Qwen3-Omni-30B-A3B-Instruct es el integrante de Qwen3-Omni que sigue instrucciones y genera voz. Comprende texto, imágenes, audio y video, incluidas entradas mixtas, y puede devolver tanto texto como voz natural. Qwen describe la arquitectura de la familia como compatible con respuestas de texto y voz por streaming. El checkpoint Instruct exacto contiene componentes Thinker y Talker: la comprensión y la formación de respuestas textuales están conectadas con la ruta de generación de voz. Los checkpoints Thinking y Captioner tienen papeles distintos de componentes y salida, por lo que siguen siendo opciones separadas de modelos.
El alcance multilingüe publicado de la familia incluye 119 idiomas de texto, 19 idiomas de entrada de voz y 10 idiomas de salida de voz. El ruso está presente en ambas listas de voz. El fabricante describe un diseño Thinker–Talker de mezcla de expertos, con procesamiento de audio y visión para comprensión multimodal y generación de voz con múltiples libros de códigos. Los prompts de sistema pueden dar forma al papel del asistente y al estilo de respuesta. Una tarea adecuada es una explicación por voz que dependa de un objeto visible y de la pregunta hablada de un usuario, en lugar de una conversión de texto a voz sin relación.
Los recetarios abarcan reconocimiento del habla, traducción del habla, análisis de música y sonidos, audio mixto, preguntas de imagen, OCR, localización de objetos, descripción de video y diálogo audiovisual. Para un asistente de capacitación, proporciona un clip de demostración y pídele explicar el procedimiento visible para una persona principiante. Para una pregunta de producto, combina una foto con la solicitud hablada e identifica el detalle que se debe abordar. Indica el oyente previsto y el resultado deseado: una respuesta hablada breve, un resumen textual o ambos. Conserva los nombres de fuentes y las medidas que deban permanecer sin cambios.
El flujo de entrada del fabricante usa el procesador, la plantilla de chat y las utilidades de procesamiento de medios correspondientes. Los medios pueden intercalarse con texto, y la decodificación es una parte explícita de la preparación de una solicitud. Al usar el audio que acompaña a un video, mantén use_audio_in_video coherente entre el preprocesamiento, la generación y las rondas sucesivas de diálogo. Una pregunta audiovisual requiere incluir la pista sonora; una tarea solo visual debe indicar claramente ese alcance. Selecciona un clip pertinente y usa imágenes legibles para que el asistente reciba los detalles necesarios para la pregunta.
La salida de voz es controlable. La interfaz publicada de generación puede solicitar solo texto con return_audio=False, y desactivar Talker elimina ese componente de la ruta de salida de voz del modelo cargado. El ejemplo por lotes del fabricante devuelve texto en lugar de audio. El checkpoint Instruct documenta tres opciones de voz: Ethan, Chelsie y Aiden, con Ethan como predeterminada. El ejemplo guarda una forma de onda a 24,000 Hz. La selección de voz y el formato de salida de este ejemplo describen el flujo publicado del modelo, no todas las interfaces posibles de servicios que lo rodean.
Para respuestas habladas, el fabricante recomienda un estilo conversacional fácil de vocalizar, en lugar de un formato complicado. Una solicitud puede pedir una explicación concisa en el idioma del oyente y conservar por separado un resultado textual legible para revisión. Si la fuente contiene un nombre, una fórmula o una abreviatura poco familiar, proporciona su significado y la redacción preferida. Pide que la respuesta distinga el contenido observado de los supuestos para que una voz fluida no haga desaparecer la incertidumbre.
Las configuraciones textuales de Thinker y Talker establecen max_position_embeddings en 65,536. Por separado, los ejemplos vLLM de la ficha compartida eligen un ajuste de longitud del modelo de 32,768 tokens y uno de generación de 16,384 tokens; siguen siendo ejemplos, no límites universales independientes. El procesamiento visual y de audio afecta el tamaño efectivo de la solicitud. La compatibilidad de interfaz también difiere: el ejemplo Transformers de la ficha puede devolver voz, mientras que su análisis de servicio describe una ruta orientada a Thinker y manejo separado de video y audio. Mantén las capacidades de voz a nivel de modelo separadas de la ruta de salida compatible de un entorno de ejecución particular.
