Το Qwen-Audio-3.0-Realtime-Plus είναι μοντέλο της Alibaba για ζωντανό φωνητικό διάλογο. Δέχεται ομιλία και κείμενο, απαντά με ήχο και κείμενο και υποστηρίζει αμφίδρομη συνομιλία με φυσική εναλλαγή μεταξύ των συνομιλητών. Ο ήχος μπορεί να αποστέλλεται και να λαμβάνεται τμηματικά, ώστε η αλληλεπίδραση να εξελίσσεται κατά τη διάρκεια της συνομιλίας.
Υπάρχουν διάφοροι τρόποι προσδιορισμού των ορίων μιας εκφώνησης: από τη δραστηριότητα του ήχου, από τη νοηματική ολοκλήρωση και με ρητό έλεγχο. Στην υλοποίηση του κατασκευαστή η λειτουργία επιλέγεται πριν αποσταλεί ο πρώτος ήχος· για να αλλάξει μετά την έναρξη της συνομιλίας απαιτείται νέα σύνδεση. Η υποστήριξη αυτού του ελέγχου εξαρτάται από την επιλεγμένη μέθοδο. Η νοηματική λειτουργία λαμβάνει υπόψη παύσεις και λέξεις πλήρωσης του λόγου: ένα σύντομο κόμπιασμα δεν σημαίνει απαραίτητα ότι ο χρήστης ολοκλήρωσε τη σκέψη του. Νέα ομιλία του χρήστη μπορεί να διακόψει την απάντηση που παράγεται, ώστε η συνομιλία να συνεχιστεί λαμβάνοντας υπόψη την επόμενη παρέμβαση. Στη νοηματική λειτουργία, η αναγνώριση μπορεί να προσανατολιστεί σε δείγμα ομιλίας του επιλεγμένου συνομιλητή, για να αποσπάται λιγότερο από άλλες φωνές και θόρυβο περιβάλλοντος.
Οι οδηγίες καθορίζουν τον ρόλο του βοηθού και το ύφος της συνομιλίας. Η φωνητική απόδοση μπορεί να λαμβάνει υπόψη τον τόνο, τον ρυθμό και το συναίσθημα· για την έκδοση 3.0 προβλέπονται πέντε φωνές του συστήματος και φωνές βάσει δείγματος ομιλίας. Το μοντέλο υποστηρίζει 11 γλώσσες, μεταξύ των οποίων τα ρωσικά, καθώς και τις παραλλαγές κινεζικών διαλέκτων που αναφέρει ο κατασκευαστής. Στην υλοποίηση του κατασκευαστή η φωνή ορίζεται κατά την πρώτη ενημέρωση των ρυθμίσεων της συνεδρίας· αν αποσταλεί νέα φωνή αργότερα στην ίδια συνομιλία, αγνοείται. Αυτές οι ρυθμίσεις απαιτούν υποστήριξη από τον επιλεγμένο τρόπο πρόσβασης.
Υποστηρίζονται κλήσεις συναρτήσεων. Το μοντέλο διαμορφώνει την απαιτούμενη ενέργεια, η συνδεδεμένη εφαρμογή την εκτελεί και επιστρέφει το αποτέλεσμα στη συνομιλία. Έτσι η συνομιλία μπορεί να βασίζεται σε πραγματικά δεδομένα και να συνεχίζεται μετά την ολοκλήρωση της ενέργειας. Ο φωνητικός βοηθός μπορεί να αξιοποιεί αποτελέσματα εργαλείων, διατηρώντας τα συμφραζόμενα της συζήτησης. Οι δυνατότητες του κατασκευαστή περιλαμβάνουν επίσης ενσωματωμένη αναζήτηση στον ιστό, εφόσον την παρέχει η επιλεγμένη μέθοδος. Η αναζήτηση στον ιστό και οι κλήσεις συναρτήσεων δεν μπορούν να ενεργοποιηθούν ταυτόχρονα στην ίδια συνεδρία.
Από προεπιλογή, το ιστορικό περιέχει 20 γύρους συνομιλίας, με διαθέσιμο εύρος από έναν έως 50. Για τον συσσωρευμένο ήχο ισχύει όριο 300 δευτερολέπτων· όταν ξεπερνιούνται τα όρια, αφαιρούνται τα παλαιότερα τμήματα του ιστορικού. Αυτό διαφέρει από τη διάρκεια μιας μεμονωμένης εκφώνησης: το ιστορικό καθορίζει ποιο προηγούμενο υλικό παραμένει διαθέσιμο όταν συνεχίζεται η συνομιλία.
