Überblick: detaillierte Beschreibungen von Klang
Qwen3-Omni-30B-A3B-Captioner ist ein spezialisiertes Audiobeschreibungsmodell, das aus Qwen3-Omni-30B-A3B-Instruct feinabgestimmt wurde. Es wandelt einen Audioclip in eine detaillierte Textdarstellung des Hörbaren um. Qwen hat es für vielfältiges Material entwickelt, darunter Sprache, Umgebungsgeräusche, Musik, filmische Effekte und Mischungen mehrerer Schallquellen. Dadurch eignet es sich zum Vorbereiten einer durchsuchbaren Beschreibung eines Audioassets oder zum Prüfen der Klangschichten eines kurzen Medienabschnitts.
Verstehen von Sprache und nichtsprachlichem Audio
Der Hersteller beschreibt die Analyse mehrerer sprechender Personen, mehrsprachiger Äußerungen, stimmlicher Emotion und jener Absichten, die durch die Vortragsweise nahegelegt werden. Seine Beispiele gehen über eine Transkription hinaus: Sie beschreiben den Klang der Stimmen, die Sprache der Äußerungen und die umgebende akustische Szene. Bei nichtsprachlichem Audio beschreibt das Modell Umgebungsatmosphäre, reale Geräusche, musikalische Schichten und dynamische Details in Film oder Medien.
Beschreibungen von Stimmung, Sprecherabsicht oder kulturellem Kontext sind Interpretationen des hörbaren Materials. Behandeln Sie sie getrennt von unmittelbar prüfbaren Sprach- und Klangereignissen. Eine Beschreibung kann einer prüfenden Person helfen, einen Wechsel im Tonfall oder eine Hintergrundschicht zu bemerken; sie ist weder eine Messung privater Gefühle einer Person noch ein Beleg für die physische Quelle eines mehrdeutigen Geräuschs.
Die Captioner-Ausgabe und ihr Eingabevertrag
Dieser Checkpoint arbeitet mit einer einzigen Dialogrunde. Er nimmt pro Inferenz genau eine Audioeingabe ohne Textprompt entgegen und gibt ausschließlich Text aus. Er enthält die Thinker-Komponente für Audioverständnis; die veröffentlichte Konfiguration deaktiviert Audioausgabe ausdrücklich. Übertragen Sie die Gesprächs-, Bild-, Video- oder Spracherzeugungsfunktionen anderer Qwen3-Omni-Ausgaben nicht auf Captioner, nur weil ihre Namen dieselbe Familie teilen.
Das Fehlen eines Textprompts ist in der Praxis maßgeblich. Bereiten Sie den zu beschreibenden Audioabschnitt vor und übermitteln Sie diesen Abschnitt als gesamte Aufgabe. Fügen Sie keine Anweisung für eine individuelle Zusammenfassung, Übersetzung, Sprecherantwort oder ein Ausgabeschema hinzu. Wenn ein Arbeitsablauf diese Umwandlungen benötigt, gehören sie in einen separaten Verarbeitungsschritt auf Grundlage der zurückgegebenen Beschreibung, statt als vermeintliche Steuerungsmöglichkeiten dieses Beschreibungs-Checkpoints vorausgesetzt zu werden.
Vorbereitung hilfreichen Audiomaterials
Qwen empfiehlt für feingranulare Beschreibungen eine Cliplänge von höchstens 30 Sekunden. Das ist eine Qualitätsempfehlung: Übermäßig langes Audio kann die Detailwahrnehmung mindern. Sie wird nicht als allgemeingültige harte Ablehnungsschwelle dargestellt. Wählen Sie bei einer längeren Aufnahme einen sinnvollen kurzen Abschnitt um das zu prüfende Ereignis oder die betreffende Szene aus. Halten Sie dessen Quellbezeichner und Startzeit außerhalb der Modellanfrage fest, damit sich die zurückgegebene Beschreibung später zur ursprünglichen Aufnahme zurückverfolgen lässt.
