Qwen3.5-Omni-Flash 2026-03-15 es la versión multimodal del 15 de marzo con nombre propio de Alibaba para creación de texto, asistentes de voz y análisis multimedia. Acepta texto, imágenes, audio y video, incluida entrada mixta, y produce texto o texto con voz. Su identidad fechada es distinta del alias Flash sin fecha y de los modelos realtime. Una tarea registrada puede conservar el nombre de esta edición junto con los medios y las instrucciones que se revisan.
Su entrada puede unir una imagen con una pregunta hablada o combinar las imágenes y el sonido de un video con instrucciones escritas. Esto lo hace útil cuando un resumen exclusivamente textual perdería la conexión entre lo que se ve y lo que se oye. Para unas instrucciones de análisis de medios, pide por separado la secuencia visible, el texto en pantalla y el contenido hablado, y solicita marcas de tiempo relativas a la fuente cuando importe el orden de los eventos. Los efectos de sonido y otros audios que no sean habla pueden contribuir al análisis junto con la voz.
Para una respuesta de voz, especifica el idioma, el público y la forma de locución de la respuesta. La guía de Qwen documenta instrucciones de volumen, velocidad de habla y emoción. Enumera 113 idiomas y dialectos de entrada de audio y 36 idiomas y dialectos de salida de voz, incluidos inglés, francés, alemán y ruso. El catálogo de voces identifica Tina como predeterminada e incluye opciones como Serena y Ethan. Elige la voz y pide una explicación concisa a un ritmo moderado, en lugar de depender de la voz de entrada para determinar el estilo de salida.
El flujo de voz HTTP documentado devuelve texto por streaming y fragmentos de audio codificados en Base64. Su ejemplo WAV utiliza 24 kHz, mono y PCM de 16 bits; una aplicación puede reunir los fragmentos en un archivo de audio o decodificarlos para reproducirlos a medida que llegan. Se trata de generación por streaming a partir de una solicitud enviada. La detección de turnos en vivo, el manejo de interrupciones y la conversación mediante micrófono pertenecen a modelos realtime con nombres distintos. La tabla de la familia Qwen3.5-Omni no ofrece un modo de pensamiento profundo.
Esta versión Flash fechada enumera búsqueda web y Function Calling, con Function Calling limitado a Chat Completions de Beijing y salida de texto. Structured Outputs está marcado como no compatible: pedir secciones cronológicas es una instrucción de formato textual, en lugar de un modo JSON restringido. La ejecución de herramientas corresponde a la aplicación que lo integra, que devuelve el resultado de la herramienta para el siguiente paso del modelo. La compleción de prefijo, la caché de contexto, la inferencia por lotes y el ajuste fino también están marcados como no compatibles para esta versión.
La ventana de contexto publicada es de 262,144 tokens, con una entrada máxima de 196,608 tokens y una salida máxima de 65,536 tokens. Los medios mixtos y el texto comparten el presupuesto de contexto. La guía HTTP de Alibaba permite hasta tres horas de audio o una hora de video para esta serie; enumera audio AMR, WAV, 3GP, 3GPP, AAC y MP3, y video MP4, AVI, MKV, MOV, FLV y WMV. Los archivos de audio o video mediante URL pueden tener hasta 2 GB, mientras que los medios codificados en Base64 deben ser menores de 10 MB. Estos son los límites del flujo de archivos del fabricante, distintos de la descripción de la introducción del modelo sobre la comprensión de más de diez horas de audio o más de 400 segundos de video de 720p muestreado a 1 FPS.
Las imágenes tienen sus propios límites de preparación en esa guía: hasta 20 MB por imagen mediante URL, dimensiones mayores de 10 píxeles por lado y una relación de aspecto no más extrema que 200:1. La guía permite hasta 2,048 imágenes o archivos de audio mediante URL y 512 archivos de video mediante URL; la entrada Base64 permite hasta 250 archivos. Estos límites de transferencia siguen sujetos al presupuesto compartido de tokens de entrada. La serie puede combinar varios tipos de medios en una sola solicitud. Elige el fragmento pertinente, haz legibles las etiquetas pequeñas y explica cómo se relacionan las entradas separadas. Los máximos de archivos documentados varían según la modalidad y el método de transferencia, mientras que toda entrada debe caber en el presupuesto compartido de tokens.
