{ "aboutHtml": "

Qwen-Audio-3.0-Realtime-Plus es un modelo de Alibaba para conversaciones de voz en tiempo real. Recibe voz y texto, responde con audio y texto y admite una conversación bidireccional con un intercambio natural de intervenciones. El audio puede enviarse y recibirse por partes, de modo que la interacción avanza durante la conversación.

Cuándo ha terminado de hablar el interlocutor

Hay varias formas de detectar los límites de una intervención: actividad de audio, finalización semántica y control explícito. En el servicio del fabricante, el modo se elige antes de enviar el primer audio; cambiarlo una vez iniciada la conversación requiere una conexión nueva. La compatibilidad con este control depende del método elegido. El modo semántico tiene en cuenta pausas y muletillas: una breve vacilación no significa necesariamente que el usuario haya terminado de expresar su idea. Una nueva intervención del usuario puede interrumpir la respuesta que se está generando para continuar la conversación teniendo en cuenta lo que acaba de decir. En el modo semántico se puede orientar el reconocimiento con una muestra de voz del interlocutor elegido para prestar menos atención a otras voces y al ruido de fondo.

Las instrucciones definen el papel del asistente y su estilo de comunicación. La expresión de voz puede tener en cuenta el tono, el ritmo y la emoción; la versión 3.0 ofrece cinco voces del sistema y voces basadas en una muestra de habla. El modelo admite 11 idiomas, incluido el ruso, además de las variantes dialectales chinas indicadas por el fabricante. En el servicio del fabricante, la voz se fija en la primera actualización de los ajustes de sesión; enviar después otra voz dentro de la misma conversación se ignora. Estos ajustes requieren compatibilidad del método de acceso elegido.

Herramientas e historial de conversación

Se admite la llamada a funciones. El modelo propone la acción necesaria, la aplicación conectada la ejecuta y devuelve el resultado al diálogo. Así se puede organizar la conversación en torno a datos reales y continuarla después de la operación. El asistente de voz puede apoyarse en resultados de herramientas manteniendo el contexto de la conversación. Las capacidades del fabricante también incluyen búsqueda web integrada si el método elegido la ofrece. La búsqueda web y las llamadas a funciones no pueden activarse simultáneamente en una misma sesión.

Por defecto, el historial contiene 20 turnos de conversación y admite un rango de uno a 50. El audio acumulado tiene un límite de 300 segundos; se eliminan las partes antiguas del historial cuando se superan los límites. Esto difiere de la duración de una intervención: el historial determina qué material anterior sigue disponible al continuar el diálogo.

Contexto de texto y audio

El contexto formal es de 40 960 tokens. La longitud máxima de entrada es de 16 384 tokens y la de salida, 8192; se indican los mismos límites de entrada y salida para el modo de razonamiento, con un límite independiente de 1024 tokens para la cadena de razonamiento.

El audio en streaming utiliza PCM de un solo canal y representación de 16 bits: 16 kHz en la entrada y 24 kHz en la salida. Texto y audio pertenecen a una misma conversación. No se han anunciado entrada visual ni generación de imágenes para este modelo concreto; su especialidad es la voz, el texto y la interacción hablada.

", "aboutText": "Qwen-Audio-3.0-Realtime-Plus es un modelo de Alibaba para conversaciones de voz en tiempo real. Recibe voz y texto, responde con audio y texto y admite una conversación bidireccional con un intercambio natural de intervenciones. El audio puede enviarse y recibirse por partes, de modo que la interacción avanza durante la conversación.\n\n### Cuándo ha terminado de hablar el interlocutor\n\nHay varias formas de detectar los límites de una intervención: actividad de audio, finalización semántica y control explícito. En el servicio del fabricante, el modo se elige antes de enviar el primer audio; cambiarlo una vez iniciada la conversación requiere una conexión nueva. La compatibilidad con este control depende del método elegido. El modo semántico tiene en cuenta pausas y muletillas: una breve vacilación no significa necesariamente que el usuario haya terminado de expresar su idea. Una nueva intervención del usuario puede interrumpir la respuesta que se está generando para continuar la conversación teniendo en cuenta lo que acaba de decir. En el modo semántico se puede orientar el reconocimiento con una muestra de voz del interlocutor elegido para prestar menos atención a otras voces y al ruido de fondo.\n\nLas instrucciones definen el papel del asistente y su estilo de comunicación. La expresión de voz puede tener en cuenta el tono, el ritmo y la emoción; la versión 3.0 ofrece cinco voces del sistema y voces basadas en una muestra de habla. El modelo admite 11 idiomas, incluido el ruso, además de las variantes dialectales chinas indicadas por el fabricante. En el servicio del fabricante, la voz se fija en la primera actualización de los ajustes de sesión; enviar después otra voz dentro de la misma conversación se ignora. Estos ajustes requieren compatibilidad del método de acceso elegido.\n\n### Herramientas e historial de conversación\n\nSe admite la llamada a funciones. El modelo propone la acción necesaria, la aplicación conectada la ejecuta y devuelve el resultado al diálogo. Así se puede organizar la conversación en torno a datos reales y continuarla después de la operación. El asistente de voz puede apoyarse en resultados de herramientas manteniendo el contexto de la conversación. Las capacidades del fabricante también incluyen búsqueda web integrada si el método elegido la ofrece. La búsqueda web y las llamadas a funciones no pueden activarse simultáneamente en una misma sesión.\n\nPor defecto, el historial contiene 20 turnos de conversación y admite un rango de uno a 50. El audio acumulado tiene un límite de 300 segundos; se eliminan las partes antiguas del historial cuando se superan los límites. Esto difiere de la duración de una intervención: el historial determina qué material anterior sigue disponible al continuar el diálogo.\n\n### Contexto de texto y audio\n\nEl contexto formal es de 40 960 tokens. La longitud máxima de entrada es de 16 384 tokens y la de salida, 8192; se indican los mismos límites de entrada y salida para el modo de razonamiento, con un límite independiente de 1024 tokens para la cadena de razonamiento.\n\nEl audio en streaming utiliza PCM de un solo canal y representación de 16 bits: 16 kHz en la entrada y 24 kHz en la salida. Texto y audio pertenecen a una misma conversación. No se han anunciado entrada visual ni generación de imágenes para este modelo concreto; su especialidad es la voz, el texto y la interacción hablada.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "08df8b45b6b83304fddc35bc1339052175ef2f762262d3a4711da55d294ec305", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "
Al

qwen-audio-3.0-realtime-plus

Alibaba /qwen-audio-3.0-realtime-plus

Primeros pasos

Modelo de conversación de voz en tiempo real que recibe voz y texto y responde con voz o texto. Está diseñado para mantener un ritmo de comunicación natural e interactuar con herramientas.

Entradas aceptadas
Texto · Audio
Resultados
Texto · Audio
Sobre el modelo

Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.

Qwen-Audio-3.0-Realtime-Plus es un modelo de Alibaba para conversaciones de voz en tiempo real. Recibe voz y texto, responde con audio y texto y admite una conversación bidireccional con un intercambio natural de intervenciones. El audio puede enviarse y recibirse por partes, de modo que la interacción avanza durante la conversación.