Το ονομαστικό παράθυρο συμφραζομένων είναι 40 960 token. Το ανώτατο όριο εισόδου είναι 16 384 token και εξόδου 8192· τα ίδια όρια εισόδου και εξόδου αναφέρονται για τη λειτουργία συλλογισμού, με ξεχωριστό όριο 1024 token για την αλυσίδα συλλογισμού.
Για τον ήχο σε ροή προβλέπεται μονοκαναλικό PCM με αναπαράσταση 16 bit: στην είσοδο 16 kHz και στην έξοδο 24 kHz. Τα δεδομένα κειμένου και ήχου ανήκουν στην ίδια συνομιλία. Για το συγκεκριμένο μοντέλο δεν έχει δηλωθεί οπτική είσοδος ούτε παραγωγή εικόνων· εξειδικεύεται στην ομιλία, το κείμενο και τη φωνητική αλληλεπίδραση.
", "aboutText": "Το Qwen-Audio-3.0-Realtime-Plus είναι μοντέλο της Alibaba για ζωντανό φωνητικό διάλογο. Δέχεται ομιλία και κείμενο, απαντά με ήχο και κείμενο και υποστηρίζει αμφίδρομη συνομιλία με φυσική εναλλαγή μεταξύ των συνομιλητών. Ο ήχος μπορεί να αποστέλλεται και να λαμβάνεται τμηματικά, ώστε η αλληλεπίδραση να εξελίσσεται κατά τη διάρκεια της συνομιλίας.\n\n### Πότε ο συνομιλητής ολοκληρώνει τη σκέψη του\n\nΥπάρχουν διάφοροι τρόποι προσδιορισμού των ορίων μιας εκφώνησης: από τη δραστηριότητα του ήχου, από τη νοηματική ολοκλήρωση και με ρητό έλεγχο. Στην υλοποίηση του κατασκευαστή η λειτουργία επιλέγεται πριν αποσταλεί ο πρώτος ήχος· για να αλλάξει μετά την έναρξη της συνομιλίας απαιτείται νέα σύνδεση. Η υποστήριξη αυτού του ελέγχου εξαρτάται από την επιλεγμένη μέθοδο. Η νοηματική λειτουργία λαμβάνει υπόψη παύσεις και λέξεις πλήρωσης του λόγου: ένα σύντομο κόμπιασμα δεν σημαίνει απαραίτητα ότι ο χρήστης ολοκλήρωσε τη σκέψη του. Νέα ομιλία του χρήστη μπορεί να διακόψει την απάντηση που παράγεται, ώστε η συνομιλία να συνεχιστεί λαμβάνοντας υπόψη την επόμενη παρέμβαση. Στη νοηματική λειτουργία, η αναγνώριση μπορεί να προσανατολιστεί σε δείγμα ομιλίας του επιλεγμένου συνομιλητή, για να αποσπάται λιγότερο από άλλες φωνές και θόρυβο περιβάλλοντος.\n\nΟι οδηγίες καθορίζουν τον ρόλο του βοηθού και το ύφος της συνομιλίας. Η φωνητική απόδοση μπορεί να λαμβάνει υπόψη τον τόνο, τον ρυθμό και το συναίσθημα· για την έκδοση 3.0 προβλέπονται πέντε φωνές του συστήματος και φωνές βάσει δείγματος ομιλίας. Το μοντέλο υποστηρίζει 11 γλώσσες, μεταξύ των οποίων τα ρωσικά, καθώς και τις παραλλαγές κινεζικών διαλέκτων που αναφέρει ο κατασκευαστής. Στην υλοποίηση του κατασκευαστή η φωνή ορίζεται κατά την πρώτη ενημέρωση των ρυθμίσεων της συνεδρίας· αν αποσταλεί νέα φωνή αργότερα στην ίδια συνομιλία, αγνοείται. Αυτές οι ρυθμίσεις απαιτούν υποστήριξη από τον επιλεγμένο τρόπο πρόσβασης.\n\n### Εργαλεία και ιστορικό συνομιλίας\n\nΥποστηρίζονται κλήσεις συναρτήσεων. Το μοντέλο διαμορφώνει την απαιτούμενη ενέργεια, η συνδεδεμένη εφαρμογή την εκτελεί και επιστρέφει το αποτέλεσμα στη συνομιλία. Έτσι η συνομιλία μπορεί να βασίζεται σε πραγματικά δεδομένα και να συνεχίζεται μετά την ολοκλήρωση της ενέργειας. Ο φωνητικός βοηθός μπορεί να αξιοποιεί αποτελέσματα εργαλείων, διατηρώντας τα συμφραζόμενα της συζήτησης. Οι δυνατότητες του κατασκευαστή περιλαμβάνουν επίσης ενσωματωμένη αναζήτηση στον ιστό, εφόσον την παρέχει η επιλεγμένη μέθοδος. Η αναζήτηση στον ιστό και οι κλήσεις συναρτήσεων δεν μπορούν να ενεργοποιηθούν ταυτόχρονα στην ίδια συνεδρία.