Visión general: descripciones detalladas del sonido
Qwen3-Omni-30B-A3B-Captioner es un modelo especializado de descripción de audio ajustado a partir de Qwen3-Omni-30B-A3B-Instruct. Convierte un clip de audio en un relato textual detallado de lo que se oye. Qwen lo diseñó para material variado, incluidos habla, sonidos ambientales, música, efectos cinematográficos y mezclas de varias fuentes sonoras. Esto lo hace útil para preparar una descripción con capacidad de búsqueda de un recurso de audio o revisar las capas sonoras de un segmento multimedia breve.
Comprensión del habla y de otros sonidos
El desarrollador describe análisis de varios hablantes, expresiones multilingües, emoción vocal e intenciones sugeridas por la forma de hablar. Sus ejemplos van más allá de una transcripción: describen cómo suenan las voces, el idioma del habla y la escena acústica circundante. Para audio sin habla, el modelo describe el ambiente, sonidos del mundo real, capas musicales y detalles dinámicos de películas o medios.
Las descripciones del estado de ánimo, la intención del hablante o el contexto cultural son interpretaciones del material audible. Trátalas por separado del habla y los eventos sonoros directamente comprobables. Una descripción puede ayudar a quien revisa a percibir un cambio de tono o una capa de fondo; no es una medida de las emociones privadas de una persona ni una prueba de la fuente física de un sonido ambiguo.
La edición Captioner y sus condiciones de entrada
Este punto de control es de un solo turno. Acepta exactamente una entrada de audio por inferencia, sin prompt textual, y devuelve solo texto. Contiene el componente thinker para comprensión de audio; la configuración publicada desactiva expresamente la salida de audio. No transfieras a Captioner las funciones conversacionales, de imagen, vídeo o generación de voz de otras ediciones Qwen3-Omni por compartir el nombre de familia.
La ausencia de prompt textual importa en la práctica. Prepara el segmento de audio que quieras describir y envía ese segmento como la tarea completa. No añadas una instrucción que pida un resumen personalizado, una traducción, una respuesta del hablante o un esquema de salida. Si un flujo necesita esas transformaciones, corresponden a una etapa independiente que trabaje sobre la descripción devuelta, en lugar de ser controles asumidos de este punto de control de descripción.
Preparación de audio útil
Qwen recomienda limitar un clip a no más de 30 segundos para una descripción minuciosa. Es una recomendación de calidad: un audio excesivamente largo puede reducir la percepción del detalle. No se presenta como un umbral universal estricto de rechazo. Para una grabación más larga, selecciona un segmento breve significativo en torno al evento o escena que se está revisando. Mantén su identificador de origen y tiempo de inicio fuera de la solicitud al modelo para poder rastrear después la descripción devuelta hasta la grabación original.
Conserva las capas sonoras pertinentes para la pregunta. Un fragmento centrado en voz debe seguir incluyendo el fondo cuando ese fondo afecte a la descripción prevista; un recurso de música o efectos de sonido debe conservar su transición importante, en lugar de cortarse en un límite arbitrario. Procesar los clips por separado ayuda a conservar el detalle local, pero no establece continuidad automática ni comprensión de toda la grabación entre solicitudes.
Para qué sirve el resultado textual
El recetario del desarrollador muestra descripciones que detallan el contenido y la forma de hablar, y después la escena circundante; otros ejemplos describen música, efectos, cambios de intensidad y la secuencia de eventos vocales. Un catálogo de audio puede almacenar ese texto devuelto junto con el nombre del recurso y el intervalo temporal. Quien revise material multimedia puede utilizarlo como borrador de registro sonoro. Un editor puede comparar la descripción con el clip para identificar si recoge las capas previstas. Son ejemplos de aplicación, no pruebas de que el modelo haya escuchado de antemano ningún recurso concreto del usuario.
La salida es una descripción, no una transcripción palabra por palabra prometida, una tabla de diarización, un archivo de subtítulos con marcas de tiempo o una banda sonora generada. Cuando se requieran palabras habladas o tiempos exactos, comprueba la descripción frente al audio y utiliza un flujo dedicado adecuado para el artefacto necesario. Una descripción muy elaborada puede incluir información inferida sobre la escena o el género, así que conserva la incertidumbre cuando el sonido por sí mismo no identifique la fuente inequívocamente.
