Overblik: detaljerede lydbeskrivelser
Qwen3-Omni-30B-A3B-Captioner er en specialiseret model til lydbeskrivelse, finjusteret fra Qwen3-Omni-30B-A3B-Instruct. Den omsætter et lydklip til en detaljeret tekstlig redegørelse for, hvad der høres. Qwen har udviklet den til varieret materiale, herunder tale, omgivelseslyde, musik, filmeffekter og blandinger af flere lydkilder. Det gør den nyttig til at udarbejde en søgbar beskrivelse af en lydressource eller gennemgå lydlagene i et kort mediesegment.
Forståelse af tale og anden lyd
Producenten beskriver analyse af flere talere, flersprogede udtryk, følelsespræg i stemmen og de hensigter, fremførelsen antyder. Eksemplerne går ud over en transskription: de beskriver, hvordan stemmer lyder, talesproget og det omgivende akustiske miljø. For lyd uden tale beskriver modellen omgivelsesatmosfære, virkelige lyde, musikalske lag og dynamiske detaljer i film eller medier.
Beskrivelser af stemning, talerhensigt eller kulturel kontekst er fortolkninger af det hørbare materiale. Behandl dem særskilt fra tale- og lydhændelser, der kan kontrolleres direkte. En beskrivelse kan hjælpe en reviewer med at bemærke en ændring i tone eller et baggrundslag; den er ikke en måling af en persons private følelser eller bevis på den fysiske kilde til en tvetydig lyd.
Captioner-udgaven og dens inputkontrakt
Dette checkpoint arbejder i én tur. Det modtager præcis ét lydinput pr. inferens, ingen tekstprompt, og returnerer kun tekst. Det indeholder thinker-komponenten til lydforståelse; den offentliggjorte konfiguration deaktiverer udtrykkeligt lydoutput. Overfør ikke samtale-, billed-, video- eller talegenereringsfunktioner fra andre Qwen3-Omni-udgaver til Captioner, fordi deres navne deler samme familie.
Fraværet af en tekstprompt har praktisk betydning. Klargør det lydsegment, du vil have beskrevet, og indsend segmentet som hele opgaven. Tilføj ikke en instruktion om en tilpasset opsummering, oversættelse, et talersvar eller et outputschema. Hvis et forløb kræver disse transformationer, hører de til i et særskilt trin, der arbejder med den returnerede beskrivelse, frem for at blive antaget som indstillinger i dette beskrivelsescheckpoint.
Klargøring af nyttig lyd
Qwen anbefaler at begrænse et klip til højst 30 sekunder til detaljeret beskrivelse. Det er en kvalitetsanbefaling: alt for lang lyd kan mindske opfattelsen af detaljer. Den præsenteres ikke som en universel hård afvisningstærskel. For en længere optagelse skal du vælge et meningsfuldt kort segment omkring den hændelse eller scene, der gennemgås. Bevar kildeidentifikator og starttid uden for modelforespørgslen, så den returnerede beskrivelse senere kan spores til den oprindelige optagelse.
Bevar de lydlag, der er relevante for spørgsmålet. Et stemmefokuseret uddrag bør stadig medtage baggrunden, når den påvirker den tilsigtede beskrivelse; en musik- eller lydeffektressource bør bevare sin vigtige overgang frem for at blive klippet ved en vilkårlig grænse. Særskilt behandling af klip hjælper med at bevare lokale detaljer, men fastslår ikke automatisk kontinuitet eller forståelse af hele optagelsen på tværs af forespørgsler.
Hvad tekstresultatet er nyttigt til
Producentens opskrift viser beskrivelser, der omtaler taleindhold og fremførelse og derefter den omgivende scene; andre eksempler beskriver musik, effekter, intensitetsændringer og rækkefølgen af stemmehændelser. Et lydkatalog kan gemme den returnerede tekst sammen med ressourcens navn og tidsinterval. En mediereviewer kan bruge den som et udkast til en lydlog. En redaktør kan sammenligne beskrivelsen med klippet for at vurdere, om den fanger de tilsigtede lag. Det er applikationseksempler, ikke dokumentation for, at modellen på forhånd har lyttet til en bestemt brugerressource.
Outputtet er en beskrivende tekst, ikke en lovet ordret transskription, diarisationstabel, tidsstemplet undertekstfil eller et genereret lydspor. Hvor præcis talt ordlyd eller timing er påkrævet, skal beskrivelsen kontrolleres mod lyden, og et egnet særskilt forløb bruges til den krævede leverance. En rigt formuleret beskrivelse kan indeholde udledte scene- eller genreoplysninger, så bevar usikkerhed, når lyden ikke selv identificerer kilden entydigt.