La clonación personalizada de voz no es compatible con la versión del 15 de marzo con nombre propio en la guía Qwen3.5-Omni. Elige una voz documentada del catálogo para la salida hablada y describe la locución deseada en las instrucciones escritas. No traslades a esta edición el flujo independiente de registro de voz del alias Flash sin fecha. Una voz del catálogo identifica el estilo de hablante, mientras que las instrucciones pueden dar forma al volumen, la velocidad de habla y la emoción.
Para un informe repetible de medios, proporciona el clip pertinente y pide los eventos, el texto visible y el habla en secciones cronológicas distintas, cada una vinculada a marcas de tiempo de la fuente. Para una respuesta educativa, añade un diagrama y la pregunta grabada de un estudiante: «Explica las partes etiquetadas, responde la pregunta de audio en inglés y proporciona texto más voz tranquila». Conserva juntos el fragmento de entrada, el nombre de la edición y las instrucciones, y especifica si la salida debe transcribir la fuente o explicarla para un público nuevo.
", "aboutText": "Qwen3.5-Omni-Flash 2026-03-15 es la versión multimodal del 15 de marzo con nombre propio de Alibaba para creación de texto, asistentes de voz y análisis multimedia. Acepta texto, imágenes, audio y video, incluida entrada mixta, y produce texto o texto con voz. Su identidad fechada es distinta del alias Flash sin fecha y de los modelos realtime. Una tarea registrada puede conservar el nombre de esta edición junto con los medios y las instrucciones que se revisan.\n\nSu entrada puede unir una imagen con una pregunta hablada o combinar las imágenes y el sonido de un video con instrucciones escritas. Esto lo hace útil cuando un resumen exclusivamente textual perdería la conexión entre lo que se ve y lo que se oye. Para unas instrucciones de análisis de medios, pide por separado la secuencia visible, el texto en pantalla y el contenido hablado, y solicita marcas de tiempo relativas a la fuente cuando importe el orden de los eventos. Los efectos de sonido y otros audios que no sean habla pueden contribuir al análisis junto con la voz.\n\nPara una respuesta de voz, especifica el idioma, el público y la forma de locución de la respuesta. La guía de Qwen documenta instrucciones de volumen, velocidad de habla y emoción. Enumera 113 idiomas y dialectos de entrada de audio y 36 idiomas y dialectos de salida de voz, incluidos inglés, francés, alemán y ruso. El catálogo de voces identifica Tina como predeterminada e incluye opciones como Serena y Ethan. Elige la voz y pide una explicación concisa a un ritmo moderado, en lugar de depender de la voz de entrada para determinar el estilo de salida.\n\nEl flujo de voz HTTP documentado devuelve texto por streaming y fragmentos de audio codificados en Base64. Su ejemplo WAV utiliza 24 kHz, mono y PCM de 16 bits; una aplicación puede reunir los fragmentos en un archivo de audio o decodificarlos para reproducirlos a medida que llegan. Se trata de generación por streaming a partir de una solicitud enviada. La detección de turnos en vivo, el manejo de interrupciones y la conversación mediante micrófono pertenecen a modelos realtime con nombres distintos. La tabla de la familia Qwen3.5-Omni no ofrece un modo de pensamiento profundo.\n\nEsta versión Flash fechada enumera búsqueda web y Function Calling, con Function Calling limitado a Chat Completions de Beijing y salida de texto. Structured Outputs está marcado como no compatible: pedir secciones cronológicas es una instrucción de formato textual, en lugar de un modo JSON restringido. La ejecución de herramientas corresponde a la aplicación que lo integra, que devuelve el resultado de la herramienta para el siguiente paso del modelo. La compleción de prefijo, la caché de contexto, la inferencia por lotes y el ajuste fino también están marcados como no compatibles para esta versión.