Un resultado útil combina la respuesta con el material fuente necesario para revisarla. Para una demostración, verifica la acción descrita contra el clip; para una pregunta de audio, compara la respuesta con las palabras o los sonidos audibles; para un cálculo visual, verifica unidades y etiquetas. La familia incluye un recetario de llamadas a funciones por audio, pero una aplicación sigue definiendo y ejecutando cualquier acción de herramienta externa. Una solicitud generada de actuar es distinta de un resultado confirmado. La fortaleza de esta edición es la interacción multimodal con una respuesta hablada opcional, mientras que la verificación factual, las acciones posteriores y la edición de medios requieren su propia evidencia y flujo de trabajo.
", "aboutText": "Qwen3-Omni-30B-A3B-Instruct es el integrante de Qwen3-Omni que sigue instrucciones y genera voz. Comprende texto, imágenes, audio y video, incluidas entradas mixtas, y puede devolver tanto texto como voz natural. Qwen describe la arquitectura de la familia como compatible con respuestas de texto y voz por streaming. El checkpoint Instruct exacto contiene componentes Thinker y Talker: la comprensión y la formación de respuestas textuales están conectadas con la ruta de generación de voz. Los checkpoints Thinking y Captioner tienen papeles distintos de componentes y salida, por lo que siguen siendo opciones separadas de modelos.\n\nEl alcance multilingüe publicado de la familia incluye 119 idiomas de texto, 19 idiomas de entrada de voz y 10 idiomas de salida de voz. El ruso está presente en ambas listas de voz. El fabricante describe un diseño Thinker–Talker de mezcla de expertos, con procesamiento de audio y visión para comprensión multimodal y generación de voz con múltiples libros de códigos. Los prompts de sistema pueden dar forma al papel del asistente y al estilo de respuesta. Una tarea adecuada es una explicación por voz que dependa de un objeto visible y de la pregunta hablada de un usuario, en lugar de una conversión de texto a voz sin relación.\n\nLos recetarios abarcan reconocimiento del habla, traducción del habla, análisis de música y sonidos, audio mixto, preguntas de imagen, OCR, localización de objetos, descripción de video y diálogo audiovisual. Para un asistente de capacitación, proporciona un clip de demostración y pídele explicar el procedimiento visible para una persona principiante. Para una pregunta de producto, combina una foto con la solicitud hablada e identifica el detalle que se debe abordar. Indica el oyente previsto y el resultado deseado: una respuesta hablada breve, un resumen textual o ambos. Conserva los nombres de fuentes y las medidas que deban permanecer sin cambios.\n\nEl flujo de entrada del fabricante usa el procesador, la plantilla de chat y las utilidades de procesamiento de medios correspondientes. Los medios pueden intercalarse con texto, y la decodificación es una parte explícita de la preparación de una solicitud. Al usar el audio que acompaña a un video, mantén use_audio_in_video coherente entre el preprocesamiento, la generación y las rondas sucesivas de diálogo. Una pregunta audiovisual requiere incluir la pista sonora; una tarea solo visual debe indicar claramente ese alcance. Selecciona un clip pertinente y usa imágenes legibles para que el asistente reciba los detalles necesarios para la pregunta.\n\nLa salida de voz es controlable. La interfaz publicada de generación puede solicitar solo texto con return_audio=False, y desactivar Talker elimina ese componente de la ruta de salida de voz del modelo cargado. El ejemplo por lotes del fabricante devuelve texto en lugar de audio. El checkpoint Instruct documenta tres opciones de voz: Ethan, Chelsie y Aiden, con Ethan como predeterminada. El ejemplo guarda una forma de onda a 24,000 Hz. La selección de voz y el formato de salida de este ejemplo describen el flujo publicado del modelo, no todas las interfaces posibles de servicios que lo rodean.\n\nPara respuestas habladas, el fabricante recomienda un estilo conversacional fácil de vocalizar, en lugar de un formato complicado. Una solicitud puede pedir una explicación concisa en el idioma del oyente y conservar por separado un resultado textual legible para revisión. Si la fuente contiene un nombre, una fórmula o una abreviatura poco familiar, proporciona su significado y la redacción preferida. Pide que la respuesta distinga el contenido observado de los supuestos para que una voz fluida no haga desaparecer la incertidumbre.