Genereringseksempler og begrænsninger
Producentens selvstændige eksempel sætter en modelkontekst på 32,768 tokens og et genereringsbudget på 16,384 tokens med temperature 0.6, top_p 0.95 og top_k 20. Dens opskrift bruger et genereringsbudget på 8,192 tokens med de samme samplingværdier. Det er eksempelkonfigurationer, ikke særskilt erklærede maksimale beskrivelseslængder. Den underliggende tekstkonfiguration angiver 65,536 positioner, hvilket ikke bør omsættes til en varighedsgaranti for lyd.
Generisk hjælpekode eller konfigurationsfelter, som deles med Omni-familien, tilsidesætter ikke Captioners udtrykkelige kontrakt: én lyd, ingen tekst, kun tekstoutput. Det nyttige resultat er en detaljeret beskrivelse af en kort hørbar scene; kontrollér talecitater, talerantal og udledte lydkilder, før den bruges som en autoritativ registrering.
", "aboutText": "Overblik: detaljerede lydbeskrivelser\n\nQwen3-Omni-30B-A3B-Captioner er en specialiseret model til lydbeskrivelse, finjusteret fra Qwen3-Omni-30B-A3B-Instruct. Den omsætter et lydklip til en detaljeret tekstlig redegørelse for, hvad der høres. Qwen har udviklet den til varieret materiale, herunder tale, omgivelseslyde, musik, filmeffekter og blandinger af flere lydkilder. Det gør den nyttig til at udarbejde en søgbar beskrivelse af en lydressource eller gennemgå lydlagene i et kort mediesegment.\n\nForståelse af tale og anden lyd\n\nProducenten beskriver analyse af flere talere, flersprogede udtryk, følelsespræg i stemmen og de hensigter, fremførelsen antyder. Eksemplerne går ud over en transskription: de beskriver, hvordan stemmer lyder, talesproget og det omgivende akustiske miljø. For lyd uden tale beskriver modellen omgivelsesatmosfære, virkelige lyde, musikalske lag og dynamiske detaljer i film eller medier.\n\nBeskrivelser af stemning, talerhensigt eller kulturel kontekst er fortolkninger af det hørbare materiale. Behandl dem særskilt fra tale- og lydhændelser, der kan kontrolleres direkte. En beskrivelse kan hjælpe en reviewer med at bemærke en ændring i tone eller et baggrundslag; den er ikke en måling af en persons private følelser eller bevis på den fysiske kilde til en tvetydig lyd.\n\nCaptioner-udgaven og dens inputkontrakt\n\nDette checkpoint arbejder i én tur. Det modtager præcis ét lydinput pr. inferens, ingen tekstprompt, og returnerer kun tekst. Det indeholder thinker-komponenten til lydforståelse; den offentliggjorte konfiguration deaktiverer udtrykkeligt lydoutput. Overfør ikke samtale-, billed-, video- eller talegenereringsfunktioner fra andre Qwen3-Omni-udgaver til Captioner, fordi deres navne deler samme familie.\n\nFraværet af en tekstprompt har praktisk betydning. Klargør det lydsegment, du vil have beskrevet, og indsend segmentet som hele opgaven. Tilføj ikke en instruktion om en tilpasset opsummering, oversættelse, et talersvar eller et outputschema. Hvis et forløb kræver disse transformationer, hører de til i et særskilt trin, der arbejder med den returnerede beskrivelse, frem for at blive antaget som indstillinger i dette beskrivelsescheckpoint.\n\nKlargøring af nyttig lyd\n\nQwen anbefaler at begrænse et klip til højst 30 sekunder til detaljeret beskrivelse. Det er en kvalitetsanbefaling: alt for lang lyd kan mindske opfattelsen af detaljer. Den præsenteres ikke som en universel hård afvisningstærskel. For en længere optagelse skal du vælge et meningsfuldt kort segment omkring den hændelse eller scene, der gennemgås. Bevar kildeidentifikator og starttid uden for modelforespørgslen, så den returnerede beskrivelse senere kan spores til den oprindelige optagelse.\n\nBevar de lydlag, der er relevante for spørgsmålet. Et stemmefokuseret uddrag bør stadig medtage baggrunden, når den påvirker den tilsigtede beskrivelse; en musik- eller lydeffektressource bør bevare sin vigtige overgang frem for at blive klippet ved en vilkårlig grænse. Særskilt behandling af klip hjælper med at bevare lokale detaljer, men fastslår ikke automatisk kontinuitet eller forståelse af hele optagelsen på tværs af forespørgsler.