Qwen3.5-Omni-Flash 2026-03-15 ist Alibabas benannter multimodaler Snapshot vom 15. März für Textproduktion, Sprachassistenten und Multimediaanalyse. Er nimmt Text, Bilder, Audio und Video einschließlich gemischter Eingaben entgegen und erzeugt Text oder Text mit Sprache. Seine datierte Identität unterscheidet sich vom undatierten Flash-Alias und von Realtime-Modellen. Eine dokumentierte Aufgabe kann diesen Editionsnamen zusammen mit den geprüften Medien und Anweisungen aufbewahren.
Die Eingabe kann ein Bild mit einer gesprochenen Frage verbinden oder Bild und Ton eines Videos mit schriftlichen Anweisungen kombinieren. Das ist nützlich, wenn eine reine Textzusammenfassung den Zusammenhang zwischen Gesehenem und Gehörtem verlieren würde. Fragen Sie bei einem Medienbriefing die sichtbare Abfolge, den Wortlaut im Bild und die gesprochenen Inhalte getrennt ab und fordern Sie quellenbezogene Zeitstempel an, wenn die Ereignisreihenfolge relevant ist. Neben Sprache können auch Geräuscheffekte und andere nichtsprachliche Audiosignale zur Analyse beitragen.
Legen Sie für eine Sprachantwort Sprache, Zielgruppe und Vortragsweise fest. Qwens Leitfaden dokumentiert Anweisungen zu Lautstärke, Sprechgeschwindigkeit und Emotion. Er führt 113 Sprachen und Dialekte für Audioeingaben und 36 Sprachen und Dialekte für Sprachausgaben an, darunter Englisch, Französisch, Deutsch und Russisch. Der Stimmenkatalog nennt Tina als Standard und enthält Optionen wie Serena und Ethan. Wählen Sie die Stimme und fordern Sie eine knappe Erklärung in bedachtem Tempo an, statt sich zur Bestimmung des Ausgabestils auf die Eingabestimme zu verlassen.
Der dokumentierte HTTP-Sprach-Workflow liefert gestreamten Text und Base64-kodierte Audioblöcke zurück. Sein WAV-Beispiel verwendet 24 kHz, mono, 16-Bit-PCM; eine Anwendung kann die Blöcke zu einer Audiodatei zusammenfügen oder sie bei ihrem Eintreffen für die Wiedergabe dekodieren. Dies ist gestreamte Generierung aus einer eingereichten Anfrage. Live-Erkennung von Gesprächswechseln, Unterbrechungsbehandlung und Gespräche über das Mikrofon gehören zu gesondert benannten Realtime-Modellen. Die Familientabelle von Qwen3.5-Omni bietet keinen Modus für tiefgehendes Denken.
Dieser Flash-Snapshot führt Websuche und Function Calling an, wobei Function Calling auf Beijing Chat Completions und Textausgabe begrenzt ist. Structured Outputs ist als nicht unterstützt gekennzeichnet: Eine Anfrage nach chronologischen Abschnitten ist eine Anweisung zum Textformat und kein formal beschränkter JSON-Modus. Die Werkzeugausführung übernimmt die umgebende Anwendung, die das Werkzeugergebnis für den nächsten Modellschritt zurückgibt. Präfixvervollständigung, Kontext-Caching, Batch-Inferenz und Fine-Tuning sind für diesen Snapshot ebenfalls als nicht unterstützt gekennzeichnet.
Das veröffentlichte Kontextfenster beträgt 262.144 Tokens, mit maximal 196.608 Eingabetokens und maximal 65.536 Ausgabetokens. Gemischte Medien und Text teilen sich das Kontextbudget. Alibabas HTTP-Leitfaden erlaubt für diese Reihe bis zu drei Stunden Audio oder eine Stunde Video; er führt AMR, WAV, 3GP, 3GPP, AAC und MP3 für Audio sowie MP4, AVI, MKV, MOV, FLV und WMV für Video an. Audio- oder Videodateien per URL dürfen bis zu 2 GB groß sein; Base64-kodierte Medien müssen kleiner als 10 MB sein. Dies sind die Datei-Workflow-Grenzen des Herstellers und unterscheiden sich von der Beschreibung in der Modelleinführung, die das Verständnis von über zehn Stunden Audio oder über 400 Sekunden 720p-Video bei einer Abtastung von 1 FPS nennt.
