumentované maximální počty souborů se liší podle modality a způsobu přenosu, přičemž každý vstup se musí vejít do společného rozpočtu tokenů.
Nedatovaný model Flash podporuje vlastní klonování hlasu prostřednictvím samostatného postupu vytvoření hlasu. Referenční nahrávka musí obsahovat alespoň tři sekundy nepřerušované zřetelné řeči s pauzami nejvýše dvě sekundy; použijte běžnou řeč bez hudby, zpěvu, šumu nebo dalšího mluvčího. Pro WAV použijte 16bitový zvuk. Z reference vznikne hlas přiřazený k pojmenovanému cílovému modelu a tento cíl musí odpovídat modelu následně použitému pro řeč. Alibaba doporučuje 10–20 sekund čisté monofonní řeči s frekvencí alespoň 24 kHz, maximálně 60 sekund a soubor menší než 10 MB. Referenční formáty jsou WAV, MP3 a M4A. Verze Flash z 15. března tento postup klonování nepodporuje.
Pro vysvětlení v zákaznické podpoře využívající více médií dodejte snímek obrazovky, nahranou otázku a případnou produktovou terminologii jako text. Příklad zadání: „Použij popisky ze snímku obrazovky, odpověz na otázku ve zvukové nahrávce francouzsky a poskytni krátké vysvětlení s pomalejším, uklidňujícím přednesem.“ Pro analýzu místo dialogu požadujte chronologická pozorování, přesný viditelný text a řeč v samostatných oddílech. Uveďte cílové publikum a zda chcete přepis, interpretaci nebo stručné shrnutí.
", "aboutText": "Qwen3.5-Omni-Flash je alias multimodální rodiny Qwen společnosti Alibaba pro tvorbu textu, hlasové asistenty a analýzu multimédií. Přijímá text, obrázky, zvuk a video v kombinovaném vstupu a vrací text nebo text s řečí. Výrobce nyní popisuje tento alias jako funkčně shodný s Qwen3.5-Omni-Flash 2026-03-15. Samotné označení Flash nezaručuje dobu odezvy ani konkrétní trvalou verzi modelu.\n\nNa vstupu lze spojit obrázek s namluvenou otázkou nebo obrazovou a zvukovou složku videa s písemnými pokyny. To je užitečné, když by čistě textové shrnutí ztratilo souvislost mezi tím, co je vidět a co je slyšet. Při zadání analýzy médií požadujte zvlášť viditelný sled událostí, text na obrazovce a mluvený obsah. Pokud záleží na pořadí událostí, požadujte časové značky vztažené ke zdroji. K analýze mohou vedle řeči přispět i zvukové efekty a další nemluvené zvuky.\n\nU hlasové odpovědi určete jazyk, publikum a způsob přednesu. Příručka Qwen dokumentuje pokyny pro hlasitost, tempo řeči a emoce. Uvádí 113 jazyků a dialektů zvukového vstupu a 36 jazyků a dialektů hlasového výstupu, včetně angličtiny, francouzštiny, němčiny a ruštiny. Katalog hlasů uvádí hlas Tina jako výchozí a zahrnuje například hlasy Serena a Ethan. Vyberte hlas a požádejte o stručné vysvětlení v klidném tempu, místo abyste styl výstupu nechali určovat vstupním hlasem.\n\nDokumentovaný postup generování řeči přes HTTP vrací průběžně text a zvukové bloky kódované v Base64. Příklad WAV používá 24 kHz, mono, 16bitové PCM; aplikace může bloky shromáždit do zvukového souboru nebo je průběžně dekódovat pro přehrávání. Jde o streamované generování na základě odeslaného požadavku. Detekce konce promluvy v živé konverzaci, zpracování přerušení a konverzace přes mikrofon patří k samostatně pojmenovaným realtime modelům. Tabulka rodiny Qwen3.5-Omni nenabízí režim hlubokého přemýšlení.\n\nKarta modelu Flash uvádí webové vyhledávání a v tabulkách pro oba regiony označuje Structured Outputs jako nepodporované. V běžném textu můžete požadovat pojmenované oddíly, ale takový pokyn se liší od režimu s vynuceným JSON. Function Calling je dokumentováno pro nasazení Chat Completions společnosti Alibaba v Pekingu s textovým výstupem a v tabulce pro Singapur je nepodporované; vybranou akci nástroje provádí aplikace. Doplňování prefixu, ukládání kontextu do mezipaměti a fine-tuning nejsou podporovány. Pekingská tabulka aliasu podporuje dávkovou inferenci, singapurská nikoli.