\n\nHvad tekstresultatet er nyttigt til\n\nProducentens opskrift viser beskrivelser, der omtaler taleindhold og fremførelse og derefter den omgivende scene; andre eksempler beskriver musik, effekter, intensitetsændringer og rækkefølgen af stemmehændelser. Et lydkatalog kan gemme den returnerede tekst sammen med ressourcens navn og tidsinterval. En mediereviewer kan bruge den som et udkast til en lydlog. En redaktør kan sammenligne beskrivelsen med klippet for at vurdere, om den fanger de tilsigtede lag. Det er applikationseksempler, ikke dokumentation for, at modellen på forhånd har lyttet til en bestemt brugerressource.\n\nOutputtet er en beskrivende tekst, ikke en lovet ordret transskription, diarisationstabel, tidsstemplet undertekstfil eller et genereret lydspor. Hvor præcis talt ordlyd eller timing er påkrævet, skal beskrivelsen kontrolleres mod lyden, og et egnet særskilt forløb bruges til den krævede leverance. En rigt formuleret beskrivelse kan indeholde udledte scene- eller genreoplysninger, så bevar usikkerhed, når lyden ikke selv identificerer kilden entydigt.\n\nGenereringseksempler og begrænsninger\n\nProducentens selvstændige eksempel sætter en modelkontekst på 32,768 tokens og et genereringsbudget på 16,384 tokens med temperature 0.6, top_p 0.95 og top_k 20. Dens opskrift bruger et genereringsbudget på 8,192 tokens med de samme samplingværdier. Det er eksempelkonfigurationer, ikke særskilt erklærede maksimale beskrivelseslængder. Den underliggende tekstkonfiguration angiver 65,536 positioner, hvilket ikke bør omsættes til en varighedsgaranti for lyd.\n\nGenerisk hjælpekode eller konfigurationsfelter, som deles med Omni-familien, tilsidesætter ikke Captioners udtrykkelige kontrakt: én lyd, ingen tekst, kun tekstoutput. Det nyttige resultat er en detaljeret beskrivelse af en kort hørbar scene; kontrollér talecitater, talerantal og udledte lydkilder, før den bruges som en autoritativ registrering.", "editorialOverlay": { "copy_fields": { "practical_html": "Modelbeskrivelsen kræver lydinput, men den valgte rute angiver tekstinput. Der gives ikke et genereringseksempel, der er klar til at køre, for denne uoverensstemmelse.
Teknisk eksempel på engelsk
Describe one short audio asset\n\nManufacturer workflow only: select one short audio clip whose sound layers need a description. Submit exactly that audio input with no text prompt through the documented manufacturer workflow. Keep the asset identifier outside the request. The selected Ailoot text-only route does not provide this audio-input workflow.A detailed text caption covering audible speech, background sounds, music and event order when present, with uncertain sound sources or intentions kept distinct from direct audible observations.Compare the caption with the same clip for sound sequence and sources; reconcile the Ailoot text-input mismatch before use. Do not send this preparation note as a text prompt.Qwen/Qwen3-Omni-30B-A3B-CaptionerQwen3-Omni-30B-A3B-Captioner beskriver tale, musik, omgivelseslyde og filmlyd som tekst. Denne specialiserede udgave til én tur modtager ét lydinput uden tekstprompt; Qwen anbefaler klip på højst 30 sekunder for at bevare fine detaljer.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Overblik: detaljerede lydbeskrivelser
Qwen3-Omni-30B-A3B-Captioner er en specialiseret model til lydbeskrivelse, finjusteret fra Qwen3-Omni-30B-A3B-Instruct. Den omsætter et lydklip til en detaljeret tekstlig redegørelse for, hvad der høres. Qwen har udviklet den til varieret materiale, herunder tale, omgivelseslyde, musik, filmeffekter og blandinger af flere lydkilder. Det gør den nyttig til at udarbejde en søgbar beskrivelse af en lydressource eller gennemgå lydlagene i et kort mediesegment.