Bilder haben in diesem Leitfaden eigene Vorbereitungsgrenzen: bis zu 20 MB pro Bild per URL, Abmessungen von mehr als 10 Pixeln auf jeder Seite und ein Seitenverhältnis nicht extremer als 200:1. Der Leitfaden erlaubt bis zu 2.048 Bilder oder Audiodateien per URL und 512 Videodateien per URL; Base64-Eingaben erlauben bis zu 250 Dateien. Diese Übertragungsgrenzen unterliegen weiterhin dem gemeinsamen Eingabetokenbudget. Die Reihe kann mehrere Medientypen in einer Anfrage kombinieren. Wählen Sie den relevanten Ausschnitt, machen Sie kleine Beschriftungen lesbar und erklären Sie die Beziehung zwischen separaten Eingaben. Die dokumentierten Dateianzahlgrenzen unterscheiden sich nach Modalität und Übertragungsmethode; jede Eingabe muss weiterhin in das gemeinsame Tokenbudget passen.
Individuelles Stimmenklonen wird laut Qwen3.5-Omni-Leitfaden vom benannten Snapshot vom 15. März nicht unterstützt. Wählen Sie für gesprochene Ausgaben eine dokumentierte Katalogstimme und beschreiben Sie die gewünschte Vortragsweise im schriftlichen Briefing. Übertragen Sie den gesonderten Workflow zur Stimmenregistrierung des undatierten Flash-Alias nicht auf diese Edition. Eine Katalogstimme kennzeichnet den Sprecherstil; Anweisungen können Lautstärke, Sprechgeschwindigkeit und Emotion gestalten.
Stellen Sie für einen wiederholbaren Medienbericht den relevanten Clip bereit und fordern Sie Ereignisse, sichtbaren Wortlaut und Sprache in getrennten chronologischen Abschnitten an, jeweils mit Quellenzeitstempeln verknüpft. Ergänzen Sie für eine didaktische Antwort ein Diagramm und eine aufgezeichnete Frage des Lernenden: „Erklären Sie die beschrifteten Teile, beantworten Sie die Audiofrage auf Englisch und liefern Sie Text und eine ruhig gesprochene Antwort.“ Bewahren Sie Eingabeausschnitt, Editionsnamen und Prompt gemeinsam auf und geben Sie an, ob die Ausgabe die Quelle transkribieren oder sie für eine neue Zielgruppe erklären soll.
", "aboutText": "Qwen3.5-Omni-Flash 2026-03-15 ist Alibabas benannter multimodaler Snapshot vom 15. März für Textproduktion, Sprachassistenten und Multimediaanalyse. Er nimmt Text, Bilder, Audio und Video einschließlich gemischter Eingaben entgegen und erzeugt Text oder Text mit Sprache. Seine datierte Identität unterscheidet sich vom undatierten Flash-Alias und von Realtime-Modellen. Eine dokumentierte Aufgabe kann diesen Editionsnamen zusammen mit den geprüften Medien und Anweisungen aufbewahren.\n\nDie Eingabe kann ein Bild mit einer gesprochenen Frage verbinden oder Bild und Ton eines Videos mit schriftlichen Anweisungen kombinieren. Das ist nützlich, wenn eine reine Textzusammenfassung den Zusammenhang zwischen Gesehenem und Gehörtem verlieren würde. Fragen Sie bei einem Medienbriefing die sichtbare Abfolge, den Wortlaut im Bild und die gesprochenen Inhalte getrennt ab und fordern Sie quellenbezogene Zeitstempel an, wenn die Ereignisreihenfolge relevant ist. Neben Sprache können auch Geräuscheffekte und andere nichtsprachliche Audiosignale zur Analyse beitragen.\n\nLegen Sie für eine Sprachantwort Sprache, Zielgruppe und Vortragsweise fest. Qwens Leitfaden dokumentiert Anweisungen zu Lautstärke, Sprechgeschwindigkeit und Emotion. Er führt 113 Sprachen und Dialekte für Audioeingaben und 36 Sprachen und Dialekte für Sprachausgaben an, darunter Englisch, Französisch, Deutsch und Russisch. Der Stimmenkatalog nennt Tina als Standard und enthält Optionen wie Serena und Ethan. Wählen Sie die Stimme und fordern Sie eine knappe Erklärung in bedachtem Tempo an, statt sich zur Bestimmung des Ausgabestils auf die Eingabestimme zu verlassen.