Überblick: verschiedene Medien verstehen und gesprochene Antworten geben
Qwen-Omni-Turbo ist Qwens Modell für multimodales Verstehen und Generieren. Es akzeptiert Text, Bilder, Sprache und Video, auch in Kombination, und erzeugt Text oder Text mit natürlich klingender Sprache. Der Hersteller beschreibt gleichzeitiges Streaming von Text und Sprache mit vier natürlichen Gesprächsstimmen zur Auswahl. Das macht das Modell für Aufgaben interessant, bei denen Frage und Belege in unterschiedlichen Formen vorliegen, etwa eine mündliche Frage zu einem Foto oder die Erklärung einer audiovisuellen Szene.
Der genaue Name und seine Versionen
Die aktuelle Modellseite des Herstellers beschreibt qwen-omni-turbo als funktional gleichwertig zum Snapshot qwen-omni-turbo-2025-03-26. Sie führt qwen-omni-turbo-latest separat als dynamisch aktualisierten Namen auf und hält den früheren Snapshot qwen-omni-turbo-2025-01-19 davon getrennt. Der März-Snapshot wird als Verbesserung der visuellen Fähigkeiten gegenüber Jänner beschrieben. Dies sind die Versionsbeziehungen des Herstellers, kein Beleg dafür, dass jeder ähnlich benannte Anwendungsweg dieselben Gewichte oder Einstellungen verwendet. Behalten Sie einen datierten Snapshot-Namen bei, wenn die Aufgabe eine genaue Version verlangt.
Der Name Turbo bezeichnet weder die separate Echtzeitversion noch eine neuere Qwen-Omni-Generation oder den offenen Checkpoint Qwen2.5-Omni-7B. Deren Eingaberegeln, Stimmen und Schnittstellen benötigen jeweils eigene Dokumentation. Insbesondere sollten die vier für Omni-Turbo beschriebenen Stimmen nicht in die Beschreibung des offenen Checkpoints mit zwei Stimmen übernommen werden.
Eine Aufgabe mit unterschiedlichen Medien vorbereiten
Geben Sie an, was das Modell zwischen den Eingaben verknüpfen soll. Stellen Sie bei einer mündlichen Frage zu einem Diagramm das Diagramm und die Frage gemeinsam bereit und verlangen Sie eine Erklärung des besprochenen sichtbaren Elements. Legen Sie bei einem Video mit Sprache fest, ob das gewünschte Ergebnis eine Zusammenfassung des Sichtbaren, des Gesagten oder ihres Zusammenhangs sein soll. Eine nützliche Ausgabe kann visuelle Beobachtungen und Audiobeobachtungen vor der Schlussfolgerung getrennt darstellen.
Stellen Sie für eine Multimedia-Prüfung den relevanten kurzen Ausschnitt bereit, statt mehrere unzusammenhängende Dateien beizufügen. Kennzeichnen Sie Bilder und erläutern Sie ihre Rolle, wenn es mehr als eines gibt. Bewahren Sie die Audio- und Zeitinformationen auf, die für die Frage wichtig sind. Verlangen Sie ein gezieltes Ergebnis, etwa eine gesprochene Erklärung für Zuhörer oder eine knappe Textliste mit Szenendetails. Dies sind formulierte Anwendungsbeispiele der dokumentierten Fähigkeiten für kombinierte Eingaben, keine Behauptungen, dass ein bestimmter Clip bereits analysiert wurde.
Text- und Sprachausgabe
Die Modellbeschreibung des Herstellers unterstützt Textantworten und die gleichzeitige Streaming-Ausgabe von Text und Sprache. Eine gesprochene Erklärung kann für dialogorientierte Assistenz sinnvoll sein, während sich Text leichter prüfen, durchsuchen und mit dem Ausgangsmaterial vergleichen lässt. Der gewählte Ausgabemodus und die Stimmensteuerung hängen von der Schnittstelle ab, die das Modell bereitstellt. Streaming beschreibt die Auslieferung in aufeinanderfolgenden Teilen; es ist weder eine garantierte Antwortzeit noch ein Beleg dafür, dass ein separates Echtzeit-Gesprächsprotokoll verfügbar ist.