\n\nZveřejněné kontextové okno má 262,144 tokenů, maximální vstup 196,608 tokenů a maximální výstup 65,536 tokenů. Kombinovaná média a text sdílejí rozpočet kontextu. Příručka Alibaba pro HTTP u této řady umožňuje až tři hodiny zvuku nebo jednu hodinu videa; uvádí zvukové formáty AMR, WAV, 3GP, 3GPP, AAC a MP3 a videoformáty MP4, AVI, MKV, MOV, FLV a WMV. Zvukové soubory nebo videa předané přes URL mohou mít až 2 GB, zatímco média kódovaná v Base64 musí být menší než 10 MB. Jde o limity souborového postupu výrobce, které se liší od tvrzení v představení modelu o porozumění více než deseti hodinám zvuku nebo více než 400 sekundám videa v rozlišení 720p vzorkovaného při 1 FPS.\n\nObrázky mají v této příručce vlastní limity přípravy: až 20 MB na obrázek předaný přes URL, rozměry větší než 10 pixelů na každé straně a poměr stran nejvýše 200:1. Příručka umožňuje až 2,048 obrázků nebo zvukových souborů předaných přes URL a 512 videosouborů předaných přes URL; vstup v Base64 umožňuje až 250 souborů. Tyto limity přenosu nadále podléhají společnému rozpočtu vstupních tokenů. Řada může v jednom požadavku kombinovat několik typů médií. Vyberte příslušný úryvek, zajistěte čitelnost drobných popisků a vysvětlete vztah mezi jednotlivými vstupy. Dokumentované maximální počty souborů se liší podle modality a způsobu přenosu, přičemž každý vstup se musí vejít do společného rozpočtu tokenů.\n\nNedatovaný model Flash podporuje vlastní klonování hlasu prostřednictvím samostatného postupu vytvoření hlasu. Referenční nahrávka musí obsahovat alespoň tři sekundy nepřerušované zřetelné řeči s pauzami nejvýše dvě sekundy; použijte běžnou řeč bez hudby, zpěvu, šumu nebo dalšího mluvčího. Pro WAV použijte 16bitový zvuk. Z reference vznikne hlas přiřazený k pojmenovanému cílovému modelu a tento cíl musí odpovídat modelu následně použitému pro řeč. Alibaba doporučuje 10–20 sekund čisté monofonní řeči s frekvencí alespoň 24 kHz, maximálně 60 sekund a soubor menší než 10 MB. Referenční formáty jsou WAV, MP3 a M4A. Verze Flash z 15. března tento postup klonování nepodporuje.\n\nPro vysvětlení v zákaznické podpoře využívající více médií dodejte snímek obrazovky, nahranou otázku a případnou produktovou terminologii jako text. Příklad zadání: „Použij popisky ze snímku obrazovky, odpověz na otázku ve zvukové nahrávce francouzsky a poskytni krátké vysvětlení s pomalejším, uklidňujícím přednesem.“ Pro analýzu místo dialogu požadujte chronologická pozorování, přesný viditelný text a řeč v samostatných oddílech. Uveďte cílové publikum a zda chcete přepis, interpretaci nebo stručné shrnutí.", "editorialOverlay": { "copy_fields": { "practical_html": "Technický příklad v angličtině
Organize a transcribed demonstration brief\n\nUse these text notes from a demonstration: 00:03 visible label 'Add water'; narration says 'Use cold water'; 00:09 visible label 'Stir'; narration says 'Stir for ten seconds'. Prepare separate sections for visible instructions, spoken instructions and their combined chronological procedure. Use only the notes and do not generate speech or infer unseen actions.Three text sections preserving timestamps and separating visible wording from spoken content.The combined procedure retains the cold-water condition and the ten-second duration with their stated source.qwen3.5-omni-flashQwen3.5-Omni-Flash kombinuje text, obrázky, zvuk a video a odpovídá textem nebo řečí. Podporuje vysvětlení využívající více druhů médií a hlasové odpovědi s přednesem podle pokynů, s kontextem 262,144 tokenů a vlastním profilem nástrojů a výstupních formátů.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Qwen3.5-Omni-Flash je alias multimodální rodiny Qwen společnosti Alibaba pro tvorbu textu, hlasové asistenty a analýzu multimédií. Přijímá text, obrázky, zvuk a video v kombinovaném vstupu a vrací text nebo text s řečí. Výrobce nyní popisuje tento alias jako funkčně shodný s Qwen3.5-Omni-Flash 2026-03-15. Samotné označení Flash nezaručuje dobu odezvy ani konkrétní trvalou verzi modelu.