Ejemplos de generación y límites
El ejemplo independiente del desarrollador establece un contexto de modelo de 32,768 tokens y una capacidad de generación de 16,384 tokens, utilizando temperatura 0.6, top_p 0.95 y top_k 20. Su recetario utiliza una capacidad de generación de 8,192 tokens con los mismos valores de muestreo. Son configuraciones de ejemplo, no extensiones máximas de descripción declaradas por separado. La configuración textual subyacente indica 65,536 posiciones, lo que no debe convertirse en una garantía de duración de audio.
El código genérico de utilidades o los campos de configuración compartidos con la familia Omni no anulan las condiciones explícitas de Captioner: un audio, sin texto y salida solo textual. El resultado útil es una descripción detallada de una escena audible breve; comprueba las citas del habla, los recuentos de hablantes y las fuentes sonoras inferidas antes de utilizarlo como registro fiable de referencia.
", "aboutText": "Visión general: descripciones detalladas del sonido\n\nQwen3-Omni-30B-A3B-Captioner es un modelo especializado de descripción de audio ajustado a partir de Qwen3-Omni-30B-A3B-Instruct. Convierte un clip de audio en un relato textual detallado de lo que se oye. Qwen lo diseñó para material variado, incluidos habla, sonidos ambientales, música, efectos cinematográficos y mezclas de varias fuentes sonoras. Esto lo hace útil para preparar una descripción con capacidad de búsqueda de un recurso de audio o revisar las capas sonoras de un segmento multimedia breve.\n\nComprensión del habla y de otros sonidos\n\nEl desarrollador describe análisis de varios hablantes, expresiones multilingües, emoción vocal e intenciones sugeridas por la forma de hablar. Sus ejemplos van más allá de una transcripción: describen cómo suenan las voces, el idioma del habla y la escena acústica circundante. Para audio sin habla, el modelo describe el ambiente, sonidos del mundo real, capas musicales y detalles dinámicos de películas o medios.\n\nLas descripciones del estado de ánimo, la intención del hablante o el contexto cultural son interpretaciones del material audible. Trátalas por separado del habla y los eventos sonoros directamente comprobables. Una descripción puede ayudar a quien revisa a percibir un cambio de tono o una capa de fondo; no es una medida de las emociones privadas de una persona ni una prueba de la fuente física de un sonido ambiguo.\n\nLa edición Captioner y sus condiciones de entrada\n\nEste punto de control es de un solo turno. Acepta exactamente una entrada de audio por inferencia, sin prompt textual, y devuelve solo texto. Contiene el componente thinker para comprensión de audio; la configuración publicada desactiva expresamente la salida de audio. No transfieras a Captioner las funciones conversacionales, de imagen, vídeo o generación de voz de otras ediciones Qwen3-Omni por compartir el nombre de familia.\n\nLa ausencia de prompt textual importa en la práctica. Prepara el segmento de audio que quieras describir y envía ese segmento como la tarea completa. No añadas una instrucción que pida un resumen personalizado, una traducción, una respuesta del hablante o un esquema de salida. Si un flujo necesita esas transformaciones, corresponden a una etapa independiente que trabaje sobre la descripción devuelta, en lugar de ser controles asumidos de este punto de control de descripción.\n\nPreparación de audio útil\n\nQwen recomienda limitar un clip a no más de 30 segundos para una descripción minuciosa. Es una recomendación de calidad: un audio excesivamente largo puede reducir la percepción del detalle. No se presenta como un umbral universal estricto de rechazo. Para una grabación más larga, selecciona un segmento breve significativo en torno al evento o escena que se está revisando. Mantén su identificador de origen y tiempo de inicio fuera de la solicitud al modelo para poder rastrear después la descripción devuelta hasta la grabación original.\n\nConserva las capas sonoras pertinentes para la pregunta. Un fragmento centrado en voz debe seguir incluyendo el fondo cuando ese fondo afecte a la descripción prevista; un recurso de música o efectos de sonido debe conservar su transición importante, en lugar de cortarse en un límite arbitrario. Procesar los clips por separado ayuda a conservar el detalle local, pero no establece continuidad automática ni comprensión de toda la grabación entre solicitudes.