Kontext- und Ausgabegrenzen
Die spezielle Spezifikation nennt ein Kontextfenster von 32.768 Tokens, eine maximale Eingabelänge von 30.720 Tokens und eine maximale Ausgabelänge von 2.048 Tokens. Bereiten Sie das Ausgangsmaterial und die gewünschte Antwort unter Berücksichtigung dieser getrennten Grenzen vor. Multimodale Eingaben müssen in das Budget für ihre Repräsentation passen, nicht lediglich in eine Anzahl eingegebener Zeichen. Eine Anfrage nach einer langen gesprochenen Erläuterung sollte auf eine kurze Erklärung eingegrenzt werden, die in den zulässigen Ausgabeumfang passt.
Diese Tokengrenzen legen weder eine universelle Dauer in Minuten noch eine universelle Anzahl von Bildern fest. Die Vorverarbeitung der Medien und die ausgewählte Version beeinflussen, wie viel Material hineinpasst. Die Modellseite veröffentlicht weder die Architektur eines Checkpoints noch eine Parameterzahl. Deshalb sollte die Bezeichnung Turbo nicht dazu verwendet werden, eine Größe zu erfinden oder die Architektur eines anderen Omni-Modells zu übernehmen.
Werkzeuge und wesentliche Einschränkungen
Die Fähigkeitsmatrix des genauen Modells unterstützt weder Funktionsaufrufe noch integrierte Websuche oder erzwungene strukturierte Ausgaben. Sie nennt Batch-Inferenz in einigen Herstellerkonfigurationen und Kontextcaching in einer anderen. Die Bitte um eine Liste oder eine Antwort in JSON-Form ist eine Anforderung an das Textformat, keine Garantie für die Durchsetzung eines Schemas. Die Fähigkeit des Modells, eine visuelle oder gesprochene Aufgabe zu verstehen, gewährt ebenfalls keinen Zugriff auf aktuelle Informationen oder externe Systeme.
Prüfen Sie, ob die Antwort sichtbare Belege, hörbare Inhalte und Interpretation unterscheidet. Zitate aus gesprochenen Inhalten, kleine Beschriftungen im Bild und erschlossene Zusammenhänge sollten mit dem bereitgestellten Material verglichen werden. Bewahren Sie bei einem gesprochenen Ergebnis den begleitenden Text auf, sofern verfügbar, damit eine prüfende Person die Erklärung nachvollziehen kann. Der praktische Vorteil besteht darin, mehrere Modalitäten in einer Antwort zu verbinden, mit einer knappen Ausgabe, deren Umfang zur dokumentierten Version passt.
", "aboutText": "Überblick: verschiedene Medien verstehen und gesprochene Antworten geben\n\nQwen-Omni-Turbo ist Qwens Modell für multimodales Verstehen und Generieren. Es akzeptiert Text, Bilder, Sprache und Video, auch in Kombination, und erzeugt Text oder Text mit natürlich klingender Sprache. Der Hersteller beschreibt gleichzeitiges Streaming von Text und Sprache mit vier natürlichen Gesprächsstimmen zur Auswahl. Das macht das Modell für Aufgaben interessant, bei denen Frage und Belege in unterschiedlichen Formen vorliegen, etwa eine mündliche Frage zu einem Foto oder die Erklärung einer audiovisuellen Szene.\n\nDer genaue Name und seine Versionen\n\nDie aktuelle Modellseite des Herstellers beschreibt qwen-omni-turbo als funktional gleichwertig zum Snapshot qwen-omni-turbo-2025-03-26. Sie führt qwen-omni-turbo-latest separat als dynamisch aktualisierten Namen auf und hält den früheren Snapshot qwen-omni-turbo-2025-01-19 davon getrennt. Der März-Snapshot wird als Verbesserung der visuellen Fähigkeiten gegenüber Jänner beschrieben. Dies sind die Versionsbeziehungen des Herstellers, kein Beleg dafür, dass jeder ähnlich benannte Anwendungsweg dieselben Gewichte oder Einstellungen verwendet. Behalten Sie einen datierten Snapshot-Namen bei, wenn die Aufgabe eine genaue Version verlangt.