Na vstupu lze spojit obrázek s namluvenou otázkou nebo obrazovou a zvukovou složku videa s písemnými pokyny. To je užitečné, když by čistě textové shrnutí ztratilo souvislost mezi tím, co je vidět a co je slyšet. Při zadání analýzy médií požadujte zvlášť viditelný sled událostí, text na obrazovce a mluvený obsah. Pokud záleží na pořadí událostí, požadujte časové značky vztažené ke zdroji. K analýze mohou vedle řeči přispět i zvukové efekty a další nemluvené zvuky.
U hlasové odpovědi určete jazyk, publikum a způsob přednesu. Příručka Qwen dokumentuje pokyny pro hlasitost, tempo řeči a emoce. Uvádí 113 jazyků a dialektů zvukového vstupu a 36 jazyků a dialektů hlasového výstupu, včetně angličtiny, francouzštiny, němčiny a ruštiny. Katalog hlasů uvádí hlas Tina jako výchozí a zahrnuje například hlasy Serena a Ethan. Vyberte hlas a požádejte o stručné vysvětlení v klidném tempu, místo abyste styl výstupu nechali určovat vstupním hlasem.
Dokumentovaný postup generování řeči přes HTTP vrací průběžně text a zvukové bloky kódované v Base64. Příklad WAV používá 24 kHz, mono, 16bitové PCM; aplikace může bloky shromáždit do zvukového souboru nebo je průběžně dekódovat pro přehrávání. Jde o streamované generování na základě odeslaného požadavku. Detekce konce promluvy v živé konverzaci, zpracování přerušení a konverzace přes mikrofon patří k samostatně pojmenovaným realtime modelům. Tabulka rodiny Qwen3.5-Omni nenabízí režim hlubokého přemýšlení.
Karta modelu Flash uvádí webové vyhledávání a v tabulkách pro oba regiony označuje Structured Outputs jako nepodporované. V běžném textu můžete požadovat pojmenované oddíly, ale takový pokyn se liší od režimu s vynuceným JSON. Function Calling je dokumentováno pro nasazení Chat Completions společnosti Alibaba v Pekingu s textovým výstupem a v tabulce pro Singapur je nepodporované; vybranou akci nástroje provádí aplikace. Doplňování prefixu, ukládání kontextu do mezipaměti a fine-tuning nejsou podporovány. Pekingská tabulka aliasu podporuje dávkovou inferenci, singapurská nikoli.