Cuándo ha terminado de hablar el interlocutor

Hay varias formas de detectar los límites de una intervención: actividad de audio, finalización semántica y control explícito. En el servicio del fabricante, el modo se elige antes de enviar el primer audio; cambiarlo una vez iniciada la conversación requiere una conexión nueva. La compatibilidad con este control depende del método elegido. El modo semántico tiene en cuenta pausas y muletillas: una breve vacilación no significa necesariamente que el usuario haya terminado de expresar su idea. Una nueva intervención del usuario puede interrumpir la respuesta que se está generando para continuar la conversación teniendo en cuenta lo que acaba de decir. En el modo semántico se puede orientar el reconocimiento con una muestra de voz del interlocutor elegido para prestar menos atención a otras voces y al ruido de fondo.

Las instrucciones definen el papel del asistente y su estilo de comunicación. La expresión de voz puede tener en cuenta el tono, el ritmo y la emoción; la versión 3.0 ofrece cinco voces del sistema y voces basadas en una muestra de habla. El modelo admite 11 idiomas, incluido el ruso, además de las variantes dialectales chinas indicadas por el fabricante. En el servicio del fabricante, la voz se fija en la primera actualización de los ajustes de sesión; enviar después otra voz dentro de la misma conversación se ignora. Estos ajustes requieren compatibilidad del método de acceso elegido.

Herramientas e historial de conversación

Se admite la llamada a funciones. El modelo propone la acción necesaria, la aplicación conectada la ejecuta y devuelve el resultado al diálogo. Así se puede organizar la conversación en torno a datos reales y continuarla después de la operación. El asistente de voz puede apoyarse en resultados de herramientas manteniendo el contexto de la conversación. Las capacidades del fabricante también incluyen búsqueda web integrada si el método elegido la ofrece. La búsqueda web y las llamadas a funciones no pueden activarse simultáneamente en una misma sesión.

Por defecto, el historial contiene 20 turnos de conversación y admite un rango de uno a 50. El audio acumulado tiene un límite de 300 segundos; se eliminan las partes antiguas del historial cuando se superan los límites. Esto difiere de la duración de una intervención: el historial determina qué material anterior sigue disponible al continuar el diálogo.

Contexto de texto y audio

El contexto formal es de 40 960 tokens. La longitud máxima de entrada es de 16 384 tokens y la de salida, 8192; se indican los mismos límites de entrada y salida para el modo de razonamiento, con un límite independiente de 1024 tokens para la cadena de razonamiento.

El audio en streaming utiliza PCM de un solo canal y representación de 16 bits: 16 kHz en la entrada y 24 kHz en la salida. Texto y audio pertenecen a una misma conversación. No se han anunciado entrada visual ni generación de imágenes para este modelo concreto; su especialidad es la voz, el texto y la interacción hablada.

Disponible en Ailoot · entradas y métodos

Ailoot · Voz en tiempo real GET /v1/realtime?model=qwen-audio-3.0-realtime-plus
Tipos de entrada
text, audio
Tipos de salida
text, audio
Formato de salida
eventos de sesión
CampoTipoRequisitoValores y límitesPredeterminado
Campoquery.modelTipostringRequisitoObligatorioValores y límites
qwen-audio-3.0-realtime-plus
Predeterminado—
Camposession.input_audio_formatTipostringRequisitoOpcionalValores y límites
pcm16, pcm
Predeterminado—
Camposession.output_audio_formatTipostringRequisitoOpcionalValores y límites
pcm16, pcm
Predeterminado—
Camposession.instructionsTipostringRequisitoOpcionalValores y límites
El límite se aplica a: política de sesión seleccionada
Predeterminado—
Camposession.max_history_turnsTipointegerRequisitoOpcionalValores y límites
Mínimo: 1
El límite se aplica a: política de sesión seleccionada
Predeterminado—
Campoinput_audio_buffer.append.audioTipobase64_stringRequisitoObligatorioValores y límites
Contenido de entrada: PCM16 mono; entrada de 16 kHz, salida de 24 kHz; contenido no vacío con una longitud par en bytes
Predeterminado—
Combinaciones de materiales de entrada

realtime_text_audio

Parámetros del método y ciclo de vida
ParámetroContrato
Parámetromaterial_typesContratotext, audio
ParámetrorequiredContratonull
Parámetrooptional_controlsContratonull
Parámetrocontent_typeContratoWebSocket

Ciclo de vida: exact retained published method

Las estructuras e ID de los métodos son exactos; la capacidad del proveedor y la admisión son conceptos distintos.

Planes

Tarifas de métodos Ailoot

Ailoot Voz en tiempo realGET /v1/realtime?model=qwen-audio-3.0-realtime-plus
Entrada
0,0008 US$ / 1K
Salida
0,0064 US$ / 1K
Entrada
0,0048 US$ por minuto de audio
Salida
0,018 US$ por minuto de audio de salida

Ailoot reserva un importe 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 →