Erhalten Sie die für die Frage relevanten Klangschichten. Ein auf Stimme ausgerichteter Ausschnitt sollte den Hintergrund weiterhin enthalten, wenn dieser die beabsichtigte Beschreibung beeinflusst; ein Musik- oder Soundeffektasset sollte seinen wichtigen Übergang behalten, statt an einer beliebigen Stelle geschnitten zu werden. Die getrennte Verarbeitung von Clips hilft, lokale Details zu erhalten, begründet aber weder automatische Kontinuität noch ein Verständnis der gesamten Aufnahme über mehrere Anfragen hinweg.
Wofür das Textergebnis hilfreich ist
Die Anwendungsanleitung des Herstellers zeigt Beschreibungen, die Sprachinhalt und Vortragsweise und anschließend die umgebende Szene schildern; andere Beispiele beschreiben Musik, Effekte, Intensitätsänderungen und die Abfolge stimmlicher Ereignisse. Ein Audiokatalog kann diesen zurückgegebenen Text zusammen mit Assetname und Zeitbereich speichern. Eine Medienprüfung kann ihn als Entwurf eines Klangprotokolls verwenden. Im Schnitt kann die Beschreibung mit dem Clip verglichen werden, um festzustellen, ob sie die beabsichtigten Schichten erfasst. Das sind Anwendungsbeispiele und kein Beleg dafür, dass das Modell ein bestimmtes Nutzerasset bereits vorab angehört hat.
Die Ausgabe ist eine beschreibende Audiobeschreibung und keine zugesicherte wortgetreue Transkription, Diarisierungstabelle, Untertiteldatei mit Zeitstempeln oder generierte Tonspur. Wo genauer Wortlaut oder exaktes Timing benötigt werden, gleichen Sie die Beschreibung mit dem Audio ab und verwenden Sie einen geeigneten spezialisierten Arbeitsablauf für das benötigte Artefakt. Eine ausführlich formulierte Beschreibung kann abgeleitete Szenen- oder Genreinformationen enthalten; erhalten Sie deshalb die Unsicherheit, wenn der Klang selbst die Quelle nicht eindeutig identifiziert.
Generierungsbeispiele und Grenzen
Das eigenständige Beispiel des Herstellers setzt einen Modellkontext von 32,768 Tokens und ein Generierungsbudget von 16,384 Tokens und verwendet temperature 0.6, top_p 0.95 und top_k 20. Seine Anwendungsanleitung verwendet ein Generierungsbudget von 8,192 Tokens mit denselben Sampling-Werten. Das sind Beispielkonfigurationen und keine gesondert erklärten maximalen Beschreibungslängen. Die zugrunde liegende Textkonfiguration führt 65,536 Positionen an; daraus sollte keine Dauergarantie für Audio abgeleitet werden.
Allgemeiner Hilfscode oder Konfigurationsfelder, die mit der Omni-Familie geteilt werden, setzen Captioners ausdrücklichen Vertrag mit einer Audioeingabe, ohne Text und mit reiner Textausgabe nicht außer Kraft. Das hilfreiche Ergebnis ist eine detaillierte Beschreibung einer kurzen hörbaren Szene; prüfen Sie Sprachzitate, die Anzahl sprechender Personen und abgeleitete Schallquellen, bevor Sie es als maßgebliche Aufzeichnung verwenden.
