Descripción general: descripciones detalladas del sonido
Qwen3-Omni-30B-A3B-Captioner es un modelo especializado en descripción de audio ajustado a partir de Qwen3-Omni-30B-A3B-Instruct. Convierte un clip de audio en un relato textual detallado de lo que se escucha. Qwen lo diseñó para material variado, incluidos habla, sonidos ambientales, música, efectos cinematográficos y mezclas de varias fuentes sonoras. Esto lo hace útil para preparar una descripción buscable de un recurso de audio o revisar las capas sonoras en un segmento breve de medios.
Comprensión del habla y de sonidos no hablados
El fabricante describe análisis de múltiples hablantes, expresiones multilingües, emoción vocal e intenciones sugeridas por la forma de hablar. Sus ejemplos van más allá de una transcripción: describen cómo suenan las voces, el idioma del habla y la escena acústica que las rodea. Para audio sin habla, el modelo describe la atmósfera ambiental, sonidos del mundo real, capas musicales y detalles dinámicos en películas o medios.
Las descripciones de ánimo, intención del hablante o contexto cultural son interpretaciones del material audible. Trátalas por separado del habla y los eventos sonoros directamente verificables. Una descripción puede ayudar a quien revisa a notar un cambio de tono o una capa de fondo; no es una medida de las emociones privadas de una persona ni una prueba de la fuente física de un sonido ambiguo.
La edición Captioner y su contrato de entrada
Este checkpoint es de un solo turno. Acepta exactamente una entrada de audio por inferencia, sin prompt de texto, y devuelve solo texto. Contiene el componente thinker para comprensión de audio; la configuración publicada desactiva explícitamente la salida de audio. No transfieras a Captioner las funciones conversacionales, de imagen, video o generación de voz de otras ediciones Qwen3-Omni porque sus nombres compartan la misma familia.
La ausencia de un prompt de texto importa en la práctica. Prepara el segmento de audio que deseas describir y envía ese segmento como la tarea completa. No añadas una instrucción que pida un resumen personalizado, una traducción, una respuesta del hablante o un esquema de salida. Si un flujo necesita esas transformaciones, corresponden a una etapa separada que trabaje sobre la descripción devuelta, en lugar de ser controles supuestos de este checkpoint de descripción.
Preparación de audio útil
Qwen recomienda limitar un clip a no más de 30 segundos para una descripción minuciosa. Esta es una recomendación de calidad: un audio excesivamente largo puede reducir la percepción de detalle. No se presenta como un umbral estricto universal de rechazo. Para una grabación más larga, selecciona un segmento breve significativo alrededor del evento o la escena que se está revisando. Conserva su identificador de fuente y tiempo de inicio fuera de la solicitud al modelo para que la descripción devuelta pueda rastrearse después hasta la grabación original.
Conserva las capas sonoras pertinentes para la pregunta. Un fragmento centrado en la voz debe seguir incluyendo el fondo cuando este afecte la descripción prevista; un recurso de música o efectos sonoros debe conservar su transición importante, en lugar de cortarse en un límite arbitrario. Procesar los clips por separado ayuda a mantener el detalle local, pero no establece continuidad automática ni comprensión de toda la grabación entre solicitudes.
Para qué sirve el resultado textual
El recetario del fabricante muestra descripciones del contenido del habla y la forma de hablar, seguidas de la escena que las rodea; otros ejemplos describen música, efectos, cambios de intensidad y la secuencia de eventos vocales. Un catálogo de audio puede guardar ese texto devuelto junto con el nombre del recurso y el rango de tiempo. Una persona que revisa medios puede usarlo como borrador de registro sonoro. Un editor puede comparar la descripción con el clip para identificar si captura las capas previstas. Estos son ejemplos de aplicación, no evidencia de que el modelo haya escuchado con anticipación algún recurso particular del usuario.
La salida es una descripción, no una transcripción palabra por palabra prometida, una tabla de diarización, un archivo de subtítulos con marcas de tiempo o una pista sonora generada. Cuando se requieran palabras habladas o tiempos exactos, verifica la descripción contra el audio y usa un flujo dedicado apropiado para el artefacto requerido. Una descripción rica en detalles puede incluir información inferida sobre la escena o el género, así que conserva la incertidumbre cuando el sonido en sí no identifique la fuente de manera inequívoca.
Ejemplos de generación y límites
El ejemplo independiente del fabricante establece un contexto de modelo de 32,768 tokens y una asignación de generación de 16,384 tokens, usando temperatura 0.6, top_p 0.95 y top_k 20. Su recetario usa una asignación de generación de 8,192 tokens con los mismos valores de muestreo. Estas son configuraciones de ejemplo, no longitudes máximas de descripción declaradas por separado. La configuración textual subyacente lista 65,536 posiciones, que no deben convertirse en una garantía de duración para audio.