\n\nDer dokumentierte HTTP-Sprach-Workflow liefert gestreamten Text und Base64-kodierte Audioblöcke zurück. Sein WAV-Beispiel verwendet 24 kHz, mono, 16-Bit-PCM; eine Anwendung kann die Blöcke zu einer Audiodatei zusammenfügen oder sie bei ihrem Eintreffen für die Wiedergabe dekodieren. Dies ist gestreamte Generierung aus einer eingereichten Anfrage. Live-Erkennung von Gesprächswechseln, Unterbrechungsbehandlung und Gespräche über das Mikrofon gehören zu gesondert benannten Realtime-Modellen. Die Familientabelle von Qwen3.5-Omni bietet keinen Modus für tiefgehendes Denken.\n\nDieser Flash-Snapshot führt Websuche und Function Calling an, wobei Function Calling auf Beijing Chat Completions und Textausgabe begrenzt ist. Structured Outputs ist als nicht unterstützt gekennzeichnet: Eine Anfrage nach chronologischen Abschnitten ist eine Anweisung zum Textformat und kein formal beschränkter JSON-Modus. Die Werkzeugausführung übernimmt die umgebende Anwendung, die das Werkzeugergebnis für den nächsten Modellschritt zurückgibt. Präfixvervollständigung, Kontext-Caching, Batch-Inferenz und Fine-Tuning sind für diesen Snapshot ebenfalls als nicht unterstützt gekennzeichnet.\n\nDas veröffentlichte Kontextfenster beträgt 262.144 Tokens, mit maximal 196.608 Eingabetokens und maximal 65.536 Ausgabetokens. Gemischte Medien und Text teilen sich das Kontextbudget. Alibabas HTTP-Leitfaden erlaubt für diese Reihe bis zu drei Stunden Audio oder eine Stunde Video; er führt AMR, WAV, 3GP, 3GPP, AAC und MP3 für Audio sowie MP4, AVI, MKV, MOV, FLV und WMV für Video an. Audio- oder Videodateien per URL dürfen bis zu 2 GB groß sein; Base64-kodierte Medien müssen kleiner als 10 MB sein. Dies sind die Datei-Workflow-Grenzen des Herstellers und unterscheiden sich von der Beschreibung in der Modelleinführung, die das Verständnis von über zehn Stunden Audio oder über 400 Sekunden 720p-Video bei einer Abtastung von 1 FPS nennt.\n\nBilder haben in diesem Leitfaden eigene Vorbereitungsgrenzen: bis zu 20 MB pro Bild per URL, Abmessungen von mehr als 10 Pixeln auf jeder Seite und ein Seitenverhältnis nicht extremer als 200:1. Der Leitfaden erlaubt bis zu 2.048 Bilder oder Audiodateien per URL und 512 Videodateien per URL; Base64-Eingaben erlauben bis zu 250 Dateien. Diese Übertragungsgrenzen unterliegen weiterhin dem gemeinsamen Eingabetokenbudget. Die Reihe kann mehrere Medientypen in einer Anfrage kombinieren. Wählen Sie den relevanten Ausschnitt, machen Sie kleine Beschriftungen lesbar und erklären Sie die Beziehung zwischen separaten Eingaben. Die dokumentierten Dateianzahlgrenzen unterscheiden sich nach Modalität und Übertragungsmethode; jede Eingabe muss weiterhin in das gemeinsame Tokenbudget passen.\n\nIndividuelles Stimmenklonen wird laut Qwen3.5-Omni-Leitfaden vom benannten Snapshot vom 15. März nicht unterstützt. Wählen Sie für gesprochene Ausgaben eine dokumentierte Katalogstimme und beschreiben Sie die gewünschte Vortragsweise im schriftlichen Briefing. Übertragen Sie den gesonderten Workflow zur Stimmenregistrierung des undatierten Flash-Alias nicht auf diese Edition. Eine Katalogstimme kennzeichnet den Sprecherstil; Anweisungen können Lautstärke, Sprechgeschwindigkeit und Emotion gestalten.\n\nStellen Sie für einen wiederholbaren Medienbericht den relevanten Clip bereit und fordern Sie Ereignisse, sichtbaren Wortlaut und Sprache in getrennten chronologischen Abschnitten an, jeweils mit Quellenzeitstempeln verknüpft. Ergänzen Sie für eine didaktische Antwort ein Diagramm und eine aufgezeichnete Frage des Lernenden: „Erklären Sie die beschrifteten Teile, beantworten Sie die Audiofrage auf Englisch und liefern Sie Text und eine ruhig gesprochene Antwort.