", "aboutText": "Überblick: detaillierte Beschreibungen von Klang\n\nQwen3-Omni-30B-A3B-Captioner ist ein spezialisiertes Audiobeschreibungsmodell, das aus Qwen3-Omni-30B-A3B-Instruct feinabgestimmt wurde. Es wandelt einen Audioclip in eine detaillierte Textdarstellung des Hörbaren um. Qwen hat es für vielfältiges Material entwickelt, darunter Sprache, Umgebungsgeräusche, Musik, filmische Effekte und Mischungen mehrerer Schallquellen. Dadurch eignet es sich zum Vorbereiten einer durchsuchbaren Beschreibung eines Audioassets oder zum Prüfen der Klangschichten eines kurzen Medienabschnitts.\n\nVerstehen von Sprache und nichtsprachlichem Audio\n\nDer Hersteller beschreibt die Analyse mehrerer sprechender Personen, mehrsprachiger Äußerungen, stimmlicher Emotion und jener Absichten, die durch die Vortragsweise nahegelegt werden. Seine Beispiele gehen über eine Transkription hinaus: Sie beschreiben den Klang der Stimmen, die Sprache der Äußerungen und die umgebende akustische Szene. Bei nichtsprachlichem Audio beschreibt das Modell Umgebungsatmosphäre, reale Geräusche, musikalische Schichten und dynamische Details in Film oder Medien.\n\nBeschreibungen von Stimmung, Sprecherabsicht oder kulturellem Kontext sind Interpretationen des hörbaren Materials. Behandeln Sie sie getrennt von unmittelbar prüfbaren Sprach- und Klangereignissen. Eine Beschreibung kann einer prüfenden Person helfen, einen Wechsel im Tonfall oder eine Hintergrundschicht zu bemerken; sie ist weder eine Messung privater Gefühle einer Person noch ein Beleg für die physische Quelle eines mehrdeutigen Geräuschs.\n\nDie Captioner-Ausgabe und ihr Eingabevertrag\n\nDieser Checkpoint arbeitet mit einer einzigen Dialogrunde. Er nimmt pro Inferenz genau eine Audioeingabe ohne Textprompt entgegen und gibt ausschließlich Text aus. Er enthält die Thinker-Komponente für Audioverständnis; die veröffentlichte Konfiguration deaktiviert Audioausgabe ausdrücklich. Übertragen Sie die Gesprächs-, Bild-, Video- oder Spracherzeugungsfunktionen anderer Qwen3-Omni-Ausgaben nicht auf Captioner, nur weil ihre Namen dieselbe Familie teilen.\n\nDas Fehlen eines Textprompts ist in der Praxis maßgeblich. Bereiten Sie den zu beschreibenden Audioabschnitt vor und übermitteln Sie diesen Abschnitt als gesamte Aufgabe. Fügen Sie keine Anweisung für eine individuelle Zusammenfassung, Übersetzung, Sprecherantwort oder ein Ausgabeschema hinzu. Wenn ein Arbeitsablauf diese Umwandlungen benötigt, gehören sie in einen separaten Verarbeitungsschritt auf Grundlage der zurückgegebenen Beschreibung, statt als vermeintliche Steuerungsmöglichkeiten dieses Beschreibungs-Checkpoints vorausgesetzt zu werden.\n\nVorbereitung hilfreichen Audiomaterials\n\nQwen empfiehlt für feingranulare Beschreibungen eine Cliplänge von höchstens 30 Sekunden. Das ist eine Qualitätsempfehlung: Übermäßig langes Audio kann die Detailwahrnehmung mindern. Sie wird nicht als allgemeingültige harte Ablehnungsschwelle dargestellt. Wählen Sie bei einer längeren Aufnahme einen sinnvollen kurzen Abschnitt um das zu prüfende Ereignis oder die betreffende Szene aus. Halten Sie dessen Quellbezeichner und Startzeit außerhalb der Modellanfrage fest, damit sich die zurückgegebene Beschreibung später zur ursprünglichen Aufnahme zurückverfolgen lässt.\n\nErhalten Sie die für die Frage relevanten Klangschichten. Ein auf Stimme ausgerichteter Ausschnitt sollte den Hintergrund weiterhin enthalten, wenn dieser die beabsichtigte Beschreibung beeinflusst; ein Musik- oder Soundeffektasset sollte seinen wichtigen Übergang behalten, statt an einer beliebigen Stelle geschnitten zu werden. Die getrennte Verarbeitung von Clips hilft, lokale Details zu erhalten, begründet aber weder automatische Kontinuität noch ein Verständnis der gesamten Aufnahme über mehrere Anfragen hinweg.