El código genérico de utilidades o los campos de configuración compartidos con la familia Omni no anulan el contrato explícito de Captioner de un audio, sin texto y salida solo de texto. El resultado útil es una descripción detallada de una escena audible breve; verifica las citas textuales del audio, las cantidades de hablantes y las fuentes sonoras inferidas antes de usarla como registro confiable.
", "aboutText": "Descripción general: descripciones detalladas del sonido\n\nQwen3-Omni-30B-A3B-Captioner es un modelo especializado en descripción de audio ajustado a partir de Qwen3-Omni-30B-A3B-Instruct. Convierte un clip de audio en un relato textual detallado de lo que se escucha. Qwen lo diseñó para material variado, incluidos habla, sonidos ambientales, música, efectos cinematográficos y mezclas de varias fuentes sonoras. Esto lo hace útil para preparar una descripción buscable de un recurso de audio o revisar las capas sonoras en un segmento breve de medios.\n\nComprensión del habla y de sonidos no hablados\n\nEl fabricante describe análisis de múltiples hablantes, expresiones multilingües, emoción vocal e intenciones sugeridas por la forma de hablar. Sus ejemplos van más allá de una transcripción: describen cómo suenan las voces, el idioma del habla y la escena acústica que las rodea. Para audio sin habla, el modelo describe la atmósfera ambiental, sonidos del mundo real, capas musicales y detalles dinámicos en películas o medios.\n\nLas descripciones de ánimo, intención del hablante o contexto cultural son interpretaciones del material audible. Trátalas por separado del habla y los eventos sonoros directamente verificables. Una descripción puede ayudar a quien revisa a notar un cambio de tono o una capa de fondo; no es una medida de las emociones privadas de una persona ni una prueba de la fuente física de un sonido ambiguo.\n\nLa edición Captioner y su contrato de entrada\n\nEste checkpoint es de un solo turno. Acepta exactamente una entrada de audio por inferencia, sin prompt de texto, y devuelve solo texto. Contiene el componente thinker para comprensión de audio; la configuración publicada desactiva explícitamente la salida de audio. No transfieras a Captioner las funciones conversacionales, de imagen, video o generación de voz de otras ediciones Qwen3-Omni porque sus nombres compartan la misma familia.\n\nLa ausencia de un prompt de texto importa en la práctica. Prepara el segmento de audio que deseas describir y envía ese segmento como la tarea completa. No añadas una instrucción que pida un resumen personalizado, una traducción, una respuesta del hablante o un esquema de salida. Si un flujo necesita esas transformaciones, corresponden a una etapa separada que trabaje sobre la descripción devuelta, en lugar de ser controles supuestos de este checkpoint de descripción.\n\nPreparación de audio útil\n\nQwen recomienda limitar un clip a no más de 30 segundos para una descripción minuciosa. Esta es una recomendación de calidad: un audio excesivamente largo puede reducir la percepción de detalle. No se presenta como un umbral estricto universal de rechazo. Para una grabación más larga, selecciona un segmento breve significativo alrededor del evento o la escena que se está revisando. Conserva su identificador de fuente y tiempo de inicio fuera de la solicitud al modelo para que la descripción devuelta pueda rastrearse después hasta la grabación original.\n\nConserva las capas sonoras pertinentes para la pregunta. Un fragmento centrado en la voz debe seguir incluyendo el fondo cuando este afecte la descripción prevista; un recurso de música o efectos sonoros debe conservar su transición importante, en lugar de cortarse en un límite arbitrario. Procesar los clips por separado ayuda a mantener el detalle local, pero no establece continuidad automática ni comprensión de toda la grabación entre solicitudes.\n\nPara qué sirve el resultado textual\n\nEl recetario del fabricante muestra descripciones del contenido del habla y la forma de hablar, seguidas de la escena que las rodea; otros ejemplos describen música, efectos, cambios de intensidad y la secuencia de eventos vocales. Un catálogo de audio puede guardar ese texto devuelto junto con el nombre del recurso y el rango de tiempo. Una persona que revisa medios puede usarlo como borrador de registro sonoro. Un editor puede comparar la descripción con el clip para identificar si captura las capas previstas. Estos son ejemplos de aplicación, no evidencia de que el modelo haya escuchado con anticipación algún recurso particular del usuario.