\n\nDer Name Turbo bezeichnet weder die separate Echtzeitversion noch eine neuere Qwen-Omni-Generation oder den offenen Checkpoint Qwen2.5-Omni-7B. Deren Eingaberegeln, Stimmen und Schnittstellen benötigen jeweils eigene Dokumentation. Insbesondere sollten die vier für Omni-Turbo beschriebenen Stimmen nicht in die Beschreibung des offenen Checkpoints mit zwei Stimmen übernommen werden.\n\nEine Aufgabe mit unterschiedlichen Medien vorbereiten\n\nGeben Sie an, was das Modell zwischen den Eingaben verknüpfen soll. Stellen Sie bei einer mündlichen Frage zu einem Diagramm das Diagramm und die Frage gemeinsam bereit und verlangen Sie eine Erklärung des besprochenen sichtbaren Elements. Legen Sie bei einem Video mit Sprache fest, ob das gewünschte Ergebnis eine Zusammenfassung des Sichtbaren, des Gesagten oder ihres Zusammenhangs sein soll. Eine nützliche Ausgabe kann visuelle Beobachtungen und Audiobeobachtungen vor der Schlussfolgerung getrennt darstellen.\n\nStellen Sie für eine Multimedia-Prüfung den relevanten kurzen Ausschnitt bereit, statt mehrere unzusammenhängende Dateien beizufügen. Kennzeichnen Sie Bilder und erläutern Sie ihre Rolle, wenn es mehr als eines gibt. Bewahren Sie die Audio- und Zeitinformationen auf, die für die Frage wichtig sind. Verlangen Sie ein gezieltes Ergebnis, etwa eine gesprochene Erklärung für Zuhörer oder eine knappe Textliste mit Szenendetails. Dies sind formulierte Anwendungsbeispiele der dokumentierten Fähigkeiten für kombinierte Eingaben, keine Behauptungen, dass ein bestimmter Clip bereits analysiert wurde.\n\nText- und Sprachausgabe\n\nDie Modellbeschreibung des Herstellers unterstützt Textantworten und die gleichzeitige Streaming-Ausgabe von Text und Sprache. Eine gesprochene Erklärung kann für dialogorientierte Assistenz sinnvoll sein, während sich Text leichter prüfen, durchsuchen und mit dem Ausgangsmaterial vergleichen lässt. Der gewählte Ausgabemodus und die Stimmensteuerung hängen von der Schnittstelle ab, die das Modell bereitstellt. Streaming beschreibt die Auslieferung in aufeinanderfolgenden Teilen; es ist weder eine garantierte Antwortzeit noch ein Beleg dafür, dass ein separates Echtzeit-Gesprächsprotokoll verfügbar ist.\n\nKontext- und Ausgabegrenzen\n\nDie spezielle Spezifikation nennt ein Kontextfenster von 32.768 Tokens, eine maximale Eingabelänge von 30.720 Tokens und eine maximale Ausgabelänge von 2.048 Tokens. Bereiten Sie das Ausgangsmaterial und die gewünschte Antwort unter Berücksichtigung dieser getrennten Grenzen vor. Multimodale Eingaben müssen in das Budget für ihre Repräsentation passen, nicht lediglich in eine Anzahl eingegebener Zeichen. Eine Anfrage nach einer langen gesprochenen Erläuterung sollte auf eine kurze Erklärung eingegrenzt werden, die in den zulässigen Ausgabeumfang passt.\n\nDiese Tokengrenzen legen weder eine universelle Dauer in Minuten noch eine universelle Anzahl von Bildern fest. Die Vorverarbeitung der Medien und die ausgewählte Version beeinflussen, wie viel Material hineinpasst. Die Modellseite veröffentlicht weder die Architektur eines Checkpoints noch eine Parameterzahl. Deshalb sollte die Bezeichnung Turbo nicht dazu verwendet werden, eine Größe zu erfinden oder die Architektur eines anderen Omni-Modells zu übernehmen.\n\nWerkzeuge und wesentliche Einschränkungen\n\nDie Fähigkeitsmatrix des genauen Modells unterstützt weder Funktionsaufrufe noch integrierte Websuche oder erzwungene strukturierte Ausgaben. Sie nennt Batch-Inferenz in einigen Herstellerkonfigurationen und Kontextcaching in einer anderen. Die Bitte um eine Liste oder eine Antwort in JSON-Form ist eine Anforderung an das Textformat, keine Garantie für die Durchsetzung eines Schemas. Die Fähigkeit des Modells, eine visuelle oder gesprochene Aufgabe zu verstehen, gewährt ebenfalls keinen Zugriff auf aktuelle Informationen oder externe Systeme.