\n\nWofür das Textergebnis hilfreich ist\n\nDie Anwendungsanleitung des Herstellers zeigt Beschreibungen, die Sprachinhalt und Vortragsweise und anschließend die umgebende Szene schildern; andere Beispiele beschreiben Musik, Effekte, Intensitätsänderungen und die Abfolge stimmlicher Ereignisse. Ein Audiokatalog kann diesen zurückgegebenen Text zusammen mit Assetname und Zeitbereich speichern. Eine Medienprüfung kann ihn als Entwurf eines Klangprotokolls verwenden. Im Schnitt kann die Beschreibung mit dem Clip verglichen werden, um festzustellen, ob sie die beabsichtigten Schichten erfasst. Das sind Anwendungsbeispiele und kein Beleg dafür, dass das Modell ein bestimmtes Nutzerasset bereits vorab angehört hat.\n\nDie Ausgabe ist eine beschreibende Audiobeschreibung und keine zugesicherte wortgetreue Transkription, Diarisierungstabelle, Untertiteldatei mit Zeitstempeln oder generierte Tonspur. Wo genauer Wortlaut oder exaktes Timing benötigt werden, gleichen Sie die Beschreibung mit dem Audio ab und verwenden Sie einen geeigneten spezialisierten Arbeitsablauf für das benötigte Artefakt. Eine ausführlich formulierte Beschreibung kann abgeleitete Szenen- oder Genreinformationen enthalten; erhalten Sie deshalb die Unsicherheit, wenn der Klang selbst die Quelle nicht eindeutig identifiziert.\n\nGenerierungsbeispiele und Grenzen\n\nDas eigenständige Beispiel des Herstellers setzt einen Modellkontext von 32,768 Tokens und ein Generierungsbudget von 16,384 Tokens und verwendet temperature 0.6, top_p 0.95 und top_k 20. Seine Anwendungsanleitung verwendet ein Generierungsbudget von 8,192 Tokens mit denselben Sampling-Werten. Das sind Beispielkonfigurationen und keine gesondert erklärten maximalen Beschreibungslängen. Die zugrunde liegende Textkonfiguration führt 65,536 Positionen an; daraus sollte keine Dauergarantie für Audio abgeleitet werden.\n\nAllgemeiner Hilfscode oder Konfigurationsfelder, die mit der Omni-Familie geteilt werden, setzen Captioners ausdrücklichen Vertrag mit einer Audioeingabe, ohne Text und mit reiner Textausgabe nicht außer Kraft. Das hilfreiche Ergebnis ist eine detaillierte Beschreibung einer kurzen hörbaren Szene; prüfen Sie Sprachzitate, die Anzahl sprechender Personen und abgeleitete Schallquellen, bevor Sie es als maßgebliche Aufzeichnung verwenden.", "editorialOverlay": { "copy_fields": { "practical_html": "Die Modellbeschreibung verlangt Audioeingaben, die ausgewählte Route deklariert jedoch Texteingaben. Für diese Abweichung wird kein direkt ausführbares Generierungsbeispiel angeboten.
Technisches Beispiel auf Englisch
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 beschreibt Sprache, Musik, Umgebungsgeräusche und filmisches Audio als Text. Diese spezialisierte Ausgabe für eine einzelne Dialogrunde nimmt eine Audioeingabe ohne Textprompt entgegen; Qwen empfiehlt Clips von höchstens 30 Sekunden, um feine Details zu erhalten.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Überblick: detaillierte Beschreibungen von Klang
Qwen3-Omni-30B-A3B-Captioner ist ein spezialisiertes Audiobeschreibungsmodell, das aus Qwen3-Omni-30B-A3B-Instruct feinabgestimmt wurde. Es wandelt einen Audioclip in eine detaillierte Textdarstellung des Hörbaren um. Qwen hat es für vielfältiges Material entwickelt, darunter Sprache, Umgebungsgeräusche, Musik, filmische Effekte und Mischungen mehrerer Schallquellen. Dadurch eignet es sich zum Vorbereiten einer durchsuchbaren Beschreibung eines Audioassets oder zum Prüfen der Klangschichten eines kurzen Medienabschnitts.