Forståelse af tale og anden lyd
Producenten beskriver analyse af flere talere, flersprogede udtryk, følelsespræg i stemmen og de hensigter, fremførelsen antyder. Eksemplerne går ud over en transskription: de beskriver, hvordan stemmer lyder, talesproget og det omgivende akustiske miljø. For lyd uden tale beskriver modellen omgivelsesatmosfære, virkelige lyde, musikalske lag og dynamiske detaljer i film eller medier.
Beskrivelser af stemning, talerhensigt eller kulturel kontekst er fortolkninger af det hørbare materiale. Behandl dem særskilt fra tale- og lydhændelser, der kan kontrolleres direkte. En beskrivelse kan hjælpe en reviewer med at bemærke en ændring i tone eller et baggrundslag; den er ikke en måling af en persons private følelser eller bevis på den fysiske kilde til en tvetydig lyd.
Captioner-udgaven og dens inputkontrakt
Dette checkpoint arbejder i én tur. Det modtager præcis ét lydinput pr. inferens, ingen tekstprompt, og returnerer kun tekst. Det indeholder thinker-komponenten til lydforståelse; den offentliggjorte konfiguration deaktiverer udtrykkeligt lydoutput. Overfør ikke samtale-, billed-, video- eller talegenereringsfunktioner fra andre Qwen3-Omni-udgaver til Captioner, fordi deres navne deler samme familie.
Fraværet af en tekstprompt har praktisk betydning. Klargør det lydsegment, du vil have beskrevet, og indsend segmentet som hele opgaven. Tilføj ikke en instruktion om en tilpasset opsummering, oversættelse, et talersvar eller et outputschema. Hvis et forløb kræver disse transformationer, hører de til i et særskilt trin, der arbejder med den returnerede beskrivelse, frem for at blive antaget som indstillinger i dette beskrivelsescheckpoint.
Klargøring af nyttig lyd
Qwen anbefaler at begrænse et klip til højst 30 sekunder til detaljeret beskrivelse. Det er en kvalitetsanbefaling: alt for lang lyd kan mindske opfattelsen af detaljer. Den præsenteres ikke som en universel hård afvisningstærskel. For en længere optagelse skal du vælge et meningsfuldt kort segment omkring den hændelse eller scene, der gennemgås. Bevar kildeidentifikator og starttid uden for modelforespørgslen, så den returnerede beskrivelse senere kan spores til den oprindelige optagelse.
Bevar de lydlag, der er relevante for spørgsmålet. Et stemmefokuseret uddrag bør stadig medtage baggrunden, når den påvirker den tilsigtede beskrivelse; en musik- eller lydeffektressource bør bevare sin vigtige overgang frem for at blive klippet ved en vilkårlig grænse. Særskilt behandling af klip hjælper med at bevare lokale detaljer, men fastslår ikke automatisk kontinuitet eller forståelse af hele optagelsen på tværs af forespørgsler.
Hvad tekstresultatet er nyttigt til
Producentens opskrift viser beskrivelser, der omtaler taleindhold og fremførelse og derefter den omgivende scene; andre eksempler beskriver musik, effekter, intensitetsændringer og rækkefølgen af stemmehændelser. Et lydkatalog kan gemme den returnerede tekst sammen med ressourcens navn og tidsinterval. En mediereviewer kan bruge den som et udkast til en lydlog. En redaktør kan sammenligne beskrivelsen med klippet for at vurdere, om den fanger de tilsigtede lag. Det er applikationseksempler, ikke dokumentation for, at modellen på forhånd har lyttet til en bestemt brugerressource.
Outputtet er en beskrivende tekst, ikke en lovet ordret transskription, diarisationstabel, tidsstemplet undertekstfil eller et genereret lydspor. Hvor præcis talt ordlyd eller timing er påkrævet, skal beskrivelsen kontrolleres mod lyden, og et egnet særskilt forløb bruges til den krævede leverance. En rigt formuleret beskrivelse kan indeholde udledte scene- eller genreoplysninger, så bevar usikkerhed, når lyden ikke selv identificerer kilden entydigt.
Genereringseksempler og begrænsninger
Producentens selvstændige eksempel sætter en modelkontekst på 32,768 tokens og et genereringsbudget på 16,384 tokens med temperature 0.6, top_p 0.95 og top_k 20. Dens opskrift bruger et genereringsbudget på 8,192 tokens med de samme samplingværdier. Det er eksempelkonfigurationer, ikke særskilt erklærede maksimale beskrivelseslængder. Den underliggende tekstkonfiguration angiver 65,536 positioner, hvilket ikke bør omsættes til en varighedsgaranti for lyd.