\n\nLa ventana de contexto publicada es de 262,144 tokens, con una entrada máxima de 196,608 tokens y una salida máxima de 65,536 tokens. Los medios mixtos y el texto comparten el presupuesto de contexto. La guía HTTP de Alibaba permite hasta tres horas de audio o una hora de video para esta serie; enumera audio AMR, WAV, 3GP, 3GPP, AAC y MP3, y video MP4, AVI, MKV, MOV, FLV y WMV. Los archivos de audio o video mediante URL pueden tener hasta 2 GB, mientras que los medios codificados en Base64 deben ser menores de 10 MB. Estos son los límites del flujo de archivos del fabricante, distintos de la descripción de la introducción del modelo sobre la comprensión de más de diez horas de audio o más de 400 segundos de video de 720p muestreado a 1 FPS.\n\nLas imágenes tienen sus propios límites de preparación en esa guía: hasta 20 MB por imagen mediante URL, dimensiones mayores de 10 píxeles por lado y una relación de aspecto no más extrema que 200:1. La guía permite hasta 2,048 imágenes o archivos de audio mediante URL y 512 archivos de video mediante URL; la entrada Base64 permite hasta 250 archivos. Estos límites de transferencia siguen sujetos al presupuesto compartido de tokens de entrada. La serie puede combinar varios tipos de medios en una sola solicitud. Elige el fragmento pertinente, haz legibles las etiquetas pequeñas y explica cómo se relacionan las entradas separadas. Los máximos de archivos documentados varían según la modalidad y el método de transferencia, mientras que toda entrada debe caber en el presupuesto compartido de tokens.\n\nLa clonación personalizada de voz no es compatible con la versión del 15 de marzo con nombre propio en la guía Qwen3.5-Omni. Elige una voz documentada del catálogo para la salida hablada y describe la locución deseada en las instrucciones escritas. No traslades a esta edición el flujo independiente de registro de voz del alias Flash sin fecha. Una voz del catálogo identifica el estilo de hablante, mientras que las instrucciones pueden dar forma al volumen, la velocidad de habla y la emoción.\n\nPara un informe repetible de medios, proporciona el clip pertinente y pide los eventos, el texto visible y el habla en secciones cronológicas distintas, cada una vinculada a marcas de tiempo de la fuente. Para una respuesta educativa, añade un diagrama y la pregunta grabada de un estudiante: «Explica las partes etiquetadas, responde la pregunta de audio en inglés y proporciona texto más voz tranquila». Conserva juntos el fragmento de entrada, el nombre de la edición y las instrucciones, y especifica si la salida debe transcribir la fuente o explicarla para un público nuevo.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Separate speech from scene notes\n\nPrepare a chronological report from these transcribed media notes: 00:00 a green indicator is visible; 00:03 speaker says “Wait for the light”; 00:05 indicator turns amber; 00:08 speaker says “Now disconnect.” Separate described visuals from quoted speech and list the action instruction with its time. Return text only.A timeline with distinct visual and speech entries, followed by the timed instruction.Check that the instruction stays at 00:08 and that the indicator change is not described as something the speaker said.qwen3.5-omni-flash-2026-03-15Qwen3.5-Omni-Flash 2026-03-15 es una versión multimodal fechada que acepta texto, imágenes, audio y video y devuelve texto o voz. Utiliza su edición independiente para instrucciones repetibles de análisis de medios y explicaciones habladas, con límites documentados de entrada y salida.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen3.5-Omni-Flash 2026-03-15 es la versión multimodal del 15 de marzo con nombre propio de Alibaba para creación de texto, asistentes de voz y análisis multimedia. Acepta texto, imágenes, audio y video, incluida entrada mixta, y produce texto o texto con voz. Su identidad fechada es distinta del alias Flash sin fecha y de los modelos realtime. Una tarea registrada puede conservar el nombre de esta edición junto con los medios y las instrucciones que se revisan.