Verstehen von Sprache und nichtsprachlichem Audio
Der Hersteller beschreibt die Analyse mehrerer sprechender Personen, mehrsprachiger Äußerungen, stimmlicher Emotion und jener Absichten, die durch die Vortragsweise nahegelegt werden. Seine Beispiele gehen über eine Transkription hinaus: Sie beschreiben den Klang der Stimmen, die Sprache der Äußerungen und die umgebende akustische Szene. Bei nichtsprachlichem Audio beschreibt das Modell Umgebungsatmosphäre, reale Geräusche, musikalische Schichten und dynamische Details in Film oder Medien.
Beschreibungen von Stimmung, Sprecherabsicht oder kulturellem Kontext sind Interpretationen des hörbaren Materials. Behandeln Sie sie getrennt von unmittelbar prüfbaren Sprach- und Klangereignissen. Eine Beschreibung kann einer prüfenden Person helfen, einen Wechsel im Tonfall oder eine Hintergrundschicht zu bemerken; sie ist weder eine Messung privater Gefühle einer Person noch ein Beleg für die physische Quelle eines mehrdeutigen Geräuschs.
Die Captioner-Ausgabe und ihr Eingabevertrag
Dieser Checkpoint arbeitet mit einer einzigen Dialogrunde. Er nimmt pro Inferenz genau eine Audioeingabe ohne Textprompt entgegen und gibt ausschließlich Text aus. Er enthält die Thinker-Komponente für Audioverständnis; die veröffentlichte Konfiguration deaktiviert Audioausgabe ausdrücklich. Übertragen Sie die Gesprächs-, Bild-, Video- oder Spracherzeugungsfunktionen anderer Qwen3-Omni-Ausgaben nicht auf Captioner, nur weil ihre Namen dieselbe Familie teilen.
Das Fehlen eines Textprompts ist in der Praxis maßgeblich. Bereiten Sie den zu beschreibenden Audioabschnitt vor und übermitteln Sie diesen Abschnitt als gesamte Aufgabe. Fügen Sie keine Anweisung für eine individuelle Zusammenfassung, Übersetzung, Sprecherantwort oder ein Ausgabeschema hinzu. Wenn ein Arbeitsablauf diese Umwandlungen benötigt, gehören sie in einen separaten Verarbeitungsschritt auf Grundlage der zurückgegebenen Beschreibung, statt als vermeintliche Steuerungsmöglichkeiten dieses Beschreibungs-Checkpoints vorausgesetzt zu werden.
Vorbereitung hilfreichen Audiomaterials
Qwen empfiehlt für feingranulare Beschreibungen eine Cliplänge von höchstens 30 Sekunden. Das ist eine Qualitätsempfehlung: Übermäßig langes Audio kann die Detailwahrnehmung mindern. Sie wird nicht als allgemeingültige harte Ablehnungsschwelle dargestellt. Wählen Sie bei einer längeren Aufnahme einen sinnvollen kurzen Abschnitt um das zu prüfende Ereignis oder die betreffende Szene aus. Halten Sie dessen Quellbezeichner und Startzeit außerhalb der Modellanfrage fest, damit sich die zurückgegebene Beschreibung später zur ursprünglichen Aufnahme zurückverfolgen lässt.
Erhalten Sie die für die Frage relevanten Klangschichten. Ein auf Stimme ausgerichteter Ausschnitt sollte den Hintergrund weiterhin enthalten, wenn dieser die beabsichtigte Beschreibung beeinflusst; ein Musik- oder Soundeffektasset sollte seinen wichtigen Übergang behalten, statt an einer beliebigen Stelle geschnitten zu werden. Die getrennte Verarbeitung von Clips hilft, lokale Details zu erhalten, begründet aber weder automatische Kontinuität noch ein Verständnis der gesamten Aufnahme über mehrere Anfragen hinweg.