\n\nLa salida es una descripción, no una transcripción palabra por palabra prometida, una tabla de diarización, un archivo de subtítulos con marcas de tiempo o una pista sonora generada. Cuando se requieran palabras habladas o tiempos exactos, verifica la descripción contra el audio y usa un flujo dedicado apropiado para el artefacto requerido. Una descripción rica en detalles puede incluir información inferida sobre la escena o el género, así que conserva la incertidumbre cuando el sonido en sí no identifique la fuente de manera inequívoca.\n\nEjemplos de generación y límites\n\nEl ejemplo independiente del fabricante establece un contexto de modelo de 32,768 tokens y una asignación de generación de 16,384 tokens, usando temperatura 0.6, top_p 0.95 y top_k 20. Su recetario usa una asignación de generación de 8,192 tokens con los mismos valores de muestreo. Estas son configuraciones de ejemplo, no longitudes máximas de descripción declaradas por separado. La configuración textual subyacente lista 65,536 posiciones, que no deben convertirse en una garantía de duración para audio.\n\nEl código genérico de utilidades o los campos de configuración compartidos con la familia Omni no anulan el contrato explícito de Captioner de un audio, sin texto y salida solo de texto. El resultado útil es una descripción detallada de una escena audible breve; verifica las citas textuales del audio, las cantidades de hablantes y las fuentes sonoras inferidas antes de usarla como registro confiable.", "editorialOverlay": { "copy_fields": { "practical_html": "La descripción del modelo requiere audio, pero la ruta seleccionada declara entrada de texto. No se ofrece un ejemplo de generación listo para ejecutar para esta discrepancia.
Ejemplo técnico en inglés
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 describe habla, música, sonidos ambientales y audio cinematográfico como texto. Esta edición especializada de un solo turno acepta una entrada de audio sin prompt de texto; Qwen recomienda clips de no más de 30 segundos para conservar el detalle fino.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Descripción general: descripciones detalladas del sonido
Qwen3-Omni-30B-A3B-Captioner es un modelo especializado en descripción de audio ajustado a partir de Qwen3-Omni-30B-A3B-Instruct. Convierte un clip de audio en un relato textual detallado de lo que se escucha. Qwen lo diseñó para material variado, incluidos habla, sonidos ambientales, música, efectos cinematográficos y mezclas de varias fuentes sonoras. Esto lo hace útil para preparar una descripción buscable de un recurso de audio o revisar las capas sonoras en un segmento breve de medios.
Comprensión del habla y de sonidos no hablados
El fabricante describe análisis de múltiples hablantes, expresiones multilingües, emoción vocal e intenciones sugeridas por la forma de hablar. Sus ejemplos van más allá de una transcripción: describen cómo suenan las voces, el idioma del habla y la escena acústica que las rodea. Para audio sin habla, el modelo describe la atmósfera ambiental, sonidos del mundo real, capas musicales y detalles dinámicos en películas o medios.
Las descripciones de ánimo, intención del hablante o contexto cultural son interpretaciones del material audible. Trátalas por separado del habla y los eventos sonoros directamente verificables. Una descripción puede ayudar a quien revisa a notar un cambio de tono o una capa de fondo; no es una medida de las emociones privadas de una persona ni una prueba de la fuente física de un sonido ambiguo.
La edición Captioner y su contrato de entrada
Este checkpoint es de un solo turno. Acepta exactamente una entrada de audio por inferencia, sin prompt de texto, y devuelve solo texto. Contiene el componente thinker para comprensión de audio; la configuración publicada desactiva explícitamente la salida de audio. No transfieras a Captioner las funciones conversacionales, de imagen, video o generación de voz de otras ediciones Qwen3-Omni porque sus nombres compartan la misma familia.
La ausencia de un prompt de texto importa en la práctica. Prepara el segmento de audio que deseas describir y envía ese segmento como la tarea completa. No añadas una instrucción que pida un resumen personalizado, una traducción, una respuesta del hablante o un esquema de salida. Si un flujo necesita esas transformaciones, corresponden a una etapa separada que trabaje sobre la descripción devuelta, en lugar de ser controles supuestos de este checkpoint de descripción.
Preparación de audio útil
Qwen recomienda limitar un clip a no más de 30 segundos para una descripción minuciosa. Esta es una recomendación de calidad: un audio excesivamente largo puede reducir la percepción de detalle. No se presenta como un umbral estricto universal de rechazo. Para una grabación más larga, selecciona un segmento breve significativo alrededor del evento o la escena que se está revisando. Conserva su identificador de fuente y tiempo de inicio fuera de la solicitud al modelo para que la descripción devuelta pueda rastrearse después hasta la grabación original.