\n\nLas configuraciones textuales de Thinker y Talker establecen max_position_embeddings en 65,536. Por separado, los ejemplos vLLM de la ficha compartida eligen un ajuste de longitud del modelo de 32,768 tokens y uno de generación de 16,384 tokens; siguen siendo ejemplos, no límites universales independientes. El procesamiento visual y de audio afecta el tamaño efectivo de la solicitud. La compatibilidad de interfaz también difiere: el ejemplo Transformers de la ficha puede devolver voz, mientras que su análisis de servicio describe una ruta orientada a Thinker y manejo separado de video y audio. Mantén las capacidades de voz a nivel de modelo separadas de la ruta de salida compatible de un entorno de ejecución particular.\n\nUn resultado útil combina la respuesta con el material fuente necesario para revisarla. Para una demostración, verifica la acción descrita contra el clip; para una pregunta de audio, compara la respuesta con las palabras o los sonidos audibles; para un cálculo visual, verifica unidades y etiquetas. La familia incluye un recetario de llamadas a funciones por audio, pero una aplicación sigue definiendo y ejecutando cualquier acción de herramienta externa. Una solicitud generada de actuar es distinta de un resultado confirmado. La fortaleza de esta edición es la interacción multimodal con una respuesta hablada opcional, mientras que la verificación factual, las acciones posteriores y la edición de medios requieren su propia evidencia y flujo de trabajo.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Explain a supplied procedure to a novice\n\nWrite a text-only explanation for a novice using this supplied procedure: turn the dial to zero; insert the sample tray until it clicks; close the cover; press Start once; wait for the green completion light before opening. Keep the sequence and stopping condition exact. Use short conversational sentences and explain only what the supplied procedure establishes.A concise, easy-to-read textual procedure with the original action order and completion condition.Check opening the cover is never instructed before the green completion light.Qwen/Qwen3-Omni-30B-A3B-InstructQwen3-Omni-30B-A3B-Instruct comprende texto, imágenes, audio y video y puede responder con texto y voz natural. Su arquitectura Thinker–Talker admite diálogo multimodal, con control explícito sobre si se devuelve voz y qué voz documentada se utiliza.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen3-Omni-30B-A3B-Instruct es el integrante de Qwen3-Omni que sigue instrucciones y genera voz. Comprende texto, imágenes, audio y video, incluidas entradas mixtas, y puede devolver tanto texto como voz natural. Qwen describe la arquitectura de la familia como compatible con respuestas de texto y voz por streaming. El checkpoint Instruct exacto contiene componentes Thinker y Talker: la comprensión y la formación de respuestas textuales están conectadas con la ruta de generación de voz. Los checkpoints Thinking y Captioner tienen papeles distintos de componentes y salida, por lo que siguen siendo opciones separadas de modelos.
El alcance multilingüe publicado de la familia incluye 119 idiomas de texto, 19 idiomas de entrada de voz y 10 idiomas de salida de voz. El ruso está presente en ambas listas de voz. El fabricante describe un diseño Thinker–Talker de mezcla de expertos, con procesamiento de audio y visión para comprensión multimodal y generación de voz con múltiples libros de códigos. Los prompts de sistema pueden dar forma al papel del asistente y al estilo de respuesta. Una tarea adecuada es una explicación por voz que dependa de un objeto visible y de la pregunta hablada de un usuario, en lugar de una conversión de texto a voz sin relación.
Los recetarios abarcan reconocimiento del habla, traducción del habla, análisis de música y sonidos, audio mixto, preguntas de imagen, OCR, localización de objetos, descripción de video y diálogo audiovisual. Para un asistente de capacitación, proporciona un clip de demostración y pídele explicar el procedimiento visible para una persona principiante. Para una pregunta de producto, combina una foto con la solicitud hablada e identifica el detalle que se debe abordar. Indica el oyente previsto y el resultado deseado: una respuesta hablada breve, un resumen textual o ambos. Conserva los nombres de fuentes y las medidas que deban permanecer sin cambios.
El flujo de entrada del fabricante usa el procesador, la plantilla de chat y las utilidades de procesamiento de medios correspondientes. Los medios pueden intercalarse con texto, y la decodificación es una parte explícita de la preparación de una solicitud. Al usar el audio que acompaña a un video, mantén use_audio_in_video coherente entre el preprocesamiento, la generación y las rondas sucesivas de diálogo. Una pregunta audiovisual requiere incluir la pista sonora; una tarea solo visual debe indicar claramente ese alcance. Selecciona un clip pertinente y usa imágenes legibles para que el asistente reciba los detalles necesarios para la pregunta.