Wofür das Textergebnis hilfreich ist
Die Anwendungsanleitung des Herstellers zeigt Beschreibungen, die Sprachinhalt und Vortragsweise und anschließend die umgebende Szene schildern; andere Beispiele beschreiben Musik, Effekte, Intensitätsänderungen und die Abfolge stimmlicher Ereignisse. Ein Audiokatalog kann diesen zurückgegebenen Text zusammen mit Assetname und Zeitbereich speichern. Eine Medienprüfung kann ihn als Entwurf eines Klangprotokolls verwenden. Im Schnitt kann die Beschreibung mit dem Clip verglichen werden, um festzustellen, ob sie die beabsichtigten Schichten erfasst. Das sind Anwendungsbeispiele und kein Beleg dafür, dass das Modell ein bestimmtes Nutzerasset bereits vorab angehört hat.
Die Ausgabe ist eine beschreibende Audiobeschreibung und keine zugesicherte wortgetreue Transkription, Diarisierungstabelle, Untertiteldatei mit Zeitstempeln oder generierte Tonspur. Wo genauer Wortlaut oder exaktes Timing benötigt werden, gleichen Sie die Beschreibung mit dem Audio ab und verwenden Sie einen geeigneten spezialisierten Arbeitsablauf für das benötigte Artefakt. Eine ausführlich formulierte Beschreibung kann abgeleitete Szenen- oder Genreinformationen enthalten; erhalten Sie deshalb die Unsicherheit, wenn der Klang selbst die Quelle nicht eindeutig identifiziert.
Generierungsbeispiele und Grenzen
Das eigenständige Beispiel des Herstellers setzt einen Modellkontext von 32,768 Tokens und ein Generierungsbudget von 16,384 Tokens und verwendet temperature 0.6, top_p 0.95 und top_k 20. Seine Anwendungsanleitung verwendet ein Generierungsbudget von 8,192 Tokens mit denselben Sampling-Werten. Das sind Beispielkonfigurationen und keine gesondert erklärten maximalen Beschreibungslängen. Die zugrunde liegende Textkonfiguration führt 65,536 Positionen an; daraus sollte keine Dauergarantie für Audio abgeleitet werden.
Allgemeiner Hilfscode oder Konfigurationsfelder, die mit der Omni-Familie geteilt werden, setzen Captioners ausdrücklichen Vertrag mit einer Audioeingabe, ohne Text und mit reiner Textausgabe nicht außer Kraft. Das hilfreiche Ergebnis ist eine detaillierte Beschreibung einer kurzen hörbaren Szene; prüfen Sie Sprachzitate, die Anzahl sprechender Personen und abgeleitete Schallquellen, bevor Sie es als maßgebliche Aufzeichnung verwenden.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits Qwen/Qwen3-Omni-30B-A3B-Captioner | 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 $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0008 / 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 →
Die Modellbeschreibung verlangt Audioeingaben, die ausgewählte Route deklariert jedoch Texteingaben. Für diese Abweichung wird kein direkt ausführbares Generierungsbeispiel angeboten.
manufacturer: audio → text
route: text → text
json 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/Qwen3-Omni-30B-A3B-Captioner
Verwenden Sie die oben angezeigten Methodenpfade.
Qwen/Qwen3-Omni-30B-A3B-CaptionerQwen3-Omni-30B-A3B-Captioner beschreibt Sprache, Musik, Umgebungsgeräusche und filmisches Audio als Text. Diese spezialisierte Ausgabe für eine einzelne Dialogrunde nimmt eine Audioeingabe ohne Textprompt entgegen; Qwen empfiehlt Clips von höchstens 30 Sekunden, um feine Details zu erhalten.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Überblick: detaillierte Beschreibungen von Klang
Qwen3-Omni-30B-A3B-Captioner ist ein spezialisiertes Audiobeschreibungsmodell, das aus Qwen3-Omni-30B-A3B-Instruct feinabgestimmt wurde. Es wandelt einen Audioclip in eine detaillierte Textdarstellung des Hörbaren um. Qwen hat es für vielfältiges Material entwickelt, darunter Sprache, Umgebungsgeräusche, Musik, filmische Effekte und Mischungen mehrerer Schallquellen. Dadurch eignet es sich zum Vorbereiten einer durchsuchbaren Beschreibung eines Audioassets oder zum Prüfen der Klangschichten eines kurzen Medienabschnitts.