\n\nPrüfen Sie, ob die Antwort sichtbare Belege, hörbare Inhalte und Interpretation unterscheidet. Zitate aus gesprochenen Inhalten, kleine Beschriftungen im Bild und erschlossene Zusammenhänge sollten mit dem bereitgestellten Material verglichen werden. Bewahren Sie bei einem gesprochenen Ergebnis den begleitenden Text auf, sofern verfügbar, damit eine prüfende Person die Erklärung nachvollziehen kann. Der praktische Vorteil besteht darin, mehrere Modalitäten in einer Antwort zu verbinden, mit einer knappen Ausgabe, deren Umfang zur dokumentierten Version passt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Reconcile written scene and speech notes\n\nCompare these text notes from a training clip. [Visible note] The operator places a red tag on the empty bin. [Speech transcript] "Use a yellow tag when cleaning is due." Summarize the discrepancy and draft one clarification question for the trainer. Use only the supplied notes; do not claim to hear audio or view video.A concise discrepancy statement and one question, with visible-note and speech-transcript evidence kept separate.Check that neither color is silently corrected and the response makes no claim of media access.qwen-omni-turboQwen-Omni-Turbo kombiniert Text, Bilder, Audio und Video in einer multimodalen Aufgabe und kann Text mit gesprochenen Antworten streamen. Nutzen Sie es, um eine mündliche Frage mit visuellen Belegen zu verbinden oder einen audiovisuellen Clip zu erklären, innerhalb der Herstellergrenzen von 32.768 Kontext- und 2.048 Ausgabetokens.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Überblick: verschiedene Medien verstehen und gesprochene Antworten geben
Qwen-Omni-Turbo ist Qwens Modell für multimodales Verstehen und Generieren. Es akzeptiert Text, Bilder, Sprache und Video, auch in Kombination, und erzeugt Text oder Text mit natürlich klingender Sprache. Der Hersteller beschreibt gleichzeitiges Streaming von Text und Sprache mit vier natürlichen Gesprächsstimmen zur Auswahl. Das macht das Modell für Aufgaben interessant, bei denen Frage und Belege in unterschiedlichen Formen vorliegen, etwa eine mündliche Frage zu einem Foto oder die Erklärung einer audiovisuellen Szene.
Der genaue Name und seine Versionen
Die aktuelle Modellseite des Herstellers beschreibt qwen-omni-turbo als funktional gleichwertig zum Snapshot qwen-omni-turbo-2025-03-26. Sie führt qwen-omni-turbo-latest separat als dynamisch aktualisierten Namen auf und hält den früheren Snapshot qwen-omni-turbo-2025-01-19 davon getrennt. Der März-Snapshot wird als Verbesserung der visuellen Fähigkeiten gegenüber Jänner beschrieben. Dies sind die Versionsbeziehungen des Herstellers, kein Beleg dafür, dass jeder ähnlich benannte Anwendungsweg dieselben Gewichte oder Einstellungen verwendet. Behalten Sie einen datierten Snapshot-Namen bei, wenn die Aufgabe eine genaue Version verlangt.
Der Name Turbo bezeichnet weder die separate Echtzeitversion noch eine neuere Qwen-Omni-Generation oder den offenen Checkpoint Qwen2.5-Omni-7B. Deren Eingaberegeln, Stimmen und Schnittstellen benötigen jeweils eigene Dokumentation. Insbesondere sollten die vier für Omni-Turbo beschriebenen Stimmen nicht in die Beschreibung des offenen Checkpoints mit zwei Stimmen übernommen werden.