\n\nΑπό προεπιλογή, το ιστορικό περιέχει 20 γύρους συνομιλίας, με διαθέσιμο εύρος από έναν έως 50. Για τον συσσωρευμένο ήχο ισχύει όριο 300 δευτερολέπτων· όταν ξεπερνιούνται τα όρια, αφαιρούνται τα παλαιότερα τμήματα του ιστορικού. Αυτό διαφέρει από τη διάρκεια μιας μεμονωμένης εκφώνησης: το ιστορικό καθορίζει ποιο προηγούμενο υλικό παραμένει διαθέσιμο όταν συνεχίζεται η συνομιλία.\n\n### Παράθυρο κειμένου και ήχος\n\nΤο ονομαστικό παράθυρο συμφραζομένων είναι 40 960 token. Το ανώτατο όριο εισόδου είναι 16 384 token και εξόδου 8192· τα ίδια όρια εισόδου και εξόδου αναφέρονται για τη λειτουργία συλλογισμού, με ξεχωριστό όριο 1024 token για την αλυσίδα συλλογισμού.\n\nΓια τον ήχο σε ροή προβλέπεται μονοκαναλικό PCM με αναπαράσταση 16 bit: στην είσοδο 16 kHz και στην έξοδο 24 kHz. Τα δεδομένα κειμένου και ήχου ανήκουν στην ίδια συνομιλία. Για το συγκεκριμένο μοντέλο δεν έχει δηλωθεί οπτική είσοδος ούτε παραγωγή εικόνων· εξειδικεύεται στην ομιλία, το κείμενο και τη φωνητική αλληλεπίδραση.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "e516f7658efaf2275365d20411122fa0190c38d8628513519535c0430a76af02", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "el", "methods": [ { "html": "qwen-audio-3.0-realtime-plusΜοντέλο ζωντανού φωνητικού διαλόγου που δέχεται ομιλία και κείμενο και απαντά με φωνή ή κείμενο. Έχει σχεδιαστεί για φυσικό ρυθμό επικοινωνίας και αλληλεπίδραση με εργαλεία.
Αυτή η περιγραφή καλύπτει τις δυνατότητες του μοντέλου. Οι είσοδοι, έξοδοι και επιλογές που διατίθενται στο Ailoot παρατίθενται παρακάτω για την επιλεγμένη μέθοδο.
Το Qwen-Audio-3.0-Realtime-Plus είναι μοντέλο της Alibaba για ζωντανό φωνητικό διάλογο. Δέχεται ομιλία και κείμενο, απαντά με ήχο και κείμενο και υποστηρίζει αμφίδρομη συνομιλία με φυσική εναλλαγή μεταξύ των συνομιλητών. Ο ήχος μπορεί να αποστέλλεται και να λαμβάνεται τμηματικά, ώστε η αλληλεπίδραση να εξελίσσεται κατά τη διάρκεια της συνομιλίας.
Υπάρχουν διάφοροι τρόποι προσδιορισμού των ορίων μιας εκφώνησης: από τη δραστηριότητα του ήχου, από τη νοηματική ολοκλήρωση και με ρητό έλεγχο. Στην υλοποίηση του κατασκευαστή η λειτουργία επιλέγεται πριν αποσταλεί ο πρώτος ήχος· για να αλλάξει μετά την έναρξη της συνομιλίας απαιτείται νέα σύνδεση. Η υποστήριξη αυτού του ελέγχου εξαρτάται από την επιλεγμένη μέθοδο. Η νοηματική λειτουργία λαμβάνει υπόψη παύσεις και λέξεις πλήρωσης του λόγου: ένα σύντομο κόμπιασμα δεν σημαίνει απαραίτητα ότι ο χρήστης ολοκλήρωσε τη σκέψη του. Νέα ομιλία του χρήστη μπορεί να διακόψει την απάντηση που παράγεται, ώστε η συνομιλία να συνεχιστεί λαμβάνοντας υπόψη την επόμενη παρέμβαση. Στη νοηματική λειτουργία, η αναγνώριση μπορεί να προσανατολιστεί σε δείγμα ομιλίας του επιλεγμένου συνομιλητή, για να αποσπάται λιγότερο από άλλες φωνές και θόρυβο περιβάλλοντος.