Solicitudes de ejemplo

Ailoot · Voz en tiempo real

# Install the documented client once: python3 -m pip install websockets\nimport base64, json, os, time, wave\nfrom pathlib import Path\nfrom websockets.sync.client import connect\n\nkey = os.environ.get("AILOOT_API_KEY", "")\nif not key.strip():\n    raise SystemExit("Set your AILOOT_API_KEY before connecting")\nfile = Path(os.environ.get("AILOOT_TEXT_FILE", ""))\nif not file.is_file(): raise SystemExit("Set AILOOT_TEXT_FILE to your actual UTF-8 material")\nmaterial = file.read_text(encoding="utf-8")\nif not material.strip(): raise SystemExit("Text material must not be empty")\nout = Path("realtime-results")\nout.mkdir(exist_ok=True)\naudio, texts, complete = {}, {}, []\ncurrent_response = None\npending = False\ndeadline = time.monotonic() + 570  # Local client bound; lower server/session limits still apply.\n\ndef receive(ws, log):\n    global current_response, pending\n    left = deadline - time.monotonic()\n    if left <= 0:\n        raise TimeoutError("Client session limit; preserve IDs and partial results, do not replay")\n    event = json.loads(ws.recv(timeout=min(60, left)))\n    log.write(json.dumps(event, ensure_ascii=False) + "\\n")\n    log.flush()\n    kind = event.get("type")\n    if kind == "error":\n        raise RuntimeError(json.dumps(event, ensure_ascii=False))\n    if kind == "response.created":\n        current_response = event["response"]["id"]\n    if kind in {"response.audio.delta", "response.output_audio.delta", "response.text.delta", "response.output_text.delta", "response.audio_transcript.delta", "response.output_audio_transcript.delta", "response.text.done", "response.audio_transcript.done"}:\n        identity = (event["response_id"], event["item_id"], event["output_index"], event["content_index"])\n        if kind in {"response.audio.delta", "response.output_audio.delta"}:\n            raw = base64.b64decode(event["delta"], validate=True)\n            if len(raw) % 2: raise ValueError("Output PCM16 chunk must have an even byte length")\n            audio.setdefault(identity, bytearray()).extend(raw)\n        elif kind.endswith(".done"):\n            texts[identity] = event.get("text", event.get("transcript", ""))\n        else:\n            texts[identity] = texts.get(identity, "") + event["delta"]\n            print(event["delta"], end="", flush=True)\n    if kind == "response.done":\n        response = event["response"]\n        complete.append(response)\n        if current_response is None: current_response = response["id"]\n        if response["id"] == current_response: pending = False\n    return event\n\ndef wait_for(ws, log, kind):\n    while True:\n        event = receive(ws, log)\n        if event.get("type") == kind: return event\n\ndef send(ws, event):\n    ws.send(json.dumps(event, ensure_ascii=False))\n\ntry:\n    # One exact model query; no reconnect/retry loop and no provider credentials.\n    with connect("wss://api.ailoot.ai/v1/realtime?model=qwen-audio-3.0-realtime-plus", additional_headers={"Authorization": "Bearer " + key}) as ws:\n        with (out / "events.jsonl").open("w", encoding="utf-8") as log:\n            wait_for(ws, log, "session.created")\n            send(ws, {"type":"session.update", "session":{"modalities":["audio","text"], "input_audio_format":"pcm", "output_audio_format":"pcm", "turn_detection":None}})\n            wait_for(ws, log, "session.updated")\n            send(ws, {"type":"conversation.item.create", "item":{"type":"message", "role":"user", "content":[{"type":"input_text", "text":material}]}})\n            send(ws, {"type":"response.create"})\n            pending = True\n            try:\n                while pending: receive(ws, log)\n            except KeyboardInterrupt:\n                # Cancel the actual current inference, then preserve its returned status.\n                send(ws, {"type":"response.cancel"})\n                while pending: receive(ws, log)\n    if not complete or complete[-1].get("status") != "completed":\n        raise RuntimeError("Response did not complete normally; inspect saved events and status")\nfinally:\n    manifest = {"responses":complete, "parts":[]}\n    for number, identity in enumerate(dict.fromkeys(list(audio) + list(texts))):\n        record = {"response_id":identity[0], "item_id":identity[1], "output_index":identity[2], "content_index":identity[3]}\n        if identity in audio:\n            raw = bytes(audio[identity])\n            pcm_file = out / ("audio-" + str(number) + ".pcm")\n            wav_file = out / ("audio-" + str(number) + ".wav")\n            pcm_file.write_bytes(raw)\n            with wave.open(str(wav_file), "wb") as wav:\n                wav.setnchannels(1); wav.setsampwidth(2); wav.setframerate(24000); wav.writeframes(raw)\n            record.update({"pcm":str(pcm_file), "wav":str(wav_file), "sample_rate_hz":24000})\n        if identity in texts:\n            text_file = out / ("text-" + str(number) + ".txt")\n            text_file.write_text(texts[identity], encoding="utf-8")\n            record["text"] = str(text_file)\n        manifest["parts"].append(record)\n    (out / "results.json").write_text(json.dumps(manifest, ensure_ascii=False, indent=2), encoding="utf-8")\n    print("\\nSaved every received event and result in", out)\n

Recibir y guardar resultados

Ailoot · Voz en tiempo real

eventos de sesión

Conserva todos los resultados completados

Conserva todas las respuestas, archivos y partes de contenido completos recibidos.

Ensambla cada fragmento incremental de audio devuelto y cada resultado de texto o evento para cada ID real de respuesta.

Si es necesario revisar la respuesta original

Conserva los ID reales de sesión, respuesta y evento, y los comprobantes.

Errores y siguientes pasos
RespuestaCondiciónSiguiente paso
Respuesta426 · invalid_request_errorCondiciónSin actualización de conexión a WebSocketSiguiente pasoUsa un cliente WebSocket con Upgrade: websocket.

Alias

Alias del modelo

Ailoot qwen-audio-3.0-realtime-plus

Alias de rutas de métodos

Usa las rutas de método indicadas arriba.