“ Bewahren Sie Eingabeausschnitt, Editionsnamen und Prompt gemeinsam auf und geben Sie an, ob die Ausgabe die Quelle transkribieren oder sie für eine neue Zielgruppe erklären soll.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Separate speech from scene notes\n\nPrepare a chronological report from these transcribed media notes: 00:00 a green indicator is visible; 00:03 speaker says “Wait for the light”; 00:05 indicator turns amber; 00:08 speaker says “Now disconnect.” Separate described visuals from quoted speech and list the action instruction with its time. Return text only.A timeline with distinct visual and speech entries, followed by the timed instruction.Check that the instruction stays at 00:08 and that the indicator change is not described as something the speaker said.qwen3.5-omni-flash-2026-03-15Qwen3.5-Omni-Flash 2026-03-15 ist ein multimodaler Snapshot, der Text, Bilder, Audio und Video annimmt und Text oder Sprache zurückgibt. Verwenden Sie seine eigenständige Edition für wiederholbare Medienbriefings und gesprochene Erklärungen mit dokumentierten Ein- und Ausgabegrenzen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3.5-Omni-Flash 2026-03-15 ist Alibabas benannter multimodaler Snapshot vom 15. März für Textproduktion, Sprachassistenten und Multimediaanalyse. Er nimmt Text, Bilder, Audio und Video einschließlich gemischter Eingaben entgegen und erzeugt Text oder Text mit Sprache. Seine datierte Identität unterscheidet sich vom undatierten Flash-Alias und von Realtime-Modellen. Eine dokumentierte Aufgabe kann diesen Editionsnamen zusammen mit den geprüften Medien und Anweisungen aufbewahren.
Die Eingabe kann ein Bild mit einer gesprochenen Frage verbinden oder Bild und Ton eines Videos mit schriftlichen Anweisungen kombinieren. Das ist nützlich, wenn eine reine Textzusammenfassung den Zusammenhang zwischen Gesehenem und Gehörtem verlieren würde. Fragen Sie bei einem Medienbriefing die sichtbare Abfolge, den Wortlaut im Bild und die gesprochenen Inhalte getrennt ab und fordern Sie quellenbezogene Zeitstempel an, wenn die Ereignisreihenfolge relevant ist. Neben Sprache können auch Geräuscheffekte und andere nichtsprachliche Audiosignale zur Analyse beitragen.
Legen Sie für eine Sprachantwort Sprache, Zielgruppe und Vortragsweise fest. Qwens Leitfaden dokumentiert Anweisungen zu Lautstärke, Sprechgeschwindigkeit und Emotion. Er führt 113 Sprachen und Dialekte für Audioeingaben und 36 Sprachen und Dialekte für Sprachausgaben an, darunter Englisch, Französisch, Deutsch und Russisch. Der Stimmenkatalog nennt Tina als Standard und enthält Optionen wie Serena und Ethan. Wählen Sie die Stimme und fordern Sie eine knappe Erklärung in bedachtem Tempo an, statt sich zur Bestimmung des Ausgabestils auf die Eingabestimme zu verlassen.
Der dokumentierte HTTP-Sprach-Workflow liefert gestreamten Text und Base64-kodierte Audioblöcke zurück. Sein WAV-Beispiel verwendet 24 kHz, mono, 16-Bit-PCM; eine Anwendung kann die Blöcke zu einer Audiodatei zusammenfügen oder sie bei ihrem Eintreffen für die Wiedergabe dekodieren. Dies ist gestreamte Generierung aus einer eingereichten Anfrage. Live-Erkennung von Gesprächswechseln, Unterbrechungsbehandlung und Gespräche über das Mikrofon gehören zu gesondert benannten Realtime-Modellen. Die Familientabelle von Qwen3.5-Omni bietet keinen Modus für tiefgehendes Denken.