Zveřejněné kontextové okno má 262,144 tokenů, maximální vstup 196,608 tokenů a maximální výstup 65,536 tokenů. Kombinovaná média a text sdílejí rozpočet kontextu. Příručka Alibaba pro HTTP u této řady umožňuje až tři hodiny zvuku nebo jednu hodinu videa; uvádí zvukové formáty AMR, WAV, 3GP, 3GPP, AAC a MP3 a videoformáty MP4, AVI, MKV, MOV, FLV a WMV. Zvukové soubory nebo videa předané přes URL mohou mít až 2 GB, zatímco média kódovaná v Base64 musí být menší než 10 MB. Jde o limity souborového postupu výrobce, které se liší od tvrzení v představení modelu o porozumění více než deseti hodinám zvuku nebo více než 400 sekundám videa v rozlišení 720p vzorkovaného při 1 FPS.
Obrázky mají v této příručce vlastní limity přípravy: až 20 MB na obrázek předaný přes URL, rozměry větší než 10 pixelů na každé straně a poměr stran nejvýše 200:1. Příručka umožňuje až 2,048 obrázků nebo zvukových souborů předaných přes URL a 512 videosouborů předaných přes URL; vstup v Base64 umožňuje až 250 souborů. Tyto limity přenosu nadále podléhají společnému rozpočtu vstupních tokenů. Řada může v jednom požadavku kombinovat několik typů médií. Vyberte příslušný úryvek, zajistěte čitelnost drobných popisků a vysvětlete vztah mezi jednotlivými vstupy. Dokumentované maximální počty souborů se liší podle modality a způsobu přenosu, přičemž každý vstup se musí vejít do společného rozpočtu tokenů.
Nedatovaný model Flash podporuje vlastní klonování hlasu prostřednictvím samostatného postupu vytvoření hlasu. Referenční nahrávka musí obsahovat alespoň tři sekundy nepřerušované zřetelné řeči s pauzami nejvýše dvě sekundy; použijte běžnou řeč bez hudby, zpěvu, šumu nebo dalšího mluvčího. Pro WAV použijte 16bitový zvuk. Z reference vznikne hlas přiřazený k pojmenovanému cílovému modelu a tento cíl musí odpovídat modelu následně použitému pro řeč. Alibaba doporučuje 10–20 sekund čisté monofonní řeči s frekvencí alespoň 24 kHz, maximálně 60 sekund a soubor menší než 10 MB. Referenční formáty jsou WAV, MP3 a M4A. Verze Flash z 15. března tento postup klonování nepodporuje.
Pro vysvětlení v zákaznické podpoře využívající více médií dodejte snímek obrazovky, nahranou otázku a případnou produktovou terminologii jako text. Příklad zadání: „Použij popisky ze snímku obrazovky, odpověz na otázku ve zvukové nahrávce francouzsky a poskytni krátké vysvětlení s pomalejším, uklidňujícím přednesem.“ Pro analýzu místo dialogu požadujte chronologická pozorování, přesný viditelný text a řeč v samostatných oddílech. Uveďte cílové publikum a zda chcete přepis, interpretaci nebo stručné shrnutí.
POST /v1/chat/completionstexttext| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity qwen3.5-omni-flash | Výchozí— |
Polemessages | Typmessage[] | PožadavekPovinné | Hodnoty a limity Minimální počet položek: 1 | Výchozí— |
Polemessages[].role | Typstring | PožadavekPovinné | Hodnoty a limity Příklady: system, user, assistant, tool, function Podmínky: Tyto role jsou výslovně zastoupeny typy kompatibility zdrojového kódu; přesná sada rolí zůstává specifická pro daný model. Závisí na modelu | Výchozí— |
Polemessages[].content | Typstring|content_part[]|null | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Polemessages[].tool_calls | Typtool_call[] | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Polemessages[].tool_call_id | Typstring | PožadavekVolitelné | Hodnoty a limity Platí, když: role=tool; použijte skutečně vrácené ID | Výchozí— |
Polemessages[].name | Typstring | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Polemessages[].reasoning_content | Typstring | PožadavekVolitelné | Hodnoty a limity Platí, když: Předávejte zpět skutečně vrácené uvažování tam, kde je tento model používá | Výchozí— |
Polemessages[].reasoning_details | Typobject|array | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polemax_tokens | Typinteger | PožadavekVolitelné | Hodnoty a limity Minimum: 1 Závisí na modelu | Výchozí— |
Polemax_completion_tokens | Typinteger | PožadavekVolitelné | Hodnoty a limity Minimum: 1 Závisí na modelu | Výchozí— |
Polestream | Typboolean | PožadavekVolitelné | Hodnoty a limity | Výchozífalse |
Polestream_options.include_usage | Typboolean | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletemperature | Typnumber | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletop_p | Typnumber | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polestop | Typstring|string[] | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletools | Typfunction_tool[] | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletools[].type | Typstring | PožadavekVolitelné | Hodnoty a limity function Závisí na modelu | Výchozí— |