Eine Aufgabe mit unterschiedlichen Medien vorbereiten
Geben Sie an, was das Modell zwischen den Eingaben verknüpfen soll. Stellen Sie bei einer mündlichen Frage zu einem Diagramm das Diagramm und die Frage gemeinsam bereit und verlangen Sie eine Erklärung des besprochenen sichtbaren Elements. Legen Sie bei einem Video mit Sprache fest, ob das gewünschte Ergebnis eine Zusammenfassung des Sichtbaren, des Gesagten oder ihres Zusammenhangs sein soll. Eine nützliche Ausgabe kann visuelle Beobachtungen und Audiobeobachtungen vor der Schlussfolgerung getrennt darstellen.
Stellen Sie für eine Multimedia-Prüfung den relevanten kurzen Ausschnitt bereit, statt mehrere unzusammenhängende Dateien beizufügen. Kennzeichnen Sie Bilder und erläutern Sie ihre Rolle, wenn es mehr als eines gibt. Bewahren Sie die Audio- und Zeitinformationen auf, die für die Frage wichtig sind. Verlangen Sie ein gezieltes Ergebnis, etwa eine gesprochene Erklärung für Zuhörer oder eine knappe Textliste mit Szenendetails. Dies sind formulierte Anwendungsbeispiele der dokumentierten Fähigkeiten für kombinierte Eingaben, keine Behauptungen, dass ein bestimmter Clip bereits analysiert wurde.
Text- und Sprachausgabe
Die Modellbeschreibung des Herstellers unterstützt Textantworten und die gleichzeitige Streaming-Ausgabe von Text und Sprache. Eine gesprochene Erklärung kann für dialogorientierte Assistenz sinnvoll sein, während sich Text leichter prüfen, durchsuchen und mit dem Ausgangsmaterial vergleichen lässt. Der gewählte Ausgabemodus und die Stimmensteuerung hängen von der Schnittstelle ab, die das Modell bereitstellt. Streaming beschreibt die Auslieferung in aufeinanderfolgenden Teilen; es ist weder eine garantierte Antwortzeit noch ein Beleg dafür, dass ein separates Echtzeit-Gesprächsprotokoll verfügbar ist.
Kontext- und Ausgabegrenzen
Die spezielle Spezifikation nennt ein Kontextfenster von 32.768 Tokens, eine maximale Eingabelänge von 30.720 Tokens und eine maximale Ausgabelänge von 2.048 Tokens. Bereiten Sie das Ausgangsmaterial und die gewünschte Antwort unter Berücksichtigung dieser getrennten Grenzen vor. Multimodale Eingaben müssen in das Budget für ihre Repräsentation passen, nicht lediglich in eine Anzahl eingegebener Zeichen. Eine Anfrage nach einer langen gesprochenen Erläuterung sollte auf eine kurze Erklärung eingegrenzt werden, die in den zulässigen Ausgabeumfang passt.
Diese Tokengrenzen legen weder eine universelle Dauer in Minuten noch eine universelle Anzahl von Bildern fest. Die Vorverarbeitung der Medien und die ausgewählte Version beeinflussen, wie viel Material hineinpasst. Die Modellseite veröffentlicht weder die Architektur eines Checkpoints noch eine Parameterzahl. Deshalb sollte die Bezeichnung Turbo nicht dazu verwendet werden, eine Größe zu erfinden oder die Architektur eines anderen Omni-Modells zu übernehmen.
Werkzeuge und wesentliche Einschränkungen
Die Fähigkeitsmatrix des genauen Modells unterstützt weder Funktionsaufrufe noch integrierte Websuche oder erzwungene strukturierte Ausgaben. Sie nennt Batch-Inferenz in einigen Herstellerkonfigurationen und Kontextcaching in einer anderen. Die Bitte um eine Liste oder eine Antwort in JSON-Form ist eine Anforderung an das Textformat, keine Garantie für die Durchsetzung eines Schemas. Die Fähigkeit des Modells, eine visuelle oder gesprochene Aufgabe zu verstehen, gewährt ebenfalls keinen Zugriff auf aktuelle Informationen oder externe Systeme.