La salida de voz es controlable. La interfaz publicada de generación puede solicitar solo texto con return_audio=False, y desactivar Talker elimina ese componente de la ruta de salida de voz del modelo cargado. El ejemplo por lotes del fabricante devuelve texto en lugar de audio. El checkpoint Instruct documenta tres opciones de voz: Ethan, Chelsie y Aiden, con Ethan como predeterminada. El ejemplo guarda una forma de onda a 24,000 Hz. La selección de voz y el formato de salida de este ejemplo describen el flujo publicado del modelo, no todas las interfaces posibles de servicios que lo rodean.
Para respuestas habladas, el fabricante recomienda un estilo conversacional fácil de vocalizar, en lugar de un formato complicado. Una solicitud puede pedir una explicación concisa en el idioma del oyente y conservar por separado un resultado textual legible para revisión. Si la fuente contiene un nombre, una fórmula o una abreviatura poco familiar, proporciona su significado y la redacción preferida. Pide que la respuesta distinga el contenido observado de los supuestos para que una voz fluida no haga desaparecer la incertidumbre.
Las configuraciones textuales de Thinker y Talker establecen max_position_embeddings en 65,536. Por separado, los ejemplos vLLM de la ficha compartida eligen un ajuste de longitud del modelo de 32,768 tokens y uno de generación de 16,384 tokens; siguen siendo ejemplos, no límites universales independientes. El procesamiento visual y de audio afecta el tamaño efectivo de la solicitud. La compatibilidad de interfaz también difiere: el ejemplo Transformers de la ficha puede devolver voz, mientras que su análisis de servicio describe una ruta orientada a Thinker y manejo separado de video y audio. Mantén las capacidades de voz a nivel de modelo separadas de la ruta de salida compatible de un entorno de ejecución particular.
Un resultado útil combina la respuesta con el material fuente necesario para revisarla. Para una demostración, verifica la acción descrita contra el clip; para una pregunta de audio, compara la respuesta con las palabras o los sonidos audibles; para un cálculo visual, verifica unidades y etiquetas. La familia incluye un recetario de llamadas a funciones por audio, pero una aplicación sigue definiendo y ejecutando cualquier acción de herramienta externa. Una solicitud generada de actuar es distinta de un resultado confirmado. La fortaleza de esta edición es la interacción multimodal con una respuesta hablada opcional, mientras que la verificación factual, las acciones posteriores y la edición de medios requieren su propia evidencia y flujo de trabajo.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites Qwen/Qwen3-Omni-30B-A3B-Instruct | 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 $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "Qwen/Qwen3-Omni-30B-A3B-Instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='Qwen/Qwen3-Omni-30B-A3B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='Qwen/Qwen3-Omni-30B-A3B-Instruct',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 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-Instruct
Usa las rutas de método indicadas arriba.
Qwen/Qwen3-Omni-30B-A3B-InstructQwen3-Omni-30B-A3B-Instruct comprende texto, imágenes, audio y video y puede responder con texto y voz natural. Su arquitectura Thinker–Talker admite diálogo multimodal, con control explícito sobre si se devuelve voz y qué voz documentada se utiliza.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen3-Omni-30B-A3B-Instruct es el integrante de Qwen3-Omni que sigue instrucciones y genera voz. Comprende texto, imágenes, audio y video, incluidas entradas mixtas, y puede devolver tanto texto como voz natural. Qwen describe la arquitectura de la familia como compatible con respuestas de texto y voz por streaming. El checkpoint Instruct exacto contiene componentes Thinker y Talker: la comprensión y la formación de respuestas textuales están conectadas con la ruta de generación de voz. Los checkpoints Thinking y Captioner tienen papeles distintos de componentes y salida, por lo que siguen siendo opciones separadas de modelos.
El alcance multilingüe publicado de la familia incluye 119 idiomas de texto, 19 idiomas de entrada de voz y 10 idiomas de salida de voz. El ruso está presente en ambas listas de voz. El fabricante describe un diseño Thinker–Talker de mezcla de expertos, con procesamiento de audio y visión para comprensión multimodal y generación de voz con múltiples libros de códigos. Los prompts de sistema pueden dar forma al papel del asistente y al estilo de respuesta. Una tarea adecuada es una explicación por voz que dependa de un objeto visible y de la pregunta hablada de un usuario, en lugar de una conversión de texto a voz sin relación.