Poletools[].function.name | Typstring | PožadavekPovinné | Hodnoty a limity Platí, když: nástroj typu funkce je dodán | Výchozí— |
Poletools[].function.description | Typstring | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Poletools[].function.parameters | TypJSON_schema | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Poletool_choice | Typstring|object | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleparallel_tool_calls | Typboolean | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleresponse_format | Typobject | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polereasoning_effort | Typstring | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polereasoning | Typobject | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleservice_tier | Typstring | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleinstructions | Typstring | PožadavekVolitelné | Hodnoty a limity Pole kompatibility | Výchozí— |
Polefunctions | Typfunction[] | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polefunction_call | Typstring|object | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleprompt_cache_options | Typobject | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polemodalities | Typstring[] | PožadavekVolitelné | Hodnoty a limity text | Výchozí— |
Poleprovider | Typobject | PožadavekVolitelné | Hodnoty a limity Podmínky: provider.options je na této textové trase Ultra odmítáno | Výchozí— |
Polecache_control.ttl | Typstring | PožadavekVolitelné | Hodnoty a limity Podmínky: Hodnota 1h je ve skutečných umístěních mezipaměti promptů odmítána | Výchozí— |
Text · text UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontraktpole zpráv se strukturou role/content |
Parametrfile_material | Kontraktskutečný dokument UTF-8 vložený jako doslovný text; ID souboru se neodvozuje |
Parametroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrcontrol_scope | Kontraktspecifické pro model; nástroje uživatelských funkcí se liší od hostovaných nástrojů |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Životní cyklus: synchronous_or_streamed
Odešlete přesné ID modelu spolu s messages.
Délka kontextu není limitem výstupu.
Textový soubor může dodat doslovný text; obrazové/zvukové vstupy a vstupy v podobě souborových objektů vyžadují přesnou vazbu.
Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.
| Konfigurace | Tabulka sazeb | Poplatek |
|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Poplatek Vstup · Vstupní tokeny $0.00069 / 1K tokenů Výstup · Výstupní tokeny $0.00418 / 1K tokenů Vstup · Čtení z mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen3.5-omni-flash", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen3.5-omni-flash',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen3.5-omni-flash',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson nebo SSE
Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Zachovejte každou volbu a její obsah/volání nástrojů/uvažování. V SSE sestavujte přírůstky podle indexu volby/nástroje a zachovejte konečný důvod ukončení i údaje o využití.
Zachovejte ID požadavků/odpovědí a hlavičky. Není dodána obecná URL pro načtení textové úlohy.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpověď | Podmínka | Další krok |
|---|---|---|
Odpověď400 · invalid_request_error | PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru | Další krokPřed novým požadavkem na vytvoření opravte uvedená pole. |
Ailoot Ultra qwen3.5-omni-flash
Použijte cesty metod uvedené výše.
qwen3.5-omni-flashQwen3.5-Omni-Flash kombinuje text, obrázky, zvuk a video a odpovídá textem nebo řečí. Podporuje vysvětlení využívající více druhů médií a hlasové odpovědi s přednesem podle pokynů, s kontextem 262,144 tokenů a vlastním profilem nástrojů a výstupních formátů.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Qwen3.5-Omni-Flash je alias multimodální rodiny Qwen společnosti Alibaba pro tvorbu textu, hlasové asistenty a analýzu multimédií. Přijímá text, obrázky, zvuk a video v kombinovaném vstupu a vrací text nebo text s řečí. Výrobce nyní popisuje tento alias jako funkčně shodný s Qwen3.5-Omni-Flash 2026-03-15. Samotné označení Flash nezaručuje dobu odezvy ani konkrétní trvalou verzi modelu.