ID de modelo relacionados

qwen-audio-3.0-realtime-plus

", "method_identity": { "effective_request_model_id": "qwen-audio-3.0-realtime-plus", "fmt": "realtime", "http": "GET", "path": "/v1/realtime?model=qwen-audio-3.0-realtime-plus", "request_model_id": "qwen-audio-3.0-realtime-plus", "route_label": "Core" }, "method_key": "Core|realtime|/v1/realtime?model=qwen-audio-3.0-realtime-plus|qwen-audio-3.0-realtime-plus", "ordinal": 0, "rawMethod": { "cache_read": null, "cache_write": null, "cache_write_1h": null, "cache_write_5m": null, "conditional_meter": null, "contract": { "data": { "all_results": "Ensambla cada fragmento incremental de audio devuelto y cada resultado de texto o evento para cada ID real de respuesta.", "endpoint": { "http": "GET", "path": "/v1/realtime", "query": { "model": "qwen-audio-3.0-realtime-plus" }, "transport": "WebSocket", "url": "wss://api.ailoot.ai/v1/realtime?model=qwen-audio-3.0-realtime-plus" }, "errors": [ { "condition": "Sin actualización de conexión a WebSocket", "http_status": 426, "recovery": "Usa un cliente WebSocket con Upgrade: websocket.", "type": "invalid_request_error" } ], "hints": [ "Append the model query once; do not add another ?model to a URL that already contains it.", "Use the actual WebSocket upgrade and API-key authentication.", "Tools, web search and voiceprint enhancement are not supported on this exact route." ], "ignored_fields": [], "lifecycle": { "close": "Close the actual establishedWebSocket session; no fakeHTTP cancelpath.", "mode": "WebSocket session", "unknown": "Conserva los ID reales de sesión, respuesta y evento, y los comprobantes." }, "material_combinations": [ { "events": [ "session.update", "input_audio_buffer.append", "input_audio_buffer.commit", "input_audio_buffer.clear", "response.create", "response.cancel", "conversation.item.create", "conversation.item.retrieve", "conversation.item.delete" ], "mode": "realtime_text_audio" } ], "operation_modes": [ "realtime_text_audio" ], "outputs": { "all_outputs": "Assemble every returned audio delta and text/event result for each actual response ID.", "audio_format": "PCM16 mono 24 kHz", "family": [ "text", "audio" ], "format": "eventos de sesión" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "default_status": "not_specified", "enum": [ "qwen-audio-3.0-realtime-plus" ], "enum_known": true, "enum_status": "specified", "name": "query.model", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "default_status": "not_specified", "enum": [ "pcm16", "pcm" ], "enum_known": true, "enum_status": "specified", "name": "session.input_audio_format", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "default_status": "not_specified", "enum": [ "pcm16", "pcm" ], "enum_known": true, "enum_status": "specified", "name": "session.output_audio_format", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "default_status": "not_specified", "enum": null, "enum_known": false, "enum_status": "not_specified", "limit_scope": "política de sesión seleccionada", "name": "session.instructions", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "default_status": "not_specified", "enum": null, "enum_known": false, "enum_status": "not_specified", "limit_scope": "política de sesión seleccionada", "minimum": 1, "name": "session.max_history_turns", "required": false, "type": "integer" }, { "availability": "source_interface", "content": "PCM16 mono; entrada de 16 kHz, salida de 24 kHz; contenido no vacío con una longitud par en bytes", "default": null, "default_known": false, "default_status": "not_specified", "enum": null, "enum_known": false, "enum_status": "not_specified", "name": "input_audio_buffer.append.audio", "required": true, "type": "base64_string" } ], "unsupported": [] }, "hints": [ "Las estructuras e ID de los métodos son exactos; la capacidad del proveedor y la admisión son conceptos distintos." ], "input": { "content_type": "WebSocket", "material_types": [ "text", "audio" ], "optional_controls": null, "required": null }, "lifecycle": { "mode": "exact retained published method" }, "method": { "http": "GET", "path": "/v1/realtime?model=qwen-audio-3.0-realtime-plus" }, "operation_modes": [ "realtime" ], "output": { "family": [ "text", "audio" ], "format": "session events", "multioutputs": "retain every actual response output" } }, "ctx": null, "examples": [ { "code": "# Install the documented client once: python3 -m pip install websockets\nimport base64, json, os, time, wave\nfrom pathlib import Path\nfrom websockets.sync.client import connect\n\nkey = os.environ.get(\"AILOOT_API_KEY\", \"\")\nif not key.strip():\n raise SystemExit(\"Set your AILOOT_API_KEY before connecting\")\nfile = Path(os.environ.get(\"AILOOT_TEXT_FILE\", \"\"))\nif not file.is_file(): raise SystemExit(\"Set AILOOT_TEXT_FILE to your actual UTF-8 material\")\nmaterial = file.read_text(encoding=\"utf-8\")\nif not material.strip(): raise SystemExit(\"Text material must not be empty\")\nout = Path(\"realtime-results\")\nout.mkdir(exist_ok=True)\naudio, texts, complete = {}, {}, []\ncurrent_response = None\npending = False\ndeadline = time.monotonic() + 570 # Local client bound; lower server/session limits still apply.\n\ndef receive(ws, log):\n global current_response, pending\n left = deadline - time.monotonic()\n if left <= 0:\n raise TimeoutError(\"Client session limit; preserve IDs and partial results, do not replay\")\n event = json.loads(ws.recv(timeout=min(60, left)))\n log.write(json.dumps(event, ensure_ascii=False) + \"\\n\")\n log.flush()\n kind = event.get(\"type\")\n if kind == \"error\":\n raise RuntimeError(json.dumps(event, ensure_ascii=False))\n if kind == \"response.created\":\n current_response = event[\"response\"][\"id\"]\n if kind in {\"response.audio.delta\", \"response.output_audio.delta\", \"response.text.delta\", \"response.output_text.delta\", \"response.audio_transcript.delta\", \"response.output_audio_transcript.delta\", \"response.text.done\", \"response.audio_transcript.done\"}:\n identity = (event[\"response_id\"], event[\"item_id\"], event[\"output_index\"], event[\"content_index\"])\n if kind in {\"response.audio.delta\", \"response.output_audio.delta\"}:\n raw = base64.b64decode(event[\"delta\"], validate=True)\n if len(raw) % 2: raise ValueError(\"Output PCM16 chunk must have an even byte length\")\n audio.setdefault(identity, bytearray()).extend(raw)\n elif kind.endswith(\".done\"):\n texts[identity] = event.get(\"text\", event.get(\"transcript\", \"\"))\n else:\n texts[identity] = texts.get(identity, \"\") + event[\"delta\"]\n print(event[\"delta\"], end=\"\", flush=True)\n if kind == \"response.done\":\n response = event[\"response\"]\n complete.append(response)\n if current_response is None: current_response = response[\"id\"]\n if response[\"id\"] == current_response: pending = False\n return event\n\ndef wait_for(ws, log, kind):\n while True:\n event = receive(ws, log)\n if event.get(\"type\") == kind: return event\n\ndef send(ws, event):\n ws.send(json.dumps(event, ensure_ascii=False))\n\ntry:\n # One exact model query; no reconnect/retry loop and no provider credentials.