Los recetarios abarcan reconocimiento del habla, traducción del habla, análisis de música y sonidos, audio mixto, preguntas de imagen, OCR, localización de objetos, descripción de video y diálogo audiovisual. Para un asistente de capacitación, proporciona un clip de demostración y pídele explicar el procedimiento visible para una persona principiante. Para una pregunta de producto, combina una foto con la solicitud hablada e identifica el detalle que se debe abordar. Indica el oyente previsto y el resultado deseado: una respuesta hablada breve, un resumen textual o ambos. Conserva los nombres de fuentes y las medidas que deban permanecer sin cambios.
El flujo de entrada del fabricante usa el procesador, la plantilla de chat y las utilidades de procesamiento de medios correspondientes. Los medios pueden intercalarse con texto, y la decodificación es una parte explícita de la preparación de una solicitud. Al usar el audio que acompaña a un video, mantén use_audio_in_video coherente entre el preprocesamiento, la generación y las rondas sucesivas de diálogo. Una pregunta audiovisual requiere incluir la pista sonora; una tarea solo visual debe indicar claramente ese alcance. Selecciona un clip pertinente y usa imágenes legibles para que el asistente reciba los detalles necesarios para la pregunta.
La salida de voz es controlable. La interfaz publicada de generación puede solicitar solo texto con return_audio=False, y desactivar Talker elimina ese componente de la ruta de salida de voz del modelo cargado. El ejemplo por lotes del fabricante devuelve texto en lugar de audio. El checkpoint Instruct documenta tres opciones de voz: Ethan, Chelsie y Aiden, con Ethan como predeterminada. El ejemplo guarda una forma de onda a 24,000 Hz. La selección de voz y el formato de salida de este ejemplo describen el flujo publicado del modelo, no todas las interfaces posibles de servicios que lo rodean.
Para respuestas habladas, el fabricante recomienda un estilo conversacional fácil de vocalizar, en lugar de un formato complicado. Una solicitud puede pedir una explicación concisa en el idioma del oyente y conservar por separado un resultado textual legible para revisión. Si la fuente contiene un nombre, una fórmula o una abreviatura poco familiar, proporciona su significado y la redacción preferida. Pide que la respuesta distinga el contenido observado de los supuestos para que una voz fluida no haga desaparecer la incertidumbre.
Las configuraciones textuales de Thinker y Talker establecen max_position_embeddings en 65,536. Por separado, los ejemplos vLLM de la ficha compartida eligen un ajuste de longitud del modelo de 32,768 tokens y uno de generación de 16,384 tokens; siguen siendo ejemplos, no límites universales independientes. El procesamiento visual y de audio afecta el tamaño efectivo de la solicitud. La compatibilidad de interfaz también difiere: el ejemplo Transformers de la ficha puede devolver voz, mientras que su análisis de servicio describe una ruta orientada a Thinker y manejo separado de video y audio. Mantén las capacidades de voz a nivel de modelo separadas de la ruta de salida compatible de un entorno de ejecución particular.
Un resultado útil combina la respuesta con el material fuente necesario para revisarla. Para una demostración, verifica la acción descrita contra el clip; para una pregunta de audio, compara la respuesta con las palabras o los sonidos audibles; para un cálculo visual, verifica unidades y etiquetas. La familia incluye un recetario de llamadas a funciones por audio, pero una aplicación sigue definiendo y ejecutando cualquier acción de herramienta externa. Una solicitud generada de actuar es distinta de un resultado confirmado. La fortaleza de esta edición es la interacción multimodal con una respuesta hablada opcional, mientras que la verificación factual, las acciones posteriores y la edición de medios requieren su propia evidencia y flujo de trabajo.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites Qwen/Qwen3-Omni-30B-A3B-Instruct | 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 $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "Qwen/Qwen3-Omni-30B-A3B-Instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen3-Omni-30B-A3B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen3-Omni-30B-A3B-Instruct', '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 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-Instruct
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Explain a supplied procedure to a novice\n\nWrite a text-only explanation for a novice using this supplied procedure: turn the dial to zero; insert the sample tray until it clicks; close the cover; press Start once; wait for the green completion light before opening. Keep the sequence and stopping condition exact. Use short conversational sentences and explain only what the supplied procedure establishes.A concise, easy-to-read textual procedure with the original action order and completion condition.Check opening the cover is never instructed before the green completion light.