Prüfen Sie, ob die Antwort sichtbare Belege, hörbare Inhalte und Interpretation unterscheidet. Zitate aus gesprochenen Inhalten, kleine Beschriftungen im Bild und erschlossene Zusammenhänge sollten mit dem bereitgestellten Material verglichen werden. Bewahren Sie bei einem gesprochenen Ergebnis den begleitenden Text auf, sofern verfügbar, damit eine prüfende Person die Erklärung nachvollziehen kann. Der praktische Vorteil besteht darin, mehrere Modalitäten in einer Antwort zu verbinden, mit einer knappen Ausgabe, deren Umfang zur dokumentierten Version passt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen-omni-turbo | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0046 / 1K Tokens Ausgabe · Ausgabetoken $0.0138 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen-omni-turbo", "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='qwen-omni-turbo',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='qwen-omni-turbo',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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen-omni-turbo
Verwenden Sie die oben angezeigten Methodenpfade.
qwen-omni-turboQwen-Omni-Turbo kombiniert Text, Bilder, Audio und Video in einer multimodalen Aufgabe und kann Text mit gesprochenen Antworten streamen. Nutzen Sie es, um eine mündliche Frage mit visuellen Belegen zu verbinden oder einen audiovisuellen Clip zu erklären, innerhalb der Herstellergrenzen von 32.768 Kontext- und 2.048 Ausgabetokens.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Überblick: verschiedene Medien verstehen und gesprochene Antworten geben
Qwen-Omni-Turbo ist Qwens Modell für multimodales Verstehen und Generieren. Es akzeptiert Text, Bilder, Sprache und Video, auch in Kombination, und erzeugt Text oder Text mit natürlich klingender Sprache. Der Hersteller beschreibt gleichzeitiges Streaming von Text und Sprache mit vier natürlichen Gesprächsstimmen zur Auswahl. Das macht das Modell für Aufgaben interessant, bei denen Frage und Belege in unterschiedlichen Formen vorliegen, etwa eine mündliche Frage zu einem Foto oder die Erklärung einer audiovisuellen Szene.
Der genaue Name und seine Versionen
Die aktuelle Modellseite des Herstellers beschreibt qwen-omni-turbo als funktional gleichwertig zum Snapshot qwen-omni-turbo-2025-03-26. Sie führt qwen-omni-turbo-latest separat als dynamisch aktualisierten Namen auf und hält den früheren Snapshot qwen-omni-turbo-2025-01-19 davon getrennt. Der März-Snapshot wird als Verbesserung der visuellen Fähigkeiten gegenüber Jänner beschrieben. Dies sind die Versionsbeziehungen des Herstellers, kein Beleg dafür, dass jeder ähnlich benannte Anwendungsweg dieselben Gewichte oder Einstellungen verwendet. Behalten Sie einen datierten Snapshot-Namen bei, wenn die Aufgabe eine genaue Version verlangt.
Der Name Turbo bezeichnet weder die separate Echtzeitversion noch eine neuere Qwen-Omni-Generation oder den offenen Checkpoint Qwen2.5-Omni-7B. Deren Eingaberegeln, Stimmen und Schnittstellen benötigen jeweils eigene Dokumentation. Insbesondere sollten die vier für Omni-Turbo beschriebenen Stimmen nicht in die Beschreibung des offenen Checkpoints mit zwei Stimmen übernommen werden.
Eine Aufgabe mit unterschiedlichen Medien vorbereiten
Geben Sie an, was das Modell zwischen den Eingaben verknüpfen soll. Stellen Sie bei einer mündlichen Frage zu einem Diagramm das Diagramm und die Frage gemeinsam bereit und verlangen Sie eine Erklärung des besprochenen sichtbaren Elements. Legen Sie bei einem Video mit Sprache fest, ob das gewünschte Ergebnis eine Zusammenfassung des Sichtbaren, des Gesagten oder ihres Zusammenhangs sein soll. Eine nützliche Ausgabe kann visuelle Beobachtungen und Audiobeobachtungen vor der Schlussfolgerung getrennt darstellen.
Stellen Sie für eine Multimedia-Prüfung den relevanten kurzen Ausschnitt bereit, statt mehrere unzusammenhängende Dateien beizufügen. Kennzeichnen Sie Bilder und erläutern Sie ihre Rolle, wenn es mehr als eines gibt. Bewahren Sie die Audio- und Zeitinformationen auf, die für die Frage wichtig sind. Verlangen Sie ein gezieltes Ergebnis, etwa eine gesprochene Erklärung für Zuhörer oder eine knappe Textliste mit Szenendetails. Dies sind formulierte Anwendungsbeispiele der dokumentierten Fähigkeiten für kombinierte Eingaben, keine Behauptungen, dass ein bestimmter Clip bereits analysiert wurde.