Na vstupu lze spojit obrázek s namluvenou otázkou nebo obrazovou a zvukovou složku videa s písemnými pokyny. To je užitečné, když by čistě textové shrnutí ztratilo souvislost mezi tím, co je vidět a co je slyšet. Při zadání analýzy médií požadujte zvlášť viditelný sled událostí, text na obrazovce a mluvený obsah. Pokud záleží na pořadí událostí, požadujte časové značky vztažené ke zdroji. K analýze mohou vedle řeči přispět i zvukové efekty a další nemluvené zvuky.
U hlasové odpovědi určete jazyk, publikum a způsob přednesu. Příručka Qwen dokumentuje pokyny pro hlasitost, tempo řeči a emoce. Uvádí 113 jazyků a dialektů zvukového vstupu a 36 jazyků a dialektů hlasového výstupu, včetně angličtiny, francouzštiny, němčiny a ruštiny. Katalog hlasů uvádí hlas Tina jako výchozí a zahrnuje například hlasy Serena a Ethan. Vyberte hlas a požádejte o stručné vysvětlení v klidném tempu, místo abyste styl výstupu nechali určovat vstupním hlasem.
Dokumentovaný postup generování řeči přes HTTP vrací průběžně text a zvukové bloky kódované v Base64. Příklad WAV používá 24 kHz, mono, 16bitové PCM; aplikace může bloky shromáždit do zvukového souboru nebo je průběžně dekódovat pro přehrávání. Jde o streamované generování na základě odeslaného požadavku. Detekce konce promluvy v živé konverzaci, zpracování přerušení a konverzace přes mikrofon patří k samostatně pojmenovaným realtime modelům. Tabulka rodiny Qwen3.5-Omni nenabízí režim hlubokého přemýšlení.
Karta modelu Flash uvádí webové vyhledávání a v tabulkách pro oba regiony označuje Structured Outputs jako nepodporované. V běžném textu můžete požadovat pojmenované oddíly, ale takový pokyn se liší od režimu s vynuceným JSON. Function Calling je dokumentováno pro nasazení Chat Completions společnosti Alibaba v Pekingu s textovým výstupem a v tabulce pro Singapur je nepodporované; vybranou akci nástroje provádí aplikace. Doplňování prefixu, ukládání kontextu do mezipaměti a fine-tuning nejsou podporovány. Pekingská tabulka aliasu podporuje dávkovou inferenci, singapurská nikoli.
Zveřejněné kontextové okno má 262,144 tokenů, maximální vstup 196,608 tokenů a maximální výstup 65,536 tokenů. Kombinovaná média a text sdílejí rozpočet kontextu. Příručka Alibaba pro HTTP u této řady umožňuje až tři hodiny zvuku nebo jednu hodinu videa; uvádí zvukové formáty AMR, WAV, 3GP, 3GPP, AAC a MP3 a videoformáty MP4, AVI, MKV, MOV, FLV a WMV. Zvukové soubory nebo videa předané přes URL mohou mít až 2 GB, zatímco média kódovaná v Base64 musí být menší než 10 MB. Jde o limity souborového postupu výrobce, které se liší od tvrzení v představení modelu o porozumění více než deseti hodinám zvuku nebo více než 400 sekundám videa v rozlišení 720p vzorkovaného při 1 FPS.
Obrázky mají v této příručce vlastní limity přípravy: až 20 MB na obrázek předaný přes URL, rozměry větší než 10 pixelů na každé straně a poměr stran nejvýše 200:1. Příručka umožňuje až 2,048 obrázků nebo zvukových souborů předaných přes URL a 512 videosouborů předaných přes URL; vstup v Base64 umožňuje až 250 souborů. Tyto limity přenosu nadále podléhají společnému rozpočtu vstupních tokenů. Řada může v jednom požadavku kombinovat několik typů médií. Vyberte příslušný úryvek, zajistěte čitelnost drobných popisků a vysvětlete vztah mezi jednotlivými vstupy. Dokumentované maximální počty souborů se liší podle modality a způsobu přenosu, přičemž každý vstup se musí vejít do společného rozpočtu tokenů.