Conserva las capas sonoras pertinentes para la pregunta. Un fragmento centrado en la voz debe seguir incluyendo el fondo cuando este afecte la descripción prevista; un recurso de música o efectos sonoros debe conservar su transición importante, en lugar de cortarse en un límite arbitrario. Procesar los clips por separado ayuda a mantener el detalle local, pero no establece continuidad automática ni comprensión de toda la grabación entre solicitudes.
Para qué sirve el resultado textual
El recetario del fabricante muestra descripciones del contenido del habla y la forma de hablar, seguidas de la escena que las rodea; otros ejemplos describen música, efectos, cambios de intensidad y la secuencia de eventos vocales. Un catálogo de audio puede guardar ese texto devuelto junto con el nombre del recurso y el rango de tiempo. Una persona que revisa medios puede usarlo como borrador de registro sonoro. Un editor puede comparar la descripción con el clip para identificar si captura las capas previstas. Estos son ejemplos de aplicación, no evidencia de que el modelo haya escuchado con anticipación algún recurso particular del usuario.
La salida es una descripción, no una transcripción palabra por palabra prometida, una tabla de diarización, un archivo de subtítulos con marcas de tiempo o una pista sonora generada. Cuando se requieran palabras habladas o tiempos exactos, verifica la descripción contra el audio y usa un flujo dedicado apropiado para el artefacto requerido. Una descripción rica en detalles puede incluir información inferida sobre la escena o el género, así que conserva la incertidumbre cuando el sonido en sí no identifique la fuente de manera inequívoca.
Ejemplos de generación y límites
El ejemplo independiente del fabricante establece un contexto de modelo de 32,768 tokens y una asignación de generación de 16,384 tokens, usando temperatura 0.6, top_p 0.95 y top_k 20. Su recetario usa una asignación de generación de 8,192 tokens con los mismos valores de muestreo. Estas son configuraciones de ejemplo, no longitudes máximas de descripción declaradas por separado. La configuración textual subyacente lista 65,536 posiciones, que no deben convertirse en una garantía de duración para audio.
El código genérico de utilidades o los campos de configuración compartidos con la familia Omni no anulan el contrato explícito de Captioner de un audio, sin texto y salida solo de texto. El resultado útil es una descripción detallada de una escena audible breve; verifica las citas textuales del audio, las cantidades de hablantes y las fuentes sonoras inferidas antes de usarla como registro confiable.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites Qwen/Qwen3-Omni-30B-A3B-Captioner | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites function Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores y límites text | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza en esta ruta de texto Ultra | Predeterminado— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores y límites Condiciones: 1h se rechaza en los campos reales de caché de instrucciones | Predeterminado— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parámetrocontrol_scope | Contratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.0002 / 1K tokens Salida · Tokens de salida $0.0008 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
La descripción del modelo requiere audio, pero la ruta seleccionada declara entrada de texto. No se ofrece un ejemplo de generación listo para ejecutar para esta discrepancia.
manufacturer: audio → text
route: text → text
json o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra Qwen/Qwen3-Omni-30B-A3B-Captioner
Usa las rutas de método indicadas arriba.
Qwen/Qwen3-Omni-30B-A3B-CaptionerQwen3-Omni-30B-A3B-Captioner describe habla, música, sonidos ambientales y audio cinematográfico como texto. Esta edición especializada de un solo turno acepta una entrada de audio sin prompt de texto; Qwen recomienda clips de no más de 30 segundos para conservar el detalle fino.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Descripción general: descripciones detalladas del sonido
Qwen3-Omni-30B-A3B-Captioner es un modelo especializado en descripción de audio ajustado a partir de Qwen3-Omni-30B-A3B-Instruct. Convierte un clip de audio en un relato textual detallado de lo que se escucha. Qwen lo diseñó para material variado, incluidos habla, sonidos ambientales, música, efectos cinematográficos y mezclas de varias fuentes sonoras. Esto lo hace útil para preparar una descripción buscable de un recurso de audio o revisar las capas sonoras en un segmento breve de medios.
Comprensión del habla y de sonidos no hablados
El fabricante describe análisis de múltiples hablantes, expresiones multilingües, emoción vocal e intenciones sugeridas por la forma de hablar. Sus ejemplos van más allá de una transcripción: describen cómo suenan las voces, el idioma del habla y la escena acústica que las rodea. Para audio sin habla, el modelo describe la atmósfera ambiental, sonidos del mundo real, capas musicales y detalles dinámicos en películas o medios.
Las descripciones de ánimo, intención del hablante o contexto cultural son interpretaciones del material audible. Trátalas por separado del habla y los eventos sonoros directamente verificables. Una descripción puede ayudar a quien revisa a notar un cambio de tono o una capa de fondo; no es una medida de las emociones privadas de una persona ni una prueba de la fuente física de un sonido ambiguo.