Text- und Sprachausgabe
Die Modellbeschreibung des Herstellers unterstützt Textantworten und die gleichzeitige Streaming-Ausgabe von Text und Sprache. Eine gesprochene Erklärung kann für dialogorientierte Assistenz sinnvoll sein, während sich Text leichter prüfen, durchsuchen und mit dem Ausgangsmaterial vergleichen lässt. Der gewählte Ausgabemodus und die Stimmensteuerung hängen von der Schnittstelle ab, die das Modell bereitstellt. Streaming beschreibt die Auslieferung in aufeinanderfolgenden Teilen; es ist weder eine garantierte Antwortzeit noch ein Beleg dafür, dass ein separates Echtzeit-Gesprächsprotokoll verfügbar ist.
Kontext- und Ausgabegrenzen
Die spezielle Spezifikation nennt ein Kontextfenster von 32.768 Tokens, eine maximale Eingabelänge von 30.720 Tokens und eine maximale Ausgabelänge von 2.048 Tokens. Bereiten Sie das Ausgangsmaterial und die gewünschte Antwort unter Berücksichtigung dieser getrennten Grenzen vor. Multimodale Eingaben müssen in das Budget für ihre Repräsentation passen, nicht lediglich in eine Anzahl eingegebener Zeichen. Eine Anfrage nach einer langen gesprochenen Erläuterung sollte auf eine kurze Erklärung eingegrenzt werden, die in den zulässigen Ausgabeumfang passt.
Diese Tokengrenzen legen weder eine universelle Dauer in Minuten noch eine universelle Anzahl von Bildern fest. Die Vorverarbeitung der Medien und die ausgewählte Version beeinflussen, wie viel Material hineinpasst. Die Modellseite veröffentlicht weder die Architektur eines Checkpoints noch eine Parameterzahl. Deshalb sollte die Bezeichnung Turbo nicht dazu verwendet werden, eine Größe zu erfinden oder die Architektur eines anderen Omni-Modells zu übernehmen.
Werkzeuge und wesentliche Einschränkungen
Die Fähigkeitsmatrix des genauen Modells unterstützt weder Funktionsaufrufe noch integrierte Websuche oder erzwungene strukturierte Ausgaben. Sie nennt Batch-Inferenz in einigen Herstellerkonfigurationen und Kontextcaching in einer anderen. Die Bitte um eine Liste oder eine Antwort in JSON-Form ist eine Anforderung an das Textformat, keine Garantie für die Durchsetzung eines Schemas. Die Fähigkeit des Modells, eine visuelle oder gesprochene Aufgabe zu verstehen, gewährt ebenfalls keinen Zugriff auf aktuelle Informationen oder externe Systeme.
Prüfen Sie, ob die Antwort sichtbare Belege, hörbare Inhalte und Interpretation unterscheidet. Zitate aus gesprochenen Inhalten, kleine Beschriftungen im Bild und erschlossene Zusammenhänge sollten mit dem bereitgestellten Material verglichen werden. Bewahren Sie bei einem gesprochenen Ergebnis den begleitenden Text auf, sofern verfügbar, damit eine prüfende Person die Erklärung nachvollziehen kann. Der praktische Vorteil besteht darin, mehrere Modalitäten in einer Antwort zu verbinden, mit einer knappen Ausgabe, deren Umfang zur dokumentierten Version passt.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen-omni-turbo | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0046 / 1K Tokens Ausgabe · Ausgabetoken $0.0138 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen-omni-turbo",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen-omni-turbo', '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': 'qwen-omni-turbo', '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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen-omni-turbo
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Reconcile written scene and speech notes\n\nCompare these text notes from a training clip. [Visible note] The operator places a red tag on the empty bin. [Speech transcript] "Use a yellow tag when cleaning is due." Summarize the discrepancy and draft one clarification question for the trainer. Use only the supplied notes; do not claim to hear audio or view video.A concise discrepancy statement and one question, with visible-note and speech-transcript evidence kept separate.Check that neither color is silently corrected and the response makes no claim of media access.