Verstehen von Sprache und nichtsprachlichem Audio
Der Hersteller beschreibt die Analyse mehrerer sprechender Personen, mehrsprachiger Äußerungen, stimmlicher Emotion und jener Absichten, die durch die Vortragsweise nahegelegt werden. Seine Beispiele gehen über eine Transkription hinaus: Sie beschreiben den Klang der Stimmen, die Sprache der Äußerungen und die umgebende akustische Szene. Bei nichtsprachlichem Audio beschreibt das Modell Umgebungsatmosphäre, reale Geräusche, musikalische Schichten und dynamische Details in Film oder Medien.
Beschreibungen von Stimmung, Sprecherabsicht oder kulturellem Kontext sind Interpretationen des hörbaren Materials. Behandeln Sie sie getrennt von unmittelbar prüfbaren Sprach- und Klangereignissen. Eine Beschreibung kann einer prüfenden Person helfen, einen Wechsel im Tonfall oder eine Hintergrundschicht zu bemerken; sie ist weder eine Messung privater Gefühle einer Person noch ein Beleg für die physische Quelle eines mehrdeutigen Geräuschs.
Die Captioner-Ausgabe und ihr Eingabevertrag
Dieser Checkpoint arbeitet mit einer einzigen Dialogrunde. Er nimmt pro Inferenz genau eine Audioeingabe ohne Textprompt entgegen und gibt ausschließlich Text aus. Er enthält die Thinker-Komponente für Audioverständnis; die veröffentlichte Konfiguration deaktiviert Audioausgabe ausdrücklich. Übertragen Sie die Gesprächs-, Bild-, Video- oder Spracherzeugungsfunktionen anderer Qwen3-Omni-Ausgaben nicht auf Captioner, nur weil ihre Namen dieselbe Familie teilen.
Das Fehlen eines Textprompts ist in der Praxis maßgeblich. Bereiten Sie den zu beschreibenden Audioabschnitt vor und übermitteln Sie diesen Abschnitt als gesamte Aufgabe. Fügen Sie keine Anweisung für eine individuelle Zusammenfassung, Übersetzung, Sprecherantwort oder ein Ausgabeschema hinzu. Wenn ein Arbeitsablauf diese Umwandlungen benötigt, gehören sie in einen separaten Verarbeitungsschritt auf Grundlage der zurückgegebenen Beschreibung, statt als vermeintliche Steuerungsmöglichkeiten dieses Beschreibungs-Checkpoints vorausgesetzt zu werden.
Vorbereitung hilfreichen Audiomaterials
Qwen empfiehlt für feingranulare Beschreibungen eine Cliplänge von höchstens 30 Sekunden. Das ist eine Qualitätsempfehlung: Übermäßig langes Audio kann die Detailwahrnehmung mindern. Sie wird nicht als allgemeingültige harte Ablehnungsschwelle dargestellt. Wählen Sie bei einer längeren Aufnahme einen sinnvollen kurzen Abschnitt um das zu prüfende Ereignis oder die betreffende Szene aus. Halten Sie dessen Quellbezeichner und Startzeit außerhalb der Modellanfrage fest, damit sich die zurückgegebene Beschreibung später zur ursprünglichen Aufnahme zurückverfolgen lässt.