Generisk hjælpekode eller konfigurationsfelter, som deles med Omni-familien, tilsidesætter ikke Captioners udtrykkelige kontrakt: én lyd, ingen tekst, kun tekstoutput. Det nyttige resultat er en detaljeret beskrivelse af en kort hørbar scene; kontrollér talecitater, talerantal og udledte lydkilder, før den bruges som en autoritativ registrering.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser Qwen/Qwen3-Omni-30B-A3B-Captioner | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Eksempler: system, user, assistant, tool, function Betingelser: Disse roller er eksplicit repræsenteret i kildekodens kompatibilitetstyper; modellens præcise rollesæt er fortsat modelspecifikt. Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: role=tool; brug det faktisk returnerede ID | Standard— |
Feltmessages[].name | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].type | Typestring | KravValgfrit | Værdier og grænser function Afhænger af modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrævet | Værdier og grænser Gælder når: funktionsværktøj angivet | Standard— |
Felttools[].function.description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfrit | Værdier og grænser text | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvises på denne Ultra-tekstrute | Standard— |
Feltcache_control.ttl | Typestring | KravValgfrit | Værdier og grænser Betingelser: 1h afvises på de faktiske placeringer for promptcaching | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.0008 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
Modelbeskrivelsen kræver lydinput, men den valgte rute angiver tekstinput. Der gives ikke et genereringseksempel, der er klar til at køre, for denne uoverensstemmelse.
manufacturer: audio → text
route: text → text
json eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra Qwen/Qwen3-Omni-30B-A3B-Captioner
Brug metodestierne vist ovenfor.
Qwen/Qwen3-Omni-30B-A3B-CaptionerQwen3-Omni-30B-A3B-Captioner beskriver tale, musik, omgivelseslyde og filmlyd som tekst. Denne specialiserede udgave til én tur modtager ét lydinput uden tekstprompt; Qwen anbefaler klip på højst 30 sekunder for at bevare fine detaljer.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Overblik: detaljerede lydbeskrivelser
Qwen3-Omni-30B-A3B-Captioner er en specialiseret model til lydbeskrivelse, finjusteret fra Qwen3-Omni-30B-A3B-Instruct. Den omsætter et lydklip til en detaljeret tekstlig redegørelse for, hvad der høres. Qwen har udviklet den til varieret materiale, herunder tale, omgivelseslyde, musik, filmeffekter og blandinger af flere lydkilder. Det gør den nyttig til at udarbejde en søgbar beskrivelse af en lydressource eller gennemgå lydlagene i et kort mediesegment.
Forståelse af tale og anden lyd
Producenten beskriver analyse af flere talere, flersprogede udtryk, følelsespræg i stemmen og de hensigter, fremførelsen antyder. Eksemplerne går ud over en transskription: de beskriver, hvordan stemmer lyder, talesproget og det omgivende akustiske miljø. For lyd uden tale beskriver modellen omgivelsesatmosfære, virkelige lyde, musikalske lag og dynamiske detaljer i film eller medier.
Beskrivelser af stemning, talerhensigt eller kulturel kontekst er fortolkninger af det hørbare materiale. Behandl dem særskilt fra tale- og lydhændelser, der kan kontrolleres direkte. En beskrivelse kan hjælpe en reviewer med at bemærke en ændring i tone eller et baggrundslag; den er ikke en måling af en persons private følelser eller bevis på den fysiske kilde til en tvetydig lyd.
Captioner-udgaven og dens inputkontrakt
Dette checkpoint arbejder i én tur. Det modtager præcis ét lydinput pr. inferens, ingen tekstprompt, og returnerer kun tekst. Det indeholder thinker-komponenten til lydforståelse; den offentliggjorte konfiguration deaktiverer udtrykkeligt lydoutput. Overfør ikke samtale-, billed-, video- eller talegenereringsfunktioner fra andre Qwen3-Omni-udgaver til Captioner, fordi deres navne deler samme familie.
Fraværet af en tekstprompt har praktisk betydning. Klargør det lydsegment, du vil have beskrevet, og indsend segmentet som hele opgaven. Tilføj ikke en instruktion om en tilpasset opsummering, oversættelse, et talersvar eller et outputschema. Hvis et forløb kræver disse transformationer, hører de til i et særskilt trin, der arbejder med den returnerede beskrivelse, frem for at blive antaget som indstillinger i dette beskrivelsescheckpoint.