\n\nPara qué sirve el resultado textual\n\nEl recetario del desarrollador muestra descripciones que detallan el contenido y la forma de hablar, y después la escena circundante; otros ejemplos describen música, efectos, cambios de intensidad y la secuencia de eventos vocales. Un catálogo de audio puede almacenar ese texto devuelto junto con el nombre del recurso y el intervalo temporal. Quien revise material multimedia puede utilizarlo como borrador de registro sonoro. Un editor puede comparar la descripción con el clip para identificar si recoge las capas previstas. Son ejemplos de aplicación, no pruebas de que el modelo haya escuchado de antemano ningún recurso concreto del usuario.\n\nLa salida es una descripción, no una transcripción palabra por palabra prometida, una tabla de diarización, un archivo de subtítulos con marcas de tiempo o una banda sonora generada. Cuando se requieran palabras habladas o tiempos exactos, comprueba la descripción frente al audio y utiliza un flujo dedicado adecuado para el artefacto necesario. Una descripción muy elaborada puede incluir información inferida sobre la escena o el género, así que conserva la incertidumbre cuando el sonido por sí mismo no identifique la fuente inequívocamente.\n\nEjemplos de generación y límites\n\nEl ejemplo independiente del desarrollador establece un contexto de modelo de 32,768 tokens y una capacidad de generación de 16,384 tokens, utilizando temperatura 0.6, top_p 0.95 y top_k 20. Su recetario utiliza una capacidad de generación de 8,192 tokens con los mismos valores de muestreo. Son configuraciones de ejemplo, no extensiones máximas de descripción declaradas por separado. La configuración textual subyacente indica 65,536 posiciones, lo que no debe convertirse en una garantía de duración de audio.\n\nEl código genérico de utilidades o los campos de configuración compartidos con la familia Omni no anulan las condiciones explícitas de Captioner: un audio, sin texto y salida solo textual. El resultado útil es una descripción detallada de una escena audible breve; comprueba las citas del habla, los recuentos de hablantes y las fuentes sonoras inferidas antes de utilizarlo como registro fiable de referencia.", "editorialOverlay": { "copy_fields": { "practical_html": "La descripción del modelo requiere audio, pero la ruta seleccionada declara entrada de texto. No se ofrece un ejemplo de generación listo para ejecutar para esta discrepancia.
Ejemplo técnico en inglés
Describe one short audio asset\n\nManufacturer workflow only: select one short audio clip whose sound layers need a description. Submit exactly that audio input with no text prompt through the documented manufacturer workflow. Keep the asset identifier outside the request. The selected Ailoot text-only route does not provide this audio-input workflow.A detailed text caption covering audible speech, background sounds, music and event order when present, with uncertain sound sources or intentions kept distinct from direct audible observations.Compare the caption with the same clip for sound sequence and sources; reconcile the Ailoot text-input mismatch before use. Do not send this preparation note as a text prompt.Qwen/Qwen3-Omni-30B-A3B-CaptionerQwen3-Omni-30B-A3B-Captioner describe como texto el habla, la música, los sonidos ambientales y el audio cinematográfico. Esta edición especializada de un solo turno acepta una entrada de audio sin prompt textual; Qwen recomienda clips de no más de 30 segundos para conservar el detalle fino.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Visión general: descripciones detalladas del sonido
Qwen3-Omni-30B-A3B-Captioner es un modelo especializado de descripción de audio ajustado a partir de Qwen3-Omni-30B-A3B-Instruct. Convierte un clip de audio en un relato textual detallado de lo que se oye. Qwen lo diseñó para material variado, incluidos habla, sonidos ambientales, música, efectos cinematográficos y mezclas de varias fuentes sonoras. Esto lo hace útil para preparar una descripción con capacidad de búsqueda de un recurso de audio o revisar las capas sonoras de un segmento multimedia breve.