Su entrada puede unir una imagen con una pregunta hablada o combinar las imágenes y el sonido de un video con instrucciones escritas. Esto lo hace útil cuando un resumen exclusivamente textual perdería la conexión entre lo que se ve y lo que se oye. Para unas instrucciones de análisis de medios, pide por separado la secuencia visible, el texto en pantalla y el contenido hablado, y solicita marcas de tiempo relativas a la fuente cuando importe el orden de los eventos. Los efectos de sonido y otros audios que no sean habla pueden contribuir al análisis junto con la voz.
Para una respuesta de voz, especifica el idioma, el público y la forma de locución de la respuesta. La guía de Qwen documenta instrucciones de volumen, velocidad de habla y emoción. Enumera 113 idiomas y dialectos de entrada de audio y 36 idiomas y dialectos de salida de voz, incluidos inglés, francés, alemán y ruso. El catálogo de voces identifica Tina como predeterminada e incluye opciones como Serena y Ethan. Elige la voz y pide una explicación concisa a un ritmo moderado, en lugar de depender de la voz de entrada para determinar el estilo de salida.
El flujo de voz HTTP documentado devuelve texto por streaming y fragmentos de audio codificados en Base64. Su ejemplo WAV utiliza 24 kHz, mono y PCM de 16 bits; una aplicación puede reunir los fragmentos en un archivo de audio o decodificarlos para reproducirlos a medida que llegan. Se trata de generación por streaming a partir de una solicitud enviada. La detección de turnos en vivo, el manejo de interrupciones y la conversación mediante micrófono pertenecen a modelos realtime con nombres distintos. La tabla de la familia Qwen3.5-Omni no ofrece un modo de pensamiento profundo.
Esta versión Flash fechada enumera búsqueda web y Function Calling, con Function Calling limitado a Chat Completions de Beijing y salida de texto. Structured Outputs está marcado como no compatible: pedir secciones cronológicas es una instrucción de formato textual, en lugar de un modo JSON restringido. La ejecución de herramientas corresponde a la aplicación que lo integra, que devuelve el resultado de la herramienta para el siguiente paso del modelo. La compleción de prefijo, la caché de contexto, la inferencia por lotes y el ajuste fino también están marcados como no compatibles para esta versión.
La ventana de contexto publicada es de 262,144 tokens, con una entrada máxima de 196,608 tokens y una salida máxima de 65,536 tokens. Los medios mixtos y el texto comparten el presupuesto de contexto. La guía HTTP de Alibaba permite hasta tres horas de audio o una hora de video para esta serie; enumera audio AMR, WAV, 3GP, 3GPP, AAC y MP3, y video MP4, AVI, MKV, MOV, FLV y WMV. Los archivos de audio o video mediante URL pueden tener hasta 2 GB, mientras que los medios codificados en Base64 deben ser menores de 10 MB. Estos son los límites del flujo de archivos del fabricante, distintos de la descripción de la introducción del modelo sobre la comprensión de más de diez horas de audio o más de 400 segundos de video de 720p muestreado a 1 FPS.
Las imágenes tienen sus propios límites de preparación en esa guía: hasta 20 MB por imagen mediante URL, dimensiones mayores de 10 píxeles por lado y una relación de aspecto no más extrema que 200:1. La guía permite hasta 2,048 imágenes o archivos de audio mediante URL y 512 archivos de video mediante URL; la entrada Base64 permite hasta 250 archivos. Estos límites de transferencia siguen sujetos al presupuesto compartido de tokens de entrada. La serie puede combinar varios tipos de medios en una sola solicitud. Elige el fragmento pertinente, haz legibles las etiquetas pequeñas y explica cómo se relacionan las entradas separadas. Los máximos de archivos documentados varían según la modalidad y el método de transferencia, mientras que toda entrada debe caber en el presupuesto compartido de tokens.