Klargøring af nyttig lyd
Qwen anbefaler at begrænse et klip til højst 30 sekunder til detaljeret beskrivelse. Det er en kvalitetsanbefaling: alt for lang lyd kan mindske opfattelsen af detaljer. Den præsenteres ikke som en universel hård afvisningstærskel. For en længere optagelse skal du vælge et meningsfuldt kort segment omkring den hændelse eller scene, der gennemgås. Bevar kildeidentifikator og starttid uden for modelforespørgslen, så den returnerede beskrivelse senere kan spores til den oprindelige optagelse.
Bevar de lydlag, der er relevante for spørgsmålet. Et stemmefokuseret uddrag bør stadig medtage baggrunden, når den påvirker den tilsigtede beskrivelse; en musik- eller lydeffektressource bør bevare sin vigtige overgang frem for at blive klippet ved en vilkårlig grænse. Særskilt behandling af klip hjælper med at bevare lokale detaljer, men fastslår ikke automatisk kontinuitet eller forståelse af hele optagelsen på tværs af forespørgsler.
Hvad tekstresultatet er nyttigt til
Producentens opskrift viser beskrivelser, der omtaler taleindhold og fremførelse og derefter den omgivende scene; andre eksempler beskriver musik, effekter, intensitetsændringer og rækkefølgen af stemmehændelser. Et lydkatalog kan gemme den returnerede tekst sammen med ressourcens navn og tidsinterval. En mediereviewer kan bruge den som et udkast til en lydlog. En redaktør kan sammenligne beskrivelsen med klippet for at vurdere, om den fanger de tilsigtede lag. Det er applikationseksempler, ikke dokumentation for, at modellen på forhånd har lyttet til en bestemt brugerressource.
Outputtet er en beskrivende tekst, ikke en lovet ordret transskription, diarisationstabel, tidsstemplet undertekstfil eller et genereret lydspor. Hvor præcis talt ordlyd eller timing er påkrævet, skal beskrivelsen kontrolleres mod lyden, og et egnet særskilt forløb bruges til den krævede leverance. En rigt formuleret beskrivelse kan indeholde udledte scene- eller genreoplysninger, så bevar usikkerhed, når lyden ikke selv identificerer kilden entydigt.
Genereringseksempler og begrænsninger
Producentens selvstændige eksempel sætter en modelkontekst på 32,768 tokens og et genereringsbudget på 16,384 tokens med temperature 0.6, top_p 0.95 og top_k 20. Dens opskrift bruger et genereringsbudget på 8,192 tokens med de samme samplingværdier. Det er eksempelkonfigurationer, ikke særskilt erklærede maksimale beskrivelseslængder. Den underliggende tekstkonfiguration angiver 65,536 positioner, hvilket ikke bør omsættes til en varighedsgaranti for lyd.
Generisk hjælpekode eller konfigurationsfelter, som deles med Omni-familien, tilsidesætter ikke Captioners udtrykkelige kontrakt: én lyd, ingen tekst, kun tekstoutput. Det nyttige resultat er en detaljeret beskrivelse af en kort hørbar scene; kontrollér talecitater, talerantal og udledte lydkilder, før den bruges som en autoritativ registrering.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser Qwen/Qwen3-Omni-30B-A3B-Captioner | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.0008 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
Modelbeskrivelsen kræver lydinput, men den valgte rute angiver tekstinput. Der gives ikke et genereringseksempel, der er klar til at køre, for denne uoverensstemmelse.
manufacturer: audio → text
route: text → json, sse
JSON eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra Qwen/Qwen3-Omni-30B-A3B-Captioner
Brug metodestierne vist ovenfor.
Modelbeskrivelsen kræver lydinput, men den valgte rute angiver tekstinput. Der gives ikke et genereringseksempel, der er klar til at køre, for denne uoverensstemmelse.
Teknisk eksempel på engelsk
Describe one short audio asset\n\nManufacturer workflow only: select one short audio clip whose sound layers need a description. Submit exactly that audio input with no text prompt through the documented manufacturer workflow. Keep the asset identifier outside the request. The selected Ailoot text-only route does not provide this audio-input workflow.A detailed text caption covering audible speech, background sounds, music and event order when present, with uncertain sound sources or intentions kept distinct from direct audible observations.Compare the caption with the same clip for sound sequence and sources; reconcile the Ailoot text-input mismatch before use. Do not send this preparation note as a text prompt.