\n with connect(\"wss://api.ailoot.ai/v1/realtime?model=qwen-audio-3.0-realtime-plus\", additional_headers={\"Authorization\": \"Bearer \" + key}) as ws:\n with (out / \"events.jsonl\").open(\"w\", encoding=\"utf-8\") as log:\n wait_for(ws, log, \"session.created\")\n send(ws, {\"type\":\"session.update\", \"session\":{\"modalities\":[\"audio\",\"text\"], \"input_audio_format\":\"pcm\", \"output_audio_format\":\"pcm\", \"turn_detection\":None}})\n wait_for(ws, log, \"session.updated\")\n send(ws, {\"type\":\"conversation.item.create\", \"item\":{\"type\":\"message\", \"role\":\"user\", \"content\":[{\"type\":\"input_text\", \"text\":material}]}})\n send(ws, {\"type\":\"response.create\"})\n pending = True\n try:\n while pending: receive(ws, log)\n except KeyboardInterrupt:\n # Cancel the actual current inference, then preserve its returned status.\n send(ws, {\"type\":\"response.cancel\"})\n while pending: receive(ws, log)\n if not complete or complete[-1].get(\"status\") != \"completed\":\n raise RuntimeError(\"Response did not complete normally; inspect saved events and status\")\nfinally:\n manifest = {\"responses\":complete, \"parts\":[]}\n for number, identity in enumerate(dict.fromkeys(list(audio) + list(texts))):\n record = {\"response_id\":identity[0], \"item_id\":identity[1], \"output_index\":identity[2], \"content_index\":identity[3]}\n if identity in audio:\n raw = bytes(audio[identity])\n pcm_file = out / (\"audio-\" + str(number) + \".pcm\")\n wav_file = out / (\"audio-\" + str(number) + \".wav\")\n pcm_file.write_bytes(raw)\n with wave.open(str(wav_file), \"wb\") as wav:\n wav.setnchannels(1); wav.setsampwidth(2); wav.setframerate(24000); wav.writeframes(raw)\n record.update({\"pcm\":str(pcm_file), \"wav\":str(wav_file), \"sample_rate_hz\":24000})\n if identity in texts:\n text_file = out / (\"text-\" + str(number) + \".txt\")\n text_file.write_text(texts[identity], encoding=\"utf-8\")\n record[\"text\"] = str(text_file)\n manifest[\"parts\"].append(record)\n (out / \"results.json\").write_text(json.dumps(manifest, ensure_ascii=False, indent=2), encoding=\"utf-8\")\n print(\"\\nSaved every received event and result in\", out)\n", "label": "Python WebSocket · text material and all text/audio results", "language": "python" }, { "code": "# Install the documented client once: python3 -m pip install websockets\nimport base64, json, os, time, wave\nfrom pathlib import Path\nfrom websockets.sync.client import connect\n\nkey = os.environ.get(\"AILOOT_API_KEY\", \"\")\nif not key.strip():\n raise SystemExit(\"Set your AILOOT_API_KEY before connecting\")\nfile = Path(os.environ.get(\"AILOOT_AUDIO_FILE\", \"\"))\nif not file.is_file(): raise SystemExit(\"Set AILOOT_AUDIO_FILE to your raw PCM16 mono 16-kHz recording\")\nmaterial = file.read_bytes()\nif not material or len(material) % 2 or material.startswith(b\"RIFF\"):\n raise SystemExit(\"Use nonempty signed little-endian PCM16 mono 16-kHz bytes, not a WAV header\")\nout = Path(\"realtime-results\")\nout.mkdir(exist_ok=True)\naudio, texts, complete = {}, {}, []\ncurrent_response = None\npending = False\ndeadline = time.monotonic() + 570 # Local client bound; lower server/session limits still apply.\n\ndef receive(ws, log):\n global current_response, pending\n left = deadline - time.monotonic()\n if left <= 0:\n raise TimeoutError(\"Client session limit; preserve IDs and partial results, do not replay\")\n event = json.loads(ws.recv(timeout=min(60, left)))\n log.write(json.dumps(event, ensure_ascii=False) + \"\\n\")\n log.flush()\n kind = event.get(\"type\")\n if kind == \"error\":\n raise RuntimeError(json.dumps(event, ensure_ascii=False))\n if kind == \"response.created\":\n current_response = event[\"response\"][\"id\"]\n if kind in {\"response.audio.delta\", \"response.output_audio.delta\", \"response.text.delta\", \"response.output_text.delta\", \"response.audio_transcript.delta\", \"response.output_audio_transcript.delta\", \"response.text.done\", \"response.audio_transcript.done\"}:\n identity = (event[\"response_id\"], event[\"item_id\"], event[\"output_index\"], event[\"content_index\"])\n if kind in {\"response.audio.delta\", \"response.output_audio.delta\"}:\n raw = base64.b64decode(event[\"delta\"], validate=True)\n if len(raw) % 2: raise ValueError(\"Output PCM16 chunk must have an even byte length\")\n audio.setdefault(identity, bytearray()).extend(raw)\n elif kind.endswith(\".done\"):\n texts[identity] = event.get(\"text\", event.get(\"transcript\", \"\"))\n else:\n texts[identity] = texts.get(identity, \"\") + event[\"delta\"]\n print(event[\"delta\"], end=\"\", flush=True)\n if kind == \"response.done\":\n response = event[\"response\"]\n complete.append(response)\n if current_response is None: current_response = response[\"id\"]\n if response[\"id\"] == current_response: pending = False\n return event\n\ndef wait_for(ws, log, kind):\n while True:\n event = receive(ws, log)\n if event.get(\"type\") == kind: return event\n\ndef send(ws, event):\n ws.send(json.dumps(event, ensure_ascii=False))\n\ntry:\n # One exact model query; no reconnect/retry loop and no provider credentials.\n with connect(\"wss://api.ailoot.ai/v1/realtime?model=qwen-audio-3.0-realtime-plus\", additional_headers={\"Authorization\": \"Bearer \" + key}) as ws:\n with (out / \"events.jsonl\").open(\"w\", encoding=\"utf-8\") as log:\n wait_for(ws, log, \"session.created\")\n send(ws, {\"type\":\"session.update\", \"session\":{\"modalities\":[\"audio\",\"text\"], \"input_audio_format\":\"pcm\", \"output_audio_format\":\"pcm\", \"turn_detection\":None}})\n wait_for(ws, log, \"session.updated\")\n for offset in range(0, len(material), 640):\n send(ws, {\"type\":\"input_audio_buffer.append\", \"audio\":base64.b64encode(material[offset:offset+640]).decode(\"ascii\")})\n time.sleep(0.02)\n send(ws, {\"type\":\"input_audio_buffer.commit\"})\n wait_for(ws, log, \"input_audio_buffer.committed\")\n send(ws, {\"type\":\"response.create\"})\n pending = True\n try:\n while pending: receive(ws, log)\n except KeyboardInterrupt:\n # Cancel the actual current inference, then preserve its returned status.\n send(ws, {\"type\":\"response.cancel\"})\n while pending: receive(ws, log)\n if not complete or complete[-1].get(\"status\") != \"completed\":\n raise RuntimeError(\"Response did not complete normally; inspect saved events and status\")\nfinally:\n manifest = {\"responses\":complete, \"parts\":[]}\n for number, identity in enumerate(dict.fromkeys(list(audio) + list(texts))):\n record = {\"response_id\":identity[0], \"item_id\":identity[1], \"output_index\":identity[2], \"content_index\":identity[3]}\n if identity in audio:\n raw = bytes(audio[identity])\n pcm_file = out / (\"audio-\" + str(number) + \".pcm\")\n wav_file = out / (\"audio-\" + str(number) + \".wav\")\n pcm_file.write_bytes(raw)\n with wave.open(str(wav_file), \"wb\") as wav:\n wav.setnchannels(1); wav.setsampwidth(2); wav.setframerate(24000); wav.writeframes(raw)\n record.update({\"pcm\":str(pcm_file), \"wav\":str(wav_file), \"sample_rate_hz\":24000})\n if identity in texts:\n text_file = out / (\"text-\" + str(number) + \".txt\")\n text_file.write_text(texts[identity], encoding=\"utf-8\")\n record[\"text\"] = str(text_file)\n manifest[\"parts\"].append(record)\n (out / \"results.json\").write_text(json.dumps(manifest, ensure_ascii=False, indent=2), encoding=\"utf-8\")\n print(\"\\nSaved every received event and result in\", out)\n", "label": "Python WebSocket · actual PCM recording and all results", "language": "python" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "realtime", "http": "GET", "img_in": null, "img_out": null, "in": 