La clonación personalizada de voz no es compatible con la versión del 15 de marzo con nombre propio en la guía Qwen3.5-Omni. Elige una voz documentada del catálogo para la salida hablada y describe la locución deseada en las instrucciones escritas. No traslades a esta edición el flujo independiente de registro de voz del alias Flash sin fecha. Una voz del catálogo identifica el estilo de hablante, mientras que las instrucciones pueden dar forma al volumen, la velocidad de habla y la emoción.
Para un informe repetible de medios, proporciona el clip pertinente y pide los eventos, el texto visible y el habla en secciones cronológicas distintas, cada una vinculada a marcas de tiempo de la fuente. Para una respuesta educativa, añade un diagrama y la pregunta grabada de un estudiante: «Explica las partes etiquetadas, responde la pregunta de audio en inglés y proporciona texto más voz tranquila». Conserva juntos el fragmento de entrada, el nombre de la edición y las instrucciones, y especifica si la salida debe transcribir la fuente o explicarla para un público nuevo.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen3.5-omni-flash-2026-03-15 | 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 $0.00069 / 1K tokens Salida · Tokens de salida $0.00418 / 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": "qwen3.5-omni-flash-2026-03-15", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen3.5-omni-flash-2026-03-15',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen3.5-omni-flash-2026-03-15',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 qwen3.5-omni-flash-2026-03-15
Usa las rutas de método indicadas arriba.
qwen3.5-omni-flash-2026-03-15Qwen3.5-Omni-Flash 2026-03-15 es una versión multimodal fechada que acepta texto, imágenes, audio y video y devuelve texto o voz. Utiliza su edición independiente para instrucciones repetibles de análisis de medios y explicaciones habladas, con límites documentados de entrada y salida.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen3.5-Omni-Flash 2026-03-15 es la versión multimodal del 15 de marzo con nombre propio de Alibaba para creación de texto, asistentes de voz y análisis multimedia. Acepta texto, imágenes, audio y video, incluida entrada mixta, y produce texto o texto con voz. Su identidad fechada es distinta del alias Flash sin fecha y de los modelos realtime. Una tarea registrada puede conservar el nombre de esta edición junto con los medios y las instrucciones que se revisan.
Su entrada puede unir una imagen con una pregunta hablada o combinar las imágenes y el sonido de un video con instrucciones escritas. Esto lo hace útil cuando un resumen exclusivamente textual perdería la conexión entre lo que se ve y lo que se oye. Para unas instrucciones de análisis de medios, pide por separado la secuencia visible, el texto en pantalla y el contenido hablado, y solicita marcas de tiempo relativas a la fuente cuando importe el orden de los eventos. Los efectos de sonido y otros audios que no sean habla pueden contribuir al análisis junto con la voz.
Para una respuesta de voz, especifica el idioma, el público y la forma de locución de la respuesta. La guía de Qwen documenta instrucciones de volumen, velocidad de habla y emoción. Enumera 113 idiomas y dialectos de entrada de audio y 36 idiomas y dialectos de salida de voz, incluidos inglés, francés, alemán y ruso. El catálogo de voces identifica Tina como predeterminada e incluye opciones como Serena y Ethan. Elige la voz y pide una explicación concisa a un ritmo moderado, en lugar de depender de la voz de entrada para determinar el estilo de salida.
El flujo de voz HTTP documentado devuelve texto por streaming y fragmentos de audio codificados en Base64. Su ejemplo WAV utiliza 24 kHz, mono y PCM de 16 bits; una aplicación puede reunir los fragmentos en un archivo de audio o decodificarlos para reproducirlos a medida que llegan. Se trata de generación por streaming a partir de una solicitud enviada. La detección de turnos en vivo, el manejo de interrupciones y la conversación mediante micrófono pertenecen a modelos realtime con nombres distintos. La tabla de la familia Qwen3.5-Omni no ofrece un modo de pensamiento profundo.