Comprensión del habla y de otros sonidos
El desarrollador describe análisis de varios hablantes, expresiones multilingües, emoción vocal e intenciones sugeridas por la forma de hablar. Sus ejemplos van más allá de una transcripción: describen cómo suenan las voces, el idioma del habla y la escena acústica circundante. Para audio sin habla, el modelo describe el ambiente, sonidos del mundo real, capas musicales y detalles dinámicos de películas o medios.
Las descripciones del estado de ánimo, la intención del hablante o el contexto cultural son interpretaciones del material audible. Trátalas por separado del habla y los eventos sonoros directamente comprobables. Una descripción puede ayudar a quien revisa a percibir un cambio de tono o una capa de fondo; no es una medida de las emociones privadas de una persona ni una prueba de la fuente física de un sonido ambiguo.
La edición Captioner y sus condiciones de entrada
Este punto de control es de un solo turno. Acepta exactamente una entrada de audio por inferencia, sin prompt textual, y devuelve solo texto. Contiene el componente thinker para comprensión de audio; la configuración publicada desactiva expresamente la salida de audio. No transfieras a Captioner las funciones conversacionales, de imagen, vídeo o generación de voz de otras ediciones Qwen3-Omni por compartir el nombre de familia.
La ausencia de prompt textual importa en la práctica. Prepara el segmento de audio que quieras describir y envía ese segmento como la tarea completa. No añadas una instrucción que pida un resumen personalizado, una traducción, una respuesta del hablante o un esquema de salida. Si un flujo necesita esas transformaciones, corresponden a una etapa independiente que trabaje sobre la descripción devuelta, en lugar de ser controles asumidos de este punto de control de descripción.
Preparación de audio útil
Qwen recomienda limitar un clip a no más de 30 segundos para una descripción minuciosa. Es una recomendación de calidad: un audio excesivamente largo puede reducir la percepción del detalle. No se presenta como un umbral universal estricto de rechazo. Para una grabación más larga, selecciona un segmento breve significativo en torno al evento o escena que se está revisando. Mantén su identificador de origen y tiempo de inicio fuera de la solicitud al modelo para poder rastrear después la descripción devuelta hasta la grabación original.
Conserva las capas sonoras pertinentes para la pregunta. Un fragmento centrado en voz debe seguir incluyendo el fondo cuando ese fondo afecte a la descripción prevista; un recurso de música o efectos de sonido debe conservar su transición importante, en lugar de cortarse en un límite arbitrario. Procesar los clips por separado ayuda a conservar el detalle local, pero no establece continuidad automática ni comprensión de toda la grabación entre solicitudes.
Para qué sirve el resultado textual
El recetario del desarrollador muestra descripciones que detallan el contenido y la forma de hablar, y después la escena circundante; otros ejemplos describen música, efectos, cambios de intensidad y la secuencia de eventos vocales. Un catálogo de audio puede almacenar ese texto devuelto junto con el nombre del recurso y el intervalo temporal. Quien revise material multimedia puede utilizarlo como borrador de registro sonoro. Un editor puede comparar la descripción con el clip para identificar si recoge las capas previstas. Son ejemplos de aplicación, no pruebas de que el modelo haya escuchado de antemano ningún recurso concreto del usuario.
La salida es una descripción, no una transcripción palabra por palabra prometida, una tabla de diarización, un archivo de subtítulos con marcas de tiempo o una banda sonora generada. Cuando se requieran palabras habladas o tiempos exactos, comprueba la descripción frente al audio y utiliza un flujo dedicado adecuado para el artefacto necesario. Una descripción muy elaborada puede incluir información inferida sobre la escena o el género, así que conserva la incertidumbre cuando el sonido por sí mismo no identifique la fuente inequívocamente.
Ejemplos de generación y límites
El ejemplo independiente del desarrollador establece un contexto de modelo de 32,768 tokens y una capacidad de generación de 16,384 tokens, utilizando temperatura 0.6, top_p 0.95 y top_k 20. Su recetario utiliza una capacidad de generación de 8,192 tokens con los mismos valores de muestreo. Son configuraciones de ejemplo, no extensiones máximas de descripción declaradas por separado. La configuración textual subyacente indica 65,536 posiciones, lo que no debe convertirse en una garantía de duración de audio.