0.8, "input": [ "text", "audio" ], "label": "Voz en tiempo real", "max_out": null, "max_tool_calls": null, "out": 6.4, "output": [ "text", "audio" ], "path": "/v1/realtime?model=qwen-audio-3.0-realtime-plus", "pricing_profiles": [ { "dimensions": {}, "label": "Core", "units": [ { "amount": 0.8, "amount_unit": "usd_per_million_tokens", "key": "in", "label": "Input", "side": "in" }, { "amount": 6.4, "amount_unit": "usd_per_million_tokens", "key": "out", "label": "Output", "side": "out" }, { "amount": 0.0048, "amount_unit": "usd_per_display_unit", "key": "audio_input_second", "label": "per minute of audio", "side": "in" }, { "amount": 0.018, "amount_unit": "usd_per_display_unit", "key": "audio_output_second", "label": "per minute of output audio", "side": "out" } ] } ], "request_model_id": "qwen-audio-3.0-realtime-plus", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "conditional", "units": [ { "key": "audio_input_second", "label": "per minute of audio", "side": "in", "usd": 0.0048 }, { "key": "audio_output_second", "label": "per minute of output audio", "side": "out", "usd": 0.018 } ] } } ], "model_id": "qwen-audio-3.0-realtime-plus", "nativeProvenance": { "input_facts_canonical_sha256": "72cf00eb5ae05755de6ba107522b4b38abd3269fdc50de0f86460685832850f2", "input_html_sha256": "20fb6a52a6032ace20f1379ae07087787eafd3860be7b86971c1bb8b8b35d0f9", "private_audit_sha256": "9aeb4ee8ae712b5462518b2f7158ae5f9907e992e3e065358b18102392d2b7b8", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/es/qwen-audio-3-0-realtime-plus/", "description": "Modelo de conversación de voz en tiempo real que recibe voz y texto y responde con voz o texto. Está diseñado para mantener un ritmo de comunicación natural e interactuar con herramientas.", "locale": "es", "md_url": "https://ailoot.ai/models/es/qwen-audio-3-0-realtime-plus/index.md", "title": "qwen-audio-3.0-realtime-plus — Ailoot", "url": "https://ailoot.ai/models/es/qwen-audio-3-0-realtime-plus/" }, "rawModel": { "about": "Qwen-Audio-3.0-Realtime-Plus es un modelo de Alibaba para conversaciones de voz en tiempo real. Recibe voz y texto, responde con audio y texto y admite una conversación bidireccional con un intercambio natural de intervenciones. El audio puede enviarse y recibirse por partes, de modo que la interacción avanza durante la conversación.\n\n### Cuándo ha terminado de hablar el interlocutor\n\nHay varias formas de detectar los límites de una intervención: actividad de audio, finalización semántica y control explícito. En el servicio del fabricante, el modo se elige antes de enviar el primer audio; cambiarlo una vez iniciada la conversación requiere una conexión nueva. La compatibilidad con este control depende del método elegido. El modo semántico tiene en cuenta pausas y muletillas: una breve vacilación no significa necesariamente que el usuario haya terminado de expresar su idea. Una nueva intervención del usuario puede interrumpir la respuesta que se está generando para continuar la conversación teniendo en cuenta lo que acaba de decir. En el modo semántico se puede orientar el reconocimiento con una muestra de voz del interlocutor elegido para prestar menos atención a otras voces y al ruido de fondo.\n\nLas instrucciones definen el papel del asistente y su estilo de comunicación. La expresión de voz puede tener en cuenta el tono, el ritmo y la emoción; la versión 3.0 ofrece cinco voces del sistema y voces basadas en una muestra de habla. El modelo admite 11 idiomas, incluido el ruso, además de las variantes dialectales chinas indicadas por el fabricante. En el servicio del fabricante, la voz se fija en la primera actualización de los ajustes de sesión; enviar después otra voz dentro de la misma conversación se ignora. Estos ajustes requieren compatibilidad del método de acceso elegido.\n\n### Herramientas e historial de conversación\n\nSe admite la llamada a funciones. El modelo propone la acción necesaria, la aplicación conectada la ejecuta y devuelve el resultado al diálogo. Así se puede organizar la conversación en torno a datos reales y continuarla después de la operación. El asistente de voz puede apoyarse en resultados de herramientas manteniendo el contexto de la conversación. Las capacidades del fabricante también incluyen búsqueda web integrada si el método elegido la ofrece. La búsqueda web y las llamadas a funciones no pueden activarse simultáneamente en una misma sesión.\n\nPor defecto, el historial contiene 20 turnos de conversación y admite un rango de uno a 50. El audio acumulado tiene un límite de 300 segundos; se eliminan las partes antiguas del historial cuando se superan los límites. Esto difiere de la duración de una intervención: el historial determina qué material anterior sigue disponible al continuar el diálogo.\n\n### Contexto de texto y audio\n\nEl contexto formal es de 40 960 tokens. La longitud máxima de entrada es de 16 384 tokens y la de salida, 8192; se indican los mismos límites de entrada y salida para el modo de razonamiento, con un límite independiente de 1024 tokens para la cadena de razonamiento.\n\nEl audio en streaming utiliza PCM de un solo canal y representación de 16 bits: 16 kHz en la entrada y 24 kHz en la salida. Texto y audio pertenecen a una misma conversación. No se han anunciado entrada visual ni generación de imágenes para este modelo concreto; su especialidad es la voz, el texto y la interacción hablada.", "alias_of": null, "aliases": [], "author": "Alibaba", "ctx": null, "formats": [ "realtime" ], "id": "qwen-audio-3.0-realtime-plus", "input": [ "text", "audio" ], "kind": "speech", "max_out": null, "methods": [ { "cache_read": null, "cache_write": null, "cache_write_1h": null, "cache_write_5m": null, "conditional_meter": null, "contract": { "data": { "all_results": "Ensambla cada fragmento incremental de audio devuelto y cada resultado de texto o evento para cada ID real de respuesta.", "endpoint": { "http": "GET", "path": "/v1/realtime", "query": { "model": "qwen-audio-3.0-realtime-plus" }, "transport": "WebSocket", "url": "wss://api.ailoot.ai/v1/realtime?model=qwen-audio-3.0-realtime-plus" }, "errors": [ { "condition": "Sin actualización de conexión a WebSocket", "http_status": 426, "recovery": "Usa un cliente WebSocket con Upgrade: websocket.", "type": "invalid_request_error" } ], "hints": [ "Append the model query once; do not add another ?model to a URL that already contains it.", "Use the actual WebSocket upgrade and API-key authentication.", "Tools, web search and voiceprint enhancement are not supported on this exact route." ], "ignored_fields": [], "lifecycle": { "close": "Close the actual establishedWebSocket session; no fakeHTTP cancelpath.", "mode": "WebSocket session", "unknown": "Conserva los ID reales de sesión, respuesta y evento, y los comprobantes." }, "material_combinations": [ { "events": [ "session.update", "input_audio_buffer.append", "input_audio_buffer.commit", "input_audio_buffer.clear", "response.create", "response.cancel", "conversation.item.create", "conversation.item.retrieve", "conversation.item.delete" ], "mode": "realtime_text_audio" } ], "operation_modes": [ "realtime_text_audio" ], "outputs": { "all_outputs": "Assemble every returned audio delta and text/event result for each actual response ID.", "audio_format": "PCM16 mono 24 kHz", "family": [ "text", "audio" ], "format": "eventos