Esta versión Flash fechada enumera búsqueda web y Function Calling, con Function Calling limitado a Chat Completions de Beijing y salida de texto. Structured Outputs está marcado como no compatible: pedir secciones cronológicas es una instrucción de formato textual, en lugar de un modo JSON restringido. La ejecución de herramientas corresponde a la aplicación que lo integra, que devuelve el resultado de la herramienta para el siguiente paso del modelo. La compleción de prefijo, la caché de contexto, la inferencia por lotes y el ajuste fino también están marcados como no compatibles para esta versión.
La ventana de contexto publicada es de 262,144 tokens, con una entrada máxima de 196,608 tokens y una salida máxima de 65,536 tokens. Los medios mixtos y el texto comparten el presupuesto de contexto. La guía HTTP de Alibaba permite hasta tres horas de audio o una hora de video para esta serie; enumera audio AMR, WAV, 3GP, 3GPP, AAC y MP3, y video MP4, AVI, MKV, MOV, FLV y WMV. Los archivos de audio o video mediante URL pueden tener hasta 2 GB, mientras que los medios codificados en Base64 deben ser menores de 10 MB. Estos son los límites del flujo de archivos del fabricante, distintos de la descripción de la introducción del modelo sobre la comprensión de más de diez horas de audio o más de 400 segundos de video de 720p muestreado a 1 FPS.
Las imágenes tienen sus propios límites de preparación en esa guía: hasta 20 MB por imagen mediante URL, dimensiones mayores de 10 píxeles por lado y una relación de aspecto no más extrema que 200:1. La guía permite hasta 2,048 imágenes o archivos de audio mediante URL y 512 archivos de video mediante URL; la entrada Base64 permite hasta 250 archivos. Estos límites de transferencia siguen sujetos al presupuesto compartido de tokens de entrada. La serie puede combinar varios tipos de medios en una sola solicitud. Elige el fragmento pertinente, haz legibles las etiquetas pequeñas y explica cómo se relacionan las entradas separadas. Los máximos de archivos documentados varían según la modalidad y el método de transferencia, mientras que toda entrada debe caber en el presupuesto compartido de tokens.
La clonación personalizada de voz no es compatible con la versión del 15 de marzo con nombre propio en la guía Qwen3.5-Omni. Elige una voz documentada del catálogo para la salida hablada y describe la locución deseada en las instrucciones escritas. No traslades a esta edición el flujo independiente de registro de voz del alias Flash sin fecha. Una voz del catálogo identifica el estilo de hablante, mientras que las instrucciones pueden dar forma al volumen, la velocidad de habla y la emoción.
Para un informe repetible de medios, proporciona el clip pertinente y pide los eventos, el texto visible y el habla en secciones cronológicas distintas, cada una vinculada a marcas de tiempo de la fuente. Para una respuesta educativa, añade un diagrama y la pregunta grabada de un estudiante: «Explica las partes etiquetadas, responde la pregunta de audio en inglés y proporciona texto más voz tranquila». Conserva juntos el fragmento de entrada, el nombre de la edición y las instrucciones, y especifica si la salida debe transcribir la fuente o explicarla para un público nuevo.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen3.5-omni-flash-2026-03-15 | 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 $0.00069 / 1K tokens Salida · Tokens de salida $0.00418 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "qwen3.5-omni-flash-2026-03-15",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3.5-omni-flash-2026-03-15', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3.5-omni-flash-2026-03-15', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 qwen3.5-omni-flash-2026-03-15
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Separate speech from scene notes\n\nPrepare a chronological report from these transcribed media notes: 00:00 a green indicator is visible; 00:03 speaker says “Wait for the light”; 00:05 indicator turns amber; 00:08 speaker says “Now disconnect.” Separate described visuals from quoted speech and list the action instruction with its time. Return text only.A timeline with distinct visual and speech entries, followed by the timed instruction.Check that the instruction stays at 00:08 and that the indicator change is not described as something the speaker said.