Οι οδηγίες καθορίζουν τον ρόλο του βοηθού και το ύφος της συνομιλίας. Η φωνητική απόδοση μπορεί να λαμβάνει υπόψη τον τόνο, τον ρυθμό και το συναίσθημα· για την έκδοση 3.0 προβλέπονται πέντε φωνές του συστήματος και φωνές βάσει δείγματος ομιλίας. Το μοντέλο υποστηρίζει 11 γλώσσες, μεταξύ των οποίων τα ρωσικά, καθώς και τις παραλλαγές κινεζικών διαλέκτων που αναφέρει ο κατασκευαστής. Στην υλοποίηση του κατασκευαστή η φωνή ορίζεται κατά την πρώτη ενημέρωση των ρυθμίσεων της συνεδρίας· αν αποσταλεί νέα φωνή αργότερα στην ίδια συνομιλία, αγνοείται. Αυτές οι ρυθμίσεις απαιτούν υποστήριξη από τον επιλεγμένο τρόπο πρόσβασης.
Υποστηρίζονται κλήσεις συναρτήσεων. Το μοντέλο διαμορφώνει την απαιτούμενη ενέργεια, η συνδεδεμένη εφαρμογή την εκτελεί και επιστρέφει το αποτέλεσμα στη συνομιλία. Έτσι η συνομιλία μπορεί να βασίζεται σε πραγματικά δεδομένα και να συνεχίζεται μετά την ολοκλήρωση της ενέργειας. Ο φωνητικός βοηθός μπορεί να αξιοποιεί αποτελέσματα εργαλείων, διατηρώντας τα συμφραζόμενα της συζήτησης. Οι δυνατότητες του κατασκευαστή περιλαμβάνουν επίσης ενσωματωμένη αναζήτηση στον ιστό, εφόσον την παρέχει η επιλεγμένη μέθοδος. Η αναζήτηση στον ιστό και οι κλήσεις συναρτήσεων δεν μπορούν να ενεργοποιηθούν ταυτόχρονα στην ίδια συνεδρία.
Από προεπιλογή, το ιστορικό περιέχει 20 γύρους συνομιλίας, με διαθέσιμο εύρος από έναν έως 50. Για τον συσσωρευμένο ήχο ισχύει όριο 300 δευτερολέπτων· όταν ξεπερνιούνται τα όρια, αφαιρούνται τα παλαιότερα τμήματα του ιστορικού. Αυτό διαφέρει από τη διάρκεια μιας μεμονωμένης εκφώνησης: το ιστορικό καθορίζει ποιο προηγούμενο υλικό παραμένει διαθέσιμο όταν συνεχίζεται η συνομιλία.
Το ονομαστικό παράθυρο συμφραζομένων είναι 40 960 token. Το ανώτατο όριο εισόδου είναι 16 384 token και εξόδου 8192· τα ίδια όρια εισόδου και εξόδου αναφέρονται για τη λειτουργία συλλογισμού, με ξεχωριστό όριο 1024 token για την αλυσίδα συλλογισμού.
Για τον ήχο σε ροή προβλέπεται μονοκαναλικό PCM με αναπαράσταση 16 bit: στην είσοδο 16 kHz και στην έξοδο 24 kHz. Τα δεδομένα κειμένου και ήχου ανήκουν στην ίδια συνομιλία. Για το συγκεκριμένο μοντέλο δεν έχει δηλωθεί οπτική είσοδος ούτε παραγωγή εικόνων· εξειδικεύεται στην ομιλία, το κείμενο και τη φωνητική αλληλεπίδραση.