de sesión" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "default_status": "not_specified", "enum": [ "qwen-audio-3.0-realtime-plus" ], "enum_known": true, "enum_status": "specified", "name": "query.model", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "default_status": "not_specified", "enum": [ "pcm16", "pcm" ], "enum_known": true, "enum_status": "specified", "name": "session.input_audio_format", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "default_status": "not_specified", "enum": [ "pcm16", "pcm" ], "enum_known": true, "enum_status": "specified", "name": "session.output_audio_format", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "default_status": "not_specified", "enum": null, "enum_known": false, "enum_status": "not_specified", "limit_scope": "política de sesión seleccionada", "name": "session.instructions", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "default_status": "not_specified", "enum": null, "enum_known": false, "enum_status": "not_specified", "limit_scope": "política de sesión seleccionada", "minimum": 1, "name": "session.max_history_turns", "required": false, "type": "integer" }, { "availability": "source_interface", "content": "PCM16 mono; entrada de 16 kHz, salida de 24 kHz; contenido no vacío con una longitud par en bytes", "default": null, "default_known": false, "default_status": "not_specified", "enum": null, "enum_known": false, "enum_status": "not_specified", "name": "input_audio_buffer.append.audio", "required": true, "type": "base64_string" } ], "unsupported": [] }, "hints": [ "Las estructuras e ID de los métodos son exactos; la capacidad del proveedor y la admisión son conceptos distintos." ], "input": { "content_type": "WebSocket", "material_types": [ "text", "audio" ], "optional_controls": null, "required": null }, "lifecycle": { "mode": "exact retained published method" }, "method": { "http": "GET", "path": "/v1/realtime?model=qwen-audio-3.0-realtime-plus" }, "operation_modes": [ "realtime" ], "output": { "family": [ "text", "audio" ], "format": "session events", "multioutputs": "retain every actual response output" } }, "ctx": null, "examples": [ { "code": "# Install the documented client once: python3 -m pip install websockets\nimport base64, json, os, time, wave\nfrom pathlib import Path\nfrom websockets.sync.client import connect\n\nkey = os.environ.get(\"AILOOT_API_KEY\", \"\")\nif not key.strip():\n raise SystemExit(\"Set your AILOOT_API_KEY before connecting\")\nfile = Path(os.environ.get(\"AILOOT_TEXT_FILE\", \"\"))\nif not file.is_file(): raise SystemExit(\"Set AILOOT_TEXT_FILE to your actual UTF-8 material\")\nmaterial = file.read_text(encoding=\"utf-8\")\nif not material.strip(): raise SystemExit(\"Text material must not be empty\")\nout = Path(\"realtime-results\")\nout.mkdir(exist_ok=True)\naudio, texts, complete = {}, {}, []\ncurrent_response = None\npending = False\ndeadline = time.monotonic() + 570 # Local client bound; lower server/session limits still apply.\n\ndef receive(ws, log):\n global current_response, pending\n left = deadline - time.monotonic()\n if left <= 0:\n raise TimeoutError(\"Client session limit; preserve IDs and partial results, do not replay\")\n event = json.loads(ws.recv(timeout=min(60, left)))\n log.write(json.dumps(event, ensure_ascii=False) + \"\\n\")\n log.flush()\n kind = event.get(\"type\")\n if kind == \"error\":\n raise RuntimeError(json.dumps(event, ensure_ascii=False))\n if kind == \"response.created\":\n current_response = event[\"response\"][\"id\"]\n if kind in {\"response.audio.delta\", \"response.output_audio.delta\", \"response.text.delta\", \"response.output_text.delta\", \"response.audio_transcript.delta\", \"response.output_audio_transcript.delta\", \"response.text.done\", \"response.audio_transcript.done\"}:\n identity = (event[\"response_id\"], event[\"item_id\"], event[\"output_index\"], event[\"content_index\"])\n if kind in {\"response.audio.delta\", \"response.output_audio.delta\"}:\n raw = base64.b64decode(event[\"delta\"], validate=True)\n if len(raw) % 2: raise ValueError(\"Output PCM16 chunk must have an even byte length\")\n audio.setdefault(identity, bytearray()).extend(raw)\n elif kind.endswith(\".done\"):\n texts[identity] = event.get(\"text\", event.get(\"transcript\", \"\"))\n else:\n texts[identity] = texts.get(identity, \"\") + event[\"delta\"]\n print(event[\"delta\"], end=\"\", flush=True)\n if kind == \"response.done\":\n response = event[\"response\"]\n complete.append(response)\n if current_response is None: current_response = response[\"id\"]\n if response[\"id\"] == current_response: pending = False\n return event\n\ndef wait_for(ws, log, kind):\n while True:\n event = receive(ws, log)\n if event.get(\"type\") == kind: return event\n\ndef send(ws, event):\n ws.send(json.dumps(event, ensure_ascii=False))\n\ntry:\n # One exact model query; no reconnect/retry loop and no provider credentials.\n with connect(\"wss://api.ailoot.ai/v1/realtime?model=qwen-audio-3.0-realtime-plus\", additional_headers={\"Authorization\": \"Bearer \" + key}) as ws:\n with (out / \"events.jsonl\").open(\"w\", encoding=\"utf-8\") as log:\n wait_for(ws, log, \"session.created\")\n send(ws, {\"type\":\"session.update\", \"session\":{\"modalities\":[\"audio\",\"text\"], \"input_audio_format\":\"pcm\", \"output_audio_format\":\"pcm\", \"turn_detection\":None}})\n wait_for(ws, log, \"session.updated\")\n send(ws, {\"type\":\"conversation.item.create\", \"item\":{\"type\":\"message\", \"role\":\"user\", \"content\":[{\"type\":\"input_text\", \"text\":material}]}})\n send(ws, {\"type\":\"response.create\"})\n pending = True\n try:\n while pending: receive(ws, log)\n except KeyboardInterrupt:\n # Cancel the actual current inference, then preserve its returned status.\n send(ws, {\"type\":\"response.cancel\"})\n while pending: receive(ws, log)\n if not complete or complete[-1].get(\"status\") != \"completed\":\n raise RuntimeError(\"Response did not complete normally; inspect saved events and status\")\nfinally:\n manifest = {\"responses\":complete, \"parts\":[]}\n for number, identity in enumerate(dict.fromkeys(list(audio) + list(texts))):\n record = {\"response_id\":identity[0], \"item_id\":identity[1], \"output_index\":identity[2], \"content_index\":identity[3]}\n if identity in audio:\n raw = bytes(audio[identity])\n pcm_file = out / (\"audio-\" + str(number) + \".pcm\")\n wav_file = out / (\"audio-\" + str(number) + \".wav\")\n pcm_file.write_bytes(raw)\n with wave.open(str(wav_file), \"wb\") as wav:\n wav.setnchannels(1); wav.setsampwidth(2); wav.setframerate(24000); wav.writeframes(raw)\n record.update({\"pcm\":str(pcm_file), \"wav\":str(wav_file), \"sample_rate_hz\":24000})\n if identity in texts:\n text_file = out / (\"text-\" + str(number) + \".txt\")\n text_file.write_text(texts[identity], encoding=\"utf-8\")\n record[\"text\"] = str(text_file)\n manifest[\"parts\"].append(record)\n (out / \"results.json\").write_text(json.dumps(manifest, ensure_ascii=False, indent=2), encoding=\"utf-8\")\n print(\"\\nSaved every received event and result in\", out)\n", "label": "Python WebSocket · text material and all text/audio results", "language": "python" }, { "code": "# Install the documented client once: python3 -m pip install websockets\nimport base64, json, os, time, wave\nfrom pathlib import Path\nfrom websockets.sync.client import connect\n\nkey = os.environ.get(\"AILOOT_API_KEY\", \"\")\nif not key.strip():\n raise SystemExit(\"Set your AILOOT_API_KEY before connecting\")\nfile = Path(os.environ.get(\"AILOOT_AUDIO_FILE\", \"\"))\nif not file.is_file(): raise SystemExit(\"Set AILOOT_AUDIO_FILE to your raw PCM16 mono 16-kHz recording\")\nmaterial = file.read_bytes()\nif not material or len(material) % 2 or material.startswith(b\"RIFF\"):\n raise SystemExit(\"Use nonempty signed little-endian PCM16 mono 16-kHz bytes, not a WAV header\")\nout = Path(\"realtime-results\")\nout.mkdir(exist_ok=True)\naudio, texts, complete = {}, {}, []\ncurrent_response = None\npending = False\ndeadline = time.monotonic() + 570 # Local client bound; lower server/session limits still apply.