El código genérico de utilidades o los campos de configuración compartidos con la familia Omni no anulan las condiciones explícitas de Captioner: un audio, sin texto y salida solo textual. El resultado útil es una descripción detallada de una escena audible breve; comprueba las citas del habla, los recuentos de hablantes y las fuentes sonoras inferidas antes de utilizarlo como registro fiable de referencia.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites Qwen/Qwen3-Omni-30B-A3B-Captioner | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites function Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores y límites text | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza en esta ruta de texto Ultra | Predeterminado— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores y límites Condiciones: 1h se rechaza en los campos reales de caché de instrucciones | Predeterminado— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parámetrocontrol_scope | Contratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.0002 / 1K tokens Salida · Tokens de salida $0.0008 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un 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 →
La descripción del modelo requiere audio, pero la ruta seleccionada declara entrada de texto. No se ofrece un ejemplo de generación listo para ejecutar para esta discrepancia.
manufacturer: audio → text
route: text → text
json o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y las cabeceras. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra Qwen/Qwen3-Omni-30B-A3B-Captioner
Usa las rutas de método indicadas arriba.
Qwen/Qwen3-Omni-30B-A3B-CaptionerQwen3-Omni-30B-A3B-Captioner describe como texto el habla, la música, los sonidos ambientales y el audio cinematográfico. Esta edición especializada de un solo turno acepta una entrada de audio sin prompt textual; Qwen recomienda clips de no más de 30 segundos para conservar el detalle fino.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Visión general: descripciones detalladas del sonido
Qwen3-Omni-30B-A3B-Captioner es un modelo especializado de descripción de audio ajustado a partir de Qwen3-Omni-30B-A3B-Instruct. Convierte un clip de audio en un relato textual detallado de lo que se oye. Qwen lo diseñó para material variado, incluidos habla, sonidos ambientales, música, efectos cinematográficos y mezclas de varias fuentes sonoras. Esto lo hace útil para preparar una descripción con capacidad de búsqueda de un recurso de audio o revisar las capas sonoras de un segmento multimedia breve.
Comprensión del habla y de otros sonidos
El desarrollador describe análisis de varios hablantes, expresiones multilingües, emoción vocal e intenciones sugeridas por la forma de hablar. Sus ejemplos van más allá de una transcripción: describen cómo suenan las voces, el idioma del habla y la escena acústica circundante. Para audio sin habla, el modelo describe el ambiente, sonidos del mundo real, capas musicales y detalles dinámicos de películas o medios.
Las descripciones del estado de ánimo, la intención del hablante o el contexto cultural son interpretaciones del material audible. Trátalas por separado del habla y los eventos sonoros directamente comprobables. Una descripción puede ayudar a quien revisa a percibir un cambio de tono o una capa de fondo; no es una medida de las emociones privadas de una persona ni una prueba de la fuente física de un sonido ambiguo.
La edición Captioner y sus condiciones de entrada
Este punto de control es de un solo turno. Acepta exactamente una entrada de audio por inferencia, sin prompt textual, y devuelve solo texto. Contiene el componente thinker para comprensión de audio; la configuración publicada desactiva expresamente la salida de audio. No transfieras a Captioner las funciones conversacionales, de imagen, vídeo o generación de voz de otras ediciones Qwen3-Omni por compartir el nombre de familia.
La ausencia de prompt textual importa en la práctica. Prepara el segmento de audio que quieras describir y envía ese segmento como la tarea completa. No añadas una instrucción que pida un resumen personalizado, una traducción, una respuesta del hablante o un esquema de salida. Si un flujo necesita esas transformaciones, corresponden a una etapa independiente que trabaje sobre la descripción devuelta, en lugar de ser controles asumidos de este punto de control de descripción.