Dieser Flash-Snapshot führt Websuche und Function Calling an, wobei Function Calling auf Beijing Chat Completions und Textausgabe begrenzt ist. Structured Outputs ist als nicht unterstützt gekennzeichnet: Eine Anfrage nach chronologischen Abschnitten ist eine Anweisung zum Textformat und kein formal beschränkter JSON-Modus. Die Werkzeugausführung übernimmt die umgebende Anwendung, die das Werkzeugergebnis für den nächsten Modellschritt zurückgibt. Präfixvervollständigung, Kontext-Caching, Batch-Inferenz und Fine-Tuning sind für diesen Snapshot ebenfalls als nicht unterstützt gekennzeichnet.
Das veröffentlichte Kontextfenster beträgt 262.144 Tokens, mit maximal 196.608 Eingabetokens und maximal 65.536 Ausgabetokens. Gemischte Medien und Text teilen sich das Kontextbudget. Alibabas HTTP-Leitfaden erlaubt für diese Reihe bis zu drei Stunden Audio oder eine Stunde Video; er führt AMR, WAV, 3GP, 3GPP, AAC und MP3 für Audio sowie MP4, AVI, MKV, MOV, FLV und WMV für Video an. Audio- oder Videodateien per URL dürfen bis zu 2 GB groß sein; Base64-kodierte Medien müssen kleiner als 10 MB sein. Dies sind die Datei-Workflow-Grenzen des Herstellers und unterscheiden sich von der Beschreibung in der Modelleinführung, die das Verständnis von über zehn Stunden Audio oder über 400 Sekunden 720p-Video bei einer Abtastung von 1 FPS nennt.
Bilder haben in diesem Leitfaden eigene Vorbereitungsgrenzen: bis zu 20 MB pro Bild per URL, Abmessungen von mehr als 10 Pixeln auf jeder Seite und ein Seitenverhältnis nicht extremer als 200:1. Der Leitfaden erlaubt bis zu 2.048 Bilder oder Audiodateien per URL und 512 Videodateien per URL; Base64-Eingaben erlauben bis zu 250 Dateien. Diese Übertragungsgrenzen unterliegen weiterhin dem gemeinsamen Eingabetokenbudget. Die Reihe kann mehrere Medientypen in einer Anfrage kombinieren. Wählen Sie den relevanten Ausschnitt, machen Sie kleine Beschriftungen lesbar und erklären Sie die Beziehung zwischen separaten Eingaben. Die dokumentierten Dateianzahlgrenzen unterscheiden sich nach Modalität und Übertragungsmethode; jede Eingabe muss weiterhin in das gemeinsame Tokenbudget passen.
Individuelles Stimmenklonen wird laut Qwen3.5-Omni-Leitfaden vom benannten Snapshot vom 15. März nicht unterstützt. Wählen Sie für gesprochene Ausgaben eine dokumentierte Katalogstimme und beschreiben Sie die gewünschte Vortragsweise im schriftlichen Briefing. Übertragen Sie den gesonderten Workflow zur Stimmenregistrierung des undatierten Flash-Alias nicht auf diese Edition. Eine Katalogstimme kennzeichnet den Sprecherstil; Anweisungen können Lautstärke, Sprechgeschwindigkeit und Emotion gestalten.
Stellen Sie für einen wiederholbaren Medienbericht den relevanten Clip bereit und fordern Sie Ereignisse, sichtbaren Wortlaut und Sprache in getrennten chronologischen Abschnitten an, jeweils mit Quellenzeitstempeln verknüpft. Ergänzen Sie für eine didaktische Antwort ein Diagramm und eine aufgezeichnete Frage des Lernenden: „Erklären Sie die beschrifteten Teile, beantworten Sie die Audiofrage auf Englisch und liefern Sie Text und eine ruhig gesprochene Antwort.“ Bewahren Sie Eingabeausschnitt, Editionsnamen und Prompt gemeinsam auf und geben Sie an, ob die Ausgabe die Quelle transkribieren oder sie für eine neue Zielgruppe erklären soll.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen3.5-omni-flash-2026-03-15 | 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 $0.00069 / 1K Tokens Ausgabe · Ausgabetoken $0.00418 / 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": "qwen3.5-omni-flash-2026-03-15", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen3.5-omni-flash-2026-03-15',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen3.5-omni-flash-2026-03-15',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 qwen3.5-omni-flash-2026-03-15
Verwenden Sie die oben angezeigten Methodenpfade.