GET /v1/realtime?model=qwen-audio-3.0-realtime-plustext, audiotext, audio| Πεδίο | Τύπος | Απαίτηση | Τιμές και όρια | Προεπιλογή |
|---|---|---|---|---|
Πεδίοquery.model | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια qwen-audio-3.0-realtime-plus | Προεπιλογή— |
Πεδίοsession.input_audio_format | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια pcm16, pcm | Προεπιλογή— |
Πεδίοsession.output_audio_format | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια pcm16, pcm | Προεπιλογή— |
Πεδίοsession.instructions | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Το όριο εφαρμόζεται σε: επιλεγμένη πολιτική συνεδρίας | Προεπιλογή— |
Πεδίοsession.max_history_turns | Τύποςinteger | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Ελάχιστο: 1 Το όριο εφαρμόζεται σε: επιλεγμένη πολιτική συνεδρίας | Προεπιλογή— |
Πεδίοinput_audio_buffer.append.audio | Τύποςbase64_string | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια Περιεχόμενο εισόδου: Μονοφωνικό PCM16· είσοδος 16 kHz, έξοδος 24 kHz· μη κενό άρτιο πλήθος byte | Προεπιλογή— |
realtime_text_audio
| Παράμετρος | Σύμβαση |
|---|---|
Παράμετροςmaterial_types | Σύμβασηtext, audio |
Παράμετροςrequired | Σύμβασηnull |
Παράμετροςoptional_controls | Σύμβασηnull |
Παράμετροςcontent_type | ΣύμβασηWebSocket |
Κύκλος ζωής: exact retained published method
Οι δομές και τα ID των μεθόδων είναι ακριβή· η δυνατότητα του προμηθευτή είναι ξεχωριστή από την αποδοχή αιτημάτων.
GET /v1/realtime?model=qwen-audio-3.0-realtime-plusΤο Ailoot δεσμεύει ένα εκτιμώμενο ποσό πριν από το αίτημα. Μετά το αποτέλεσμα, εκκαθαρίζει την τελική χρέωση βάσει της μετρημένης χρήσης. Η εκκαθάριση ροής χρησιμοποιεί την τελική καταγραφή χρήσης. Πώς λειτουργούν η δέσμευση και η εκκαθάριση →
# Install the documented client once: python3 -m pip install websockets\nimport base64, json, os, time, wave\nfrom pathlib import Path\nfrom websockets.sync.client import connect\n\nkey = os.environ.get("AILOOT_API_KEY", "")\nif not key.strip():\n raise SystemExit("Set your AILOOT_API_KEY before connecting")\nfile = Path(os.environ.get("AILOOT_TEXT_FILE", ""))\nif not file.is_file(): raise SystemExit("Set AILOOT_TEXT_FILE to your actual UTF-8 material")\nmaterial = file.read_text(encoding="utf-8")\nif not material.strip(): raise SystemExit("Text material must not be empty")\nout = Path("realtime-results")\nout.mkdir(exist_ok=True)\naudio, texts, complete = {}, {}, []\ncurrent_response = None\npending = False\ndeadline = time.monotonic() + 570 # Local client bound; lower server/session limits still apply.\n\ndef receive(ws, log):\n global current_response, pending\n left = deadline - time.monotonic()\n if left <= 0:\n raise TimeoutError("Client session limit; preserve IDs and partial results, do not replay")\n event = json.loads(ws.recv(timeout=min(60, left)))\n log.write(json.dumps(event, ensure_ascii=False) + "\\n")\n log.flush()\n kind = event.get("type")\n if kind == "error":\n raise RuntimeError(json.dumps(event, ensure_ascii=False))\n if kind == "response.created":\n current_response = event["response"]["id"]\n if kind in {"response.audio.delta", "response.output_audio.delta", "response.text.delta", "response.output_text.delta", "response.audio_transcript.delta", "response.output_audio_transcript.delta", "response.text.done", "response.audio_transcript.done"}:\n identity = (event["response_id"], event["item_id"], event["output_index"], event["content_index"])\n if kind in {"response.audio.delta", "response.output_audio.delta"}:\n raw = base64.b64decode(event["delta"], validate=True)\n if len(raw) % 2: raise ValueError("Output PCM16 chunk must have an even byte length")\n audio.setdefault(identity, bytearray()).extend(raw)\n elif kind.endswith(".done"):\n texts[identity] = event.get("text", event.get("transcript", ""))\n else:\n texts[identity] = texts.get(identity, "") + event["delta"]\n print(event["delta"], end="", flush=True)\n if kind == "response.done":\n response = event["response"]\n complete.append(response)\n if current_response is None: current_response = response["id"]\n if response["id"] == current_response: pending = False\n return event\n\ndef wait_for(ws, log, kind):\n while True:\n event = receive(ws, log)\n if event.get("type") == kind: return event\n\ndef send(ws, event):\n ws.send(json.dumps(event, ensure_ascii=False))\n\ntry:\n # One exact model query; no reconnect/retry loop and no provider credentials.