\n\ndef receive(ws, log):\n global current_response, pending\n left = deadline - time.monotonic()\n if left <= 0:\n raise TimeoutError(\"Client session limit; preserve IDs and partial results, do not replay\")\n event = json.loads(ws.recv(timeout=min(60, left)))\n log.write(json.dumps(event, ensure_ascii=False) + \"\\n\")\n log.flush()\n kind = event.get(\"type\")\n if kind == \"error\":\n raise RuntimeError(json.dumps(event, ensure_ascii=False))\n if kind == \"response.created\":\n current_response = event[\"response\"][\"id\"]\n if kind in {\"response.audio.delta\", \"response.output_audio.delta\", \"response.text.delta\", \"response.output_text.delta\", \"response.audio_transcript.delta\", \"response.output_audio_transcript.delta\", \"response.text.done\", \"response.audio_transcript.done\"}:\n identity = (event[\"response_id\"], event[\"item_id\"], event[\"output_index\"], event[\"content_index\"])\n if kind in {\"response.audio.delta\", \"response.output_audio.delta\"}:\n raw = base64.b64decode(event[\"delta\"], validate=True)\n if len(raw) % 2: raise ValueError(\"Output PCM16 chunk must have an even byte length\")\n audio.setdefault(identity, bytearray()).extend(raw)\n elif kind.endswith(\".done\"):\n texts[identity] = event.get(\"text\", event.get(\"transcript\", \"\"))\n else:\n texts[identity] = texts.get(identity, \"\") + event[\"delta\"]\n print(event[\"delta\"], end=\"\", flush=True)\n if kind == \"response.done\":\n response = event[\"response\"]\n complete.append(response)\n if current_response is None: current_response = response[\"id\"]\n if response[\"id\"] == current_response: pending = False\n return event\n\ndef wait_for(ws, log, kind):\n while True:\n event = receive(ws, log)\n if event.get(\"type\") == kind: return event\n\ndef send(ws, event):\n ws.send(json.dumps(event, ensure_ascii=False))\n\ntry:\n # One exact model query; no reconnect/retry loop and no provider credentials.\n with connect(\"wss://api.ailoot.ai/v1/realtime?model=qwen-audio-3.0-realtime-plus\", additional_headers={\"Authorization\": \"Bearer \" + key}) as ws:\n with (out / \"events.jsonl\").open(\"w\", encoding=\"utf-8\") as log:\n wait_for(ws, log, \"session.created\")\n send(ws, {\"type\":\"session.update\", \"session\":{\"modalities\":[\"audio\",\"text\"], \"input_audio_format\":\"pcm\", \"output_audio_format\":\"pcm\", \"turn_detection\":None}})\n wait_for(ws, log, \"session.updated\")\n for offset in range(0, len(material), 640):\n send(ws, {\"type\":\"input_audio_buffer.append\", \"audio\":base64.b64encode(material[offset:offset+640]).decode(\"ascii\")})\n time.sleep(0.02)\n send(ws, {\"type\":\"input_audio_buffer.commit\"})\n wait_for(ws, log, \"input_audio_buffer.committed\")\n send(ws, {\"type\":\"response.create\"})\n pending = True\n try:\n while pending: receive(ws, log)\n except KeyboardInterrupt:\n # Cancel the actual current inference, then preserve its returned status.\n send(ws, {\"type\":\"response.cancel\"})\n while pending: receive(ws, log)\n if not complete or complete[-1].get(\"status\") != \"completed\":\n raise RuntimeError(\"Response did not complete normally; inspect saved events and status\")\nfinally:\n manifest = {\"responses\":complete, \"parts\":[]}\n for number, identity in enumerate(dict.fromkeys(list(audio) + list(texts))):\n record = {\"response_id\":identity[0], \"item_id\":identity[1], \"output_index\":identity[2], \"content_index\":identity[3]}\n if identity in audio:\n raw = bytes(audio[identity])\n pcm_file = out / (\"audio-\" + str(number) + \".pcm\")\n wav_file = out / (\"audio-\" + str(number) + \".wav\")\n pcm_file.write_bytes(raw)\n with wave.open(str(wav_file), \"wb\") as wav:\n wav.setnchannels(1); wav.setsampwidth(2); wav.setframerate(24000); wav.writeframes(raw)\n record.update({\"pcm\":str(pcm_file), \"wav\":str(wav_file), \"sample_rate_hz\":24000})\n if identity in texts:\n text_file = out / (\"text-\" + str(number) + \".txt\")\n text_file.write_text(texts[identity], encoding=\"utf-8\")\n record[\"text\"] = str(text_file)\n manifest[\"parts\"].append(record)\n (out / \"results.json\").write_text(json.dumps(manifest, ensure_ascii=False, indent=2), encoding=\"utf-8\")\n print(\"\\nSaved every received event and result in\", out)\n", "label": "Python WebSocket · actual PCM recording and all results", "language": "python" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "realtime", "http": "GET", "img_in": null, "img_out": null, "in": 0.8, "input": [ "text", "audio" ], "label": "Voz en tiempo real", "max_out": null, "max_tool_calls": null, "out": 6.4, "output": [ "text", "audio" ], "path": "/v1/realtime?model=qwen-audio-3.0-realtime-plus", "pricing_profiles": [ { "dimensions": {}, "label": "Core", "units": [ { "amount": 0.8, "amount_unit": "usd_per_million_tokens", "key": "in", "label": "Input", "side": "in" }, { "amount": 6.4, "amount_unit": "usd_per_million_tokens", "key": "out", "label": "Output", "side": "out" }, { "amount": 0.0048, "amount_unit": "usd_per_display_unit", "key": "audio_input_second", "label": "per minute of audio", "side": "in" }, { "amount": 0.018, "amount_unit": "usd_per_display_unit", "key": "audio_output_second", "label": "per minute of output audio", "side": "out" } ] } ], "request_model_id": "qwen-audio-3.0-realtime-plus", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "conditional", "units": [ { "key": "audio_input_second", "label": "per minute of audio", "side": "in", "usd": 0.0048 }, { "key": "audio_output_second", "label": "per minute of output audio", "side": "out", "usd": 0.018 } ] } ], "model_aliases": [ { "canonical_model_id": "qwen-audio-3.0-realtime-plus", "request_model_id": "qwen-audio-3.0-realtime-plus", "route_label": "Core" } ], "name": "qwen-audio-3.0-realtime-plus", "price": { "in": 0.8, "in_label": null, "out": 6.4, "out_label": null, "sort_in": 0.8, "sort_out": 6.4, "varies": false }, "short": "Modelo de conversación de voz en tiempo real que recibe voz y texto y responde con voz o texto. Está diseñado para mantener un ritmo de comunicación natural e interactuar con herramientas." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "Modelo de conversación de voz en tiempo real que recibe voz y texto y responde con voz o texto. Está diseñado para mantener un ritmo de comunicación natural e interactuar con herramientas.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "059b2fb3ad97359616cbcd6d2d23f0a3a966d0b94f1d9a453bd32e88adac21cc", "renderer_sha256": "b6d488b4bdee68568e5b17d2d4871b2ba1885e1032091b635a7a58ad2ca224e7" }, "sourceRevision": "a6191014049d36832c1456bef4b3372cfa6ad757e984ee61f8513bdd5251f403" }