qwen3.5-omni-flash-2026-03-15Qwen3.5-Omni-Flash 2026-03-15 ist ein multimodaler Snapshot, der Text, Bilder, Audio und Video annimmt und Text oder Sprache zurückgibt. Verwenden Sie seine eigenständige Edition für wiederholbare Medienbriefings und gesprochene Erklärungen mit dokumentierten Ein- und Ausgabegrenzen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3.5-Omni-Flash 2026-03-15 ist Alibabas benannter multimodaler Snapshot vom 15. März für Textproduktion, Sprachassistenten und Multimediaanalyse. Er nimmt Text, Bilder, Audio und Video einschließlich gemischter Eingaben entgegen und erzeugt Text oder Text mit Sprache. Seine datierte Identität unterscheidet sich vom undatierten Flash-Alias und von Realtime-Modellen. Eine dokumentierte Aufgabe kann diesen Editionsnamen zusammen mit den geprüften Medien und Anweisungen aufbewahren.
Die Eingabe kann ein Bild mit einer gesprochenen Frage verbinden oder Bild und Ton eines Videos mit schriftlichen Anweisungen kombinieren. Das ist nützlich, wenn eine reine Textzusammenfassung den Zusammenhang zwischen Gesehenem und Gehörtem verlieren würde. Fragen Sie bei einem Medienbriefing die sichtbare Abfolge, den Wortlaut im Bild und die gesprochenen Inhalte getrennt ab und fordern Sie quellenbezogene Zeitstempel an, wenn die Ereignisreihenfolge relevant ist. Neben Sprache können auch Geräuscheffekte und andere nichtsprachliche Audiosignale zur Analyse beitragen.
Legen Sie für eine Sprachantwort Sprache, Zielgruppe und Vortragsweise fest. Qwens Leitfaden dokumentiert Anweisungen zu Lautstärke, Sprechgeschwindigkeit und Emotion. Er führt 113 Sprachen und Dialekte für Audioeingaben und 36 Sprachen und Dialekte für Sprachausgaben an, darunter Englisch, Französisch, Deutsch und Russisch. Der Stimmenkatalog nennt Tina als Standard und enthält Optionen wie Serena und Ethan. Wählen Sie die Stimme und fordern Sie eine knappe Erklärung in bedachtem Tempo an, statt sich zur Bestimmung des Ausgabestils auf die Eingabestimme zu verlassen.
Der dokumentierte HTTP-Sprach-Workflow liefert gestreamten Text und Base64-kodierte Audioblöcke zurück. Sein WAV-Beispiel verwendet 24 kHz, mono, 16-Bit-PCM; eine Anwendung kann die Blöcke zu einer Audiodatei zusammenfügen oder sie bei ihrem Eintreffen für die Wiedergabe dekodieren. Dies ist gestreamte Generierung aus einer eingereichten Anfrage. Live-Erkennung von Gesprächswechseln, Unterbrechungsbehandlung und Gespräche über das Mikrofon gehören zu gesondert benannten Realtime-Modellen. Die Familientabelle von Qwen3.5-Omni bietet keinen Modus für tiefgehendes Denken.
Dieser Flash-Snapshot führt Websuche und Function Calling an, wobei Function Calling auf Beijing Chat Completions und Textausgabe begrenzt ist. Structured Outputs ist als nicht unterstützt gekennzeichnet: Eine Anfrage nach chronologischen Abschnitten ist eine Anweisung zum Textformat und kein formal beschränkter JSON-Modus. Die Werkzeugausführung übernimmt die umgebende Anwendung, die das Werkzeugergebnis für den nächsten Modellschritt zurückgibt. Präfixvervollständigung, Kontext-Caching, Batch-Inferenz und Fine-Tuning sind für diesen Snapshot ebenfalls als nicht unterstützt gekennzeichnet.