Preparación de audio útil
Qwen recomienda limitar un clip a no más de 30 segundos para una descripción minuciosa. Es una recomendación de calidad: un audio excesivamente largo puede reducir la percepción del detalle. No se presenta como un umbral universal estricto de rechazo. Para una grabación más larga, selecciona un segmento breve significativo en torno al evento o escena que se está revisando. Mantén su identificador de origen y tiempo de inicio fuera de la solicitud al modelo para poder rastrear después la descripción devuelta hasta la grabación original.
Conserva las capas sonoras pertinentes para la pregunta. Un fragmento centrado en voz debe seguir incluyendo el fondo cuando ese fondo afecte a la descripción prevista; un recurso de música o efectos de sonido debe conservar su transición importante, en lugar de cortarse en un límite arbitrario. Procesar los clips por separado ayuda a conservar el detalle local, pero no establece continuidad automática ni comprensión de toda la grabación entre solicitudes.
Para qué sirve el resultado textual
El recetario del desarrollador muestra descripciones que detallan el contenido y la forma de hablar, y después la escena circundante; otros ejemplos describen música, efectos, cambios de intensidad y la secuencia de eventos vocales. Un catálogo de audio puede almacenar ese texto devuelto junto con el nombre del recurso y el intervalo temporal. Quien revise material multimedia puede utilizarlo como borrador de registro sonoro. Un editor puede comparar la descripción con el clip para identificar si recoge las capas previstas. Son ejemplos de aplicación, no pruebas de que el modelo haya escuchado de antemano ningún recurso concreto del usuario.
La salida es una descripción, no una transcripción palabra por palabra prometida, una tabla de diarización, un archivo de subtítulos con marcas de tiempo o una banda sonora generada. Cuando se requieran palabras habladas o tiempos exactos, comprueba la descripción frente al audio y utiliza un flujo dedicado adecuado para el artefacto necesario. Una descripción muy elaborada puede incluir información inferida sobre la escena o el género, así que conserva la incertidumbre cuando el sonido por sí mismo no identifique la fuente inequívocamente.
Ejemplos de generación y límites
El ejemplo independiente del desarrollador establece un contexto de modelo de 32,768 tokens y una capacidad de generación de 16,384 tokens, utilizando temperatura 0.6, top_p 0.95 y top_k 20. Su recetario utiliza una capacidad de generación de 8,192 tokens con los mismos valores de muestreo. Son configuraciones de ejemplo, no extensiones máximas de descripción declaradas por separado. La configuración textual subyacente indica 65,536 posiciones, lo que no debe convertirse en una garantía de duración de audio.
El código genérico de utilidades o los campos de configuración compartidos con la familia Omni no anulan las condiciones explícitas de Captioner: un audio, sin texto y salida solo textual. El resultado útil es una descripción detallada de una escena audible breve; comprueba las citas del habla, los recuentos de hablantes y las fuentes sonoras inferidas antes de utilizarlo como registro fiable de referencia.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites Qwen/Qwen3-Omni-30B-A3B-Captioner | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.0002 / 1K tokens Salida · Tokens de salida $0.0008 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un 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 →
La descripción del modelo requiere audio, pero la ruta seleccionada declara entrada de texto. No se ofrece un ejemplo de generación listo para ejecutar para esta discrepancia.
manufacturer: audio → text
route: text → json, sse
JSON o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y las cabeceras. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra Qwen/Qwen3-Omni-30B-A3B-Captioner
Usa las rutas de método indicadas arriba.
La descripción del modelo requiere audio, pero la ruta seleccionada declara entrada de texto. No se ofrece un ejemplo de generación listo para ejecutar para esta discrepancia.
Ejemplo técnico en inglés
Describe one short audio asset\n\nManufacturer workflow only: select one short audio clip whose sound layers need a description. Submit exactly that audio input with no text prompt through the documented manufacturer workflow. Keep the asset identifier outside the request. The selected Ailoot text-only route does not provide this audio-input workflow.A detailed text caption covering audible speech, background sounds, music and event order when present, with uncertain sound sources or intentions kept distinct from direct audible observations.Compare the caption with the same clip for sound sequence and sources; reconcile the Ailoot text-input mismatch before use. Do not send this preparation note as a text prompt.