Nedatovaný model Flash podporuje vlastní klonování hlasu prostřednictvím samostatného postupu vytvoření hlasu. Referenční nahrávka musí obsahovat alespoň tři sekundy nepřerušované zřetelné řeči s pauzami nejvýše dvě sekundy; použijte běžnou řeč bez hudby, zpěvu, šumu nebo dalšího mluvčího. Pro WAV použijte 16bitový zvuk. Z reference vznikne hlas přiřazený k pojmenovanému cílovému modelu a tento cíl musí odpovídat modelu následně použitému pro řeč. Alibaba doporučuje 10–20 sekund čisté monofonní řeči s frekvencí alespoň 24 kHz, maximálně 60 sekund a soubor menší než 10 MB. Referenční formáty jsou WAV, MP3 a M4A. Verze Flash z 15. března tento postup klonování nepodporuje.
Pro vysvětlení v zákaznické podpoře využívající více médií dodejte snímek obrazovky, nahranou otázku a případnou produktovou terminologii jako text. Příklad zadání: „Použij popisky ze snímku obrazovky, odpověz na otázku ve zvukové nahrávce francouzsky a poskytni krátké vysvětlení s pomalejším, uklidňujícím přednesem.“ Pro analýzu místo dialogu požadujte chronologická pozorování, přesný viditelný text a řeč v samostatných oddílech. Uveďte cílové publikum a zda chcete přepis, interpretaci nebo stručné shrnutí.
POST /v1/messagestextjson, sse| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity qwen3.5-omni-flash | Výchozí— |
Polemessages | Typmessage[] | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polemessages[].role | Typstring | PožadavekPovinné | Hodnoty a limity user, assistant | Výchozí— |
Polemessages[].content | Typstring | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polemax_tokens | Typinteger | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polestream | Typboolean | PožadavekVolitelné | Hodnoty a limity | Výchozífalse |
Text · text UTF-8
řetězec messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktPřečtěte skutečný dokument UTF-8 a vložte jeho text do uvedeného pole input nebo do řetězce obsahu zprávy. |
Životní cyklus: synchronous_or_streamed
Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.
| Konfigurace | Tabulka sazeb | Poplatek |
|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Poplatek Vstup · Vstupní tokeny $0.00069 / 1K tokenů Výstup · Výstupní tokeny $0.00418 / 1K tokenů Vstup · Čtení z mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
{\n "model": "qwen3.5-omni-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3.5-omni-flash', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3.5-omni-flash', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON nebo SSE
Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Zachovejte všechny bloky obsahu, podpisy uvažování a skutečná ID použití nástrojů. Sestavte všechny přírůstky bloků SSE; první textový blok není úplný výstup.
Zachovejte ID požadavků/odpovědí a hlavičky. Není dodána obecná URL pro načtení textové úlohy.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpověď | Podmínka | Další krok |
|---|---|---|
Odpověď400 · invalid_request_error | PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru | Další krokPřed novým požadavkem na vytvoření opravte uvedená pole. |
Ailoot Ultra qwen3.5-omni-flash
Použijte cesty metod uvedené výše.
Technický příklad v angličtině
Organize a transcribed demonstration brief\n\nUse these text notes from a demonstration: 00:03 visible label 'Add water'; narration says 'Use cold water'; 00:09 visible label 'Stir'; narration says 'Stir for ten seconds'. Prepare separate sections for visible instructions, spoken instructions and their combined chronological procedure. Use only the notes and do not generate speech or infer unseen actions.Three text sections preserving timestamps and separating visible wording from spoken content.The combined procedure retains the cold-water condition and the ten-second duration with their stated source.