\n with connect("wss://api.ailoot.ai/v1/realtime?model=qwen-audio-3.0-realtime-plus", additional_headers={"Authorization": "Bearer " + key}) as ws:\n with (out / "events.jsonl").open("w", encoding="utf-8") as log:\n wait_for(ws, log, "session.created")\n send(ws, {"type":"session.update", "session":{"modalities":["audio","text"], "input_audio_format":"pcm", "output_audio_format":"pcm", "turn_detection":None}})\n wait_for(ws, log, "session.updated")\n send(ws, {"type":"conversation.item.create", "item":{"type":"message", "role":"user", "content":[{"type":"input_text", "text":material}]}})\n send(ws, {"type":"response.create"})\n pending = True\n try:\n while pending: receive(ws, log)\n except KeyboardInterrupt:\n # Cancel the actual current inference, then preserve its returned status.\n send(ws, {"type":"response.cancel"})\n while pending: receive(ws, log)\n if not complete or complete[-1].get("status") != "completed":\n raise RuntimeError("Response did not complete normally; inspect saved events and status")\nfinally:\n manifest = {"responses":complete, "parts":[]}\n for number, identity in enumerate(dict.fromkeys(list(audio) + list(texts))):\n record = {"response_id":identity[0], "item_id":identity[1], "output_index":identity[2], "content_index":identity[3]}\n if identity in audio:\n raw = bytes(audio[identity])\n pcm_file = out / ("audio-" + str(number) + ".pcm")\n wav_file = out / ("audio-" + str(number) + ".wav")\n pcm_file.write_bytes(raw)\n with wave.open(str(wav_file), "wb") as wav:\n wav.setnchannels(1); wav.setsampwidth(2); wav.setframerate(24000); wav.writeframes(raw)\n record.update({"pcm":str(pcm_file), "wav":str(wav_file), "sample_rate_hz":24000})\n if identity in texts:\n text_file = out / ("text-" + str(number) + ".txt")\n text_file.write_text(texts[identity], encoding="utf-8")\n record["text"] = str(text_file)\n manifest["parts"].append(record)\n (out / "results.json").write_text(json.dumps(manifest, ensure_ascii=False, indent=2), encoding="utf-8")\n print("\\nSaved every received event and result in", out)\n# Install the documented client once: python3 -m pip install websockets\nimport base64, json, os, time, wave\nfrom pathlib import Path\nfrom websockets.sync.client import connect\n\nkey = os.environ.get("AILOOT_API_KEY", "")\nif not key.strip():\n raise SystemExit("Set your AILOOT_API_KEY before connecting")\nfile = Path(os.environ.get("AILOOT_AUDIO_FILE", ""))\nif not file.is_file(): raise SystemExit("Set AILOOT_AUDIO_FILE to your raw PCM16 mono 16-kHz recording")\nmaterial = file.read_bytes()\nif not material or len(material) % 2 or material.startswith(b"RIFF"):\n raise SystemExit("Use nonempty signed little-endian PCM16 mono 16-kHz bytes, not a WAV header")\nout = Path("realtime-results")\nout.mkdir(exist_ok=True)\naudio, texts, complete = {}, {}, []\ncurrent_response = None\npending = False\ndeadline = time.monotonic() + 570 # Local client bound; lower server/session limits still apply.\n\ndef receive(ws, log):\n global current_response, pending\n left = deadline - time.monotonic()\n if left <= 0:\n raise TimeoutError("Client session limit; preserve IDs and partial results, do not replay")\n event = json.loads(ws.recv(timeout=min(60, left)))\n log.write(json.dumps(event, ensure_ascii=False) + "\\n")\n log.flush()\n kind = event.get("type")\n if kind == "error":\n raise RuntimeError(json.dumps(event, ensure_ascii=False))\n if kind == "response.created":\n current_response = event["response"]["id"]\n if kind in {"response.audio.delta", "response.output_audio.delta", "response.text.delta", "response.output_text.delta", "response.audio_transcript.delta", "response.output_audio_transcript.delta", "response.text.done", "response.audio_transcript.done"}:\n identity = (event["response_id"], event["item_id"], event["output_index"], event["content_index"])\n if kind in {"response.audio.delta", "response.output_audio.delta"}:\n raw = base64.b64decode(event["delta"], validate=True)\n if len(raw) % 2: raise ValueError("Output PCM16 chunk must have an even byte length")\n audio.setdefault(identity, bytearray()).extend(raw)\n elif kind.endswith(".done"):\n texts[identity] = event.get("text", event.get("transcript", ""))\n else:\n texts[identity] = texts.get(identity, "") + event["delta"]\n print(event["delta"], end="", flush=True)\n if kind == "response.done":\n response = event["response"]\n complete.append(response)\n if current_response is None: current_response = response["id"]\n if response["id"] == current_response: pending = False\n return event\n\ndef wait_for(ws, log, kind):\n while True:\n event = receive(ws, log)\n if event.get("type") == kind: return event\n\ndef send(ws, event):\n ws.send(json.dumps(event, ensure_ascii=False))\n\ntry:\n # One exact model query; no reconnect/retry loop and no provider credentials.\n with connect("wss://api.ailoot.ai/v1/realtime?model=qwen-audio-3.0-realtime-plus", additional_headers={"Authorization": "Bearer " + key}) as ws:\n with (out / "events.jsonl").open("w", encoding="utf-8") as log:\n wait_for(ws, log, "session.created")\n send(ws, {"type":"session.update", "session":{"modalities":["audio","text"], "input_audio_format":"pcm", "output_audio_format":"pcm", "turn_detection":None}})\n wait_for(ws, log, "session.updated")\n for offset in range(0, len(material), 640):\n send(ws, {"type":"input_audio_buffer.append", "audio":base64.b64encode(material[offset:offset+640]).decode("ascii")})\n time.sleep(0.02)\n send(ws, {"type":"input_audio_buffer.commit"})\n wait_for(ws, log, "input_audio_buffer.committed")\n send(ws, {"type":"response.create"})\n pending = True\n try:\n while pending: receive(ws, log)\n except KeyboardInterrupt:\n # Cancel the actual current inference, then preserve its returned status.\n send(ws, {"type":"response.cancel"})\n while pending: receive(ws, log)\n if not complete or complete[-1].get("status") != "completed":\n raise RuntimeError("Response did not complete normally; inspect saved events and status")\nfinally:\n manifest = {"responses":complete, "parts":[]}\n for number, identity in enumerate(dict.fromkeys(list(audio) + list(texts))):\n record = {"response_id":identity[0], "item_id":identity[1], "output_index":identity[2], "content_index":identity[3]}\n if identity in audio:\n raw = bytes(audio[identity])\n pcm_file = out / ("audio-" + str(number) + ".pcm")\n wav_file = out / ("audio-" + str(number) + ".wav")\n pcm_file.write_bytes(raw)\n with wave.open(str(wav_file), "wb") as wav:\n wav.setnchannels(1); wav.setsampwidth(2); wav.setframerate(24000); wav.writeframes(raw)\n record.update({"pcm":str(pcm_file), "wav":str(wav_file), "sample_rate_hz":24000})\n if identity in texts:\n text_file = out / ("text-" + str(number) + ".txt")\n text_file.write_text(texts[identity], encoding="utf-8")\n record["text"] = str(text_file)\n manifest["parts"].append(record)\n (out / "results.json").write_text(json.dumps(manifest, ensure_ascii=False, indent=2), encoding="utf-8")\n print("\\nSaved every received event and result in", out)\nσυμβάντα συνεδρίας
Διατηρήστε κάθε πλήρη απάντηση, αρχείο και τμήμα περιεχομένου που επιστρέφεται.
Συναρμολογήστε κάθε τμήμα ήχου και αποτέλεσμα κειμένου ή συμβάντος που επιστρέφεται για κάθε πραγματικό ID απόκρισης.
Διατηρήστε τα πραγματικά ID συνεδρίας, απόκρισης και συμβάντων, καθώς και τα αποδεικτικά.
| Απάντηση | Συνθήκη | Επόμενο βήμα |
|---|---|---|
Απάντηση426 · invalid_request_error | ΣυνθήκηΔεν έγινε αναβάθμιση σε WebSocket | Επόμενο βήμαΧρησιμοποιήστε πελάτη WebSocket με Upgrade: websocket. |
Ailoot qwen-audio-3.0-realtime-plus
Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.