Aperçu: descriptions détaillées des sons
Qwen3-Omni-30B-A3B-Captioner est un modèle spécialisé de description audio affiné à partir de Qwen3-Omni-30B-A3B-Instruct. Il transforme un extrait audio en un compte rendu textuel détaillé de ce qui est entendu. Qwen l’a conçu pour des contenus variés, notamment la parole, les sons de l’environnement, la musique, les effets cinématographiques et les mélanges de plusieurs sources sonores. Il est donc utile pour préparer la description d’un élément audio pouvant faire l’objet d’une recherche ou pour examiner les couches sonores d’un court segment média.
Compréhension de la parole et des sons autres que la parole
Le fabricant décrit l’analyse de plusieurs locuteurs, d’expressions multilingues, de l’émotion vocale et des intentions suggérées par la manière de s’exprimer. Ses exemples vont au-delà de la transcription: ils décrivent le son des voix, la langue parlée et la scène acoustique environnante. Pour les sons autres que la parole, le modèle décrit l’ambiance sonore, les sons du monde réel, les couches musicales et les détails dynamiques dans les films ou les médias.
Les descriptions de l’ambiance, de l’intention d’un locuteur ou du contexte culturel sont des interprétations du contenu audible. Traitez-les séparément de la parole et des événements sonores directement vérifiables. Une description peut aider une personne chargée de l’examen à remarquer un changement de ton ou une couche sonore en arrière-plan; elle ne mesure pas les émotions intimes d’une personne et ne prouve pas la source physique d’un son ambigu.
L’édition Captioner et son contrat d’entrée
Ce point de contrôle fonctionne à un seul tour. Il accepte exactement une entrée audio par inférence, aucune instruction textuelle, et produit uniquement du texte. Il contient le composant thinker pour la compréhension audio; la configuration publiée désactive explicitement la sortie audio. N’attribuez pas à Captioner les fonctions de conversation, d’image, de vidéo ou de génération vocale des autres éditions Qwen3-Omni au seul motif que leurs noms appartiennent à la même famille.
L’absence d’instruction textuelle est importante en pratique. Préparez le segment audio que vous voulez faire décrire et soumettez ce segment comme tâche complète. N’ajoutez pas d’instruction demandant un résumé personnalisé, une traduction, une réponse d’un locuteur ou un schéma de sortie. Si un flux de travail nécessite ces transformations, elles doivent faire partie d’une étape distincte qui traite la description retournée, plutôt que d’être considérées comme des commandes de ce point de contrôle de description audio.
Préparation d’un contenu audio utile
Qwen recommande de limiter un extrait à un maximum de 30 secondes pour obtenir une description fine. Il s’agit d’une recommandation de qualité: un contenu audio trop long peut réduire la perception des détails. Elle n’est pas présentée comme un seuil de rejet strict et universel. Pour un enregistrement plus long, sélectionnez un court segment significatif autour de l’événement ou de la scène examinés. Conservez son identifiant de source et son