Das veröffentlichte Kontextfenster beträgt 262.144 Tokens, mit maximal 196.608 Eingabetokens und maximal 65.536 Ausgabetokens. Gemischte Medien und Text teilen sich das Kontextbudget. Alibabas HTTP-Leitfaden erlaubt für diese Reihe bis zu drei Stunden Audio oder eine Stunde Video; er führt AMR, WAV, 3GP, 3GPP, AAC und MP3 für Audio sowie MP4, AVI, MKV, MOV, FLV und WMV für Video an. Audio- oder Videodateien per URL dürfen bis zu 2 GB groß sein; Base64-kodierte Medien müssen kleiner als 10 MB sein. Dies sind die Datei-Workflow-Grenzen des Herstellers und unterscheiden sich von der Beschreibung in der Modelleinführung, die das Verständnis von über zehn Stunden Audio oder über 400 Sekunden 720p-Video bei einer Abtastung von 1 FPS nennt.
Bilder haben in diesem Leitfaden eigene Vorbereitungsgrenzen: bis zu 20 MB pro Bild per URL, Abmessungen von mehr als 10 Pixeln auf jeder Seite und ein Seitenverhältnis nicht extremer als 200:1. Der Leitfaden erlaubt bis zu 2.048 Bilder oder Audiodateien per URL und 512 Videodateien per URL; Base64-Eingaben erlauben bis zu 250 Dateien. Diese Übertragungsgrenzen unterliegen weiterhin dem gemeinsamen Eingabetokenbudget. Die Reihe kann mehrere Medientypen in einer Anfrage kombinieren. Wählen Sie den relevanten Ausschnitt, machen Sie kleine Beschriftungen lesbar und erklären Sie die Beziehung zwischen separaten Eingaben. Die dokumentierten Dateianzahlgrenzen unterscheiden sich nach Modalität und Übertragungsmethode; jede Eingabe muss weiterhin in das gemeinsame Tokenbudget passen.
Individuelles Stimmenklonen wird laut Qwen3.5-Omni-Leitfaden vom benannten Snapshot vom 15. März nicht unterstützt. Wählen Sie für gesprochene Ausgaben eine dokumentierte Katalogstimme und beschreiben Sie die gewünschte Vortragsweise im schriftlichen Briefing. Übertragen Sie den gesonderten Workflow zur Stimmenregistrierung des undatierten Flash-Alias nicht auf diese Edition. Eine Katalogstimme kennzeichnet den Sprecherstil; Anweisungen können Lautstärke, Sprechgeschwindigkeit und Emotion gestalten.
Stellen Sie für einen wiederholbaren Medienbericht den relevanten Clip bereit und fordern Sie Ereignisse, sichtbaren Wortlaut und Sprache in getrennten chronologischen Abschnitten an, jeweils mit Quellenzeitstempeln verknüpft. Ergänzen Sie für eine didaktische Antwort ein Diagramm und eine aufgezeichnete Frage des Lernenden: „Erklären Sie die beschrifteten Teile, beantworten Sie die Audiofrage auf Englisch und liefern Sie Text und eine ruhig gesprochene Antwort.“ Bewahren Sie Eingabeausschnitt, Editionsnamen und Prompt gemeinsam auf und geben Sie an, ob die Ausgabe die Quelle transkribieren oder sie für eine neue Zielgruppe erklären soll.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen3.5-omni-flash-2026-03-15 | 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 $0.00069 / 1K Tokens Ausgabe · Ausgabetoken $0.00418 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen3.5-omni-flash-2026-03-15",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3.5-omni-flash-2026-03-15', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3.5-omni-flash-2026-03-15', '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 qwen3.5-omni-flash-2026-03-15
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Separate speech from scene notes\n\nPrepare a chronological report from these transcribed media notes: 00:00 a green indicator is visible; 00:03 speaker says “Wait for the light”; 00:05 indicator turns amber; 00:08 speaker says “Now disconnect.” Separate described visuals from quoted speech and list the action instruction with its time. Return text only.A timeline with distinct visual and speech entries, followed by the timed instruction.Check that the instruction stays at 00:08 and that the indicator change is not described as something the speaker said.