La edición Captioner y su contrato de entrada
Este checkpoint es de un solo turno. Acepta exactamente una entrada de audio por inferencia, sin prompt de texto, y devuelve solo texto. Contiene el componente thinker para comprensión de audio; la configuración publicada desactiva explícitamente la salida de audio. No transfieras a Captioner las funciones conversacionales, de imagen, video o generación de voz de otras ediciones Qwen3-Omni porque sus nombres compartan la misma familia.
La ausencia de un prompt de texto importa en la práctica. Prepara el segmento de audio que deseas describir y envía ese segmento como la tarea completa. No añadas una instrucción que pida un resumen personalizado, una traducción, una respuesta del hablante o un esquema de salida. Si un flujo necesita esas transformaciones, corresponden a una etapa separada que trabaje sobre la descripción devuelta, en lugar de ser controles supuestos de este checkpoint de descripción.
Preparación de audio útil
Qwen recomienda limitar un clip a no más de 30 segundos para una descripción minuciosa. Esta es una recomendación de calidad: un audio excesivamente largo puede reducir la percepción de detalle. No se presenta como un umbral estricto universal de rechazo. Para una grabación más larga, selecciona un segmento breve significativo alrededor del evento o la escena que se está revisando. Conserva su identificador de fuente y tiempo de inicio fuera de la solicitud al modelo para que la descripción devuelta pueda rastrearse después hasta la grabación original.
Conserva las capas sonoras pertinentes para la pregunta. Un fragmento centrado en la voz debe seguir incluyendo el fondo cuando este afecte la descripción prevista; un recurso de música o efectos sonoros debe conservar su transición importante, en lugar de cortarse en un límite arbitrario. Procesar los clips por separado ayuda a mantener el detalle local, pero no establece continuidad automática ni comprensión de toda la grabación entre solicitudes.
Para qué sirve el resultado textual
El recetario del fabricante muestra descripciones del contenido del habla y la forma de hablar, seguidas de la escena que las rodea; otros ejemplos describen música, efectos, cambios de intensidad y la secuencia de eventos vocales. Un catálogo de audio puede guardar ese texto devuelto junto con el nombre del recurso y el rango de tiempo. Una persona que revisa medios puede usarlo como borrador de registro sonoro. Un editor puede comparar la descripción con el clip para identificar si captura las capas previstas. Estos son ejemplos de aplicación, no evidencia de que el modelo haya escuchado con anticipación algún recurso particular del usuario.
La salida es una descripción, no una transcripción palabra por palabra prometida, una tabla de diarización, un archivo de subtítulos con marcas de tiempo o una pista sonora generada. Cuando se requieran palabras habladas o tiempos exactos, verifica la descripción contra el audio y usa un flujo dedicado apropiado para el artefacto requerido. Una descripción rica en detalles puede incluir información inferida sobre la escena o el género, así que conserva la incertidumbre cuando el sonido en sí no identifique la fuente de manera inequívoca.
Ejemplos de generación y límites
El ejemplo independiente del fabricante establece un contexto de modelo de 32,768 tokens y una asignación de generación de 16,384 tokens, usando temperatura 0.6, top_p 0.95 y top_k 20. Su recetario usa una asignación de generación de 8,192 tokens con los mismos valores de muestreo. Estas son configuraciones de ejemplo, no longitudes máximas de descripción declaradas por separado. La configuración textual subyacente lista 65,536 posiciones, que no deben convertirse en una garantía de duración para audio.
El código genérico de utilidades o los campos de configuración compartidos con la familia Omni no anulan el contrato explícito de Captioner de un audio, sin texto y salida solo de texto. El resultado útil es una descripción detallada de una escena audible breve; verifica las citas textuales del audio, las cantidades de hablantes y las fuentes sonoras inferidas antes de usarla como registro confiable.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites Qwen/Qwen3-Omni-30B-A3B-Captioner | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.0002 / 1K tokens Salida · Tokens de salida $0.0008 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
La descripción del modelo requiere audio, pero la ruta seleccionada declara entrada de texto. No se ofrece un ejemplo de generación listo para ejecutar para esta discrepancia.
manufacturer: audio → text
route: text → json, sse
JSON o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra Qwen/Qwen3-Omni-30B-A3B-Captioner
Usa las rutas de método indicadas arriba.
La descripción del modelo requiere audio, pero la ruta seleccionada declara entrada de texto. No se ofrece un ejemplo de generación listo para ejecutar para esta discrepancia.
Ejemplo técnico en inglés
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.