Erhalten Sie die für die Frage relevanten Klangschichten. Ein auf Stimme ausgerichteter Ausschnitt sollte den Hintergrund weiterhin enthalten, wenn dieser die beabsichtigte Beschreibung beeinflusst; ein Musik- oder Soundeffektasset sollte seinen wichtigen Übergang behalten, statt an einer beliebigen Stelle geschnitten zu werden. Die getrennte Verarbeitung von Clips hilft, lokale Details zu erhalten, begründet aber weder automatische Kontinuität noch ein Verständnis der gesamten Aufnahme über mehrere Anfragen hinweg.
Wofür das Textergebnis hilfreich ist
Die Anwendungsanleitung des Herstellers zeigt Beschreibungen, die Sprachinhalt und Vortragsweise und anschließend die umgebende Szene schildern; andere Beispiele beschreiben Musik, Effekte, Intensitätsänderungen und die Abfolge stimmlicher Ereignisse. Ein Audiokatalog kann diesen zurückgegebenen Text zusammen mit Assetname und Zeitbereich speichern. Eine Medienprüfung kann ihn als Entwurf eines Klangprotokolls verwenden. Im Schnitt kann die Beschreibung mit dem Clip verglichen werden, um festzustellen, ob sie die beabsichtigten Schichten erfasst. Das sind Anwendungsbeispiele und kein Beleg dafür, dass das Modell ein bestimmtes Nutzerasset bereits vorab angehört hat.
Die Ausgabe ist eine beschreibende Audiobeschreibung und keine zugesicherte wortgetreue Transkription, Diarisierungstabelle, Untertiteldatei mit Zeitstempeln oder generierte Tonspur. Wo genauer Wortlaut oder exaktes Timing benötigt werden, gleichen Sie die Beschreibung mit dem Audio ab und verwenden Sie einen geeigneten spezialisierten Arbeitsablauf für das benötigte Artefakt. Eine ausführlich formulierte Beschreibung kann abgeleitete Szenen- oder Genreinformationen enthalten; erhalten Sie deshalb die Unsicherheit, wenn der Klang selbst die Quelle nicht eindeutig identifiziert.
Generierungsbeispiele und Grenzen
Das eigenständige Beispiel des Herstellers setzt einen Modellkontext von 32,768 Tokens und ein Generierungsbudget von 16,384 Tokens und verwendet temperature 0.6, top_p 0.95 und top_k 20. Seine Anwendungsanleitung verwendet ein Generierungsbudget von 8,192 Tokens mit denselben Sampling-Werten. Das sind Beispielkonfigurationen und keine gesondert erklärten maximalen Beschreibungslängen. Die zugrunde liegende Textkonfiguration führt 65,536 Positionen an; daraus sollte keine Dauergarantie für Audio abgeleitet werden.
Allgemeiner Hilfscode oder Konfigurationsfelder, die mit der Omni-Familie geteilt werden, setzen Captioners ausdrücklichen Vertrag mit einer Audioeingabe, ohne Text und mit reiner Textausgabe nicht außer Kraft. Das hilfreiche Ergebnis ist eine detaillierte Beschreibung einer kurzen hörbaren Szene; prüfen Sie Sprachzitate, die Anzahl sprechender Personen und abgeleitete Schallquellen, bevor Sie es als maßgebliche Aufzeichnung verwenden.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits Qwen/Qwen3-Omni-30B-A3B-Captioner | 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 $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0008 / 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 →
Die Modellbeschreibung verlangt Audioeingaben, die ausgewählte Route deklariert jedoch Texteingaben. Für diese Abweichung wird kein direkt ausführbares Generierungsbeispiel angeboten.
manufacturer: audio → text
route: text → json, sse
JSON 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/Qwen3-Omni-30B-A3B-Captioner
Verwenden Sie die oben angezeigten Methodenpfade.
Die Modellbeschreibung verlangt Audioeingaben, die ausgewählte Route deklariert jedoch Texteingaben. Für diese Abweichung wird kein direkt ausführbares Generierungsbeispiel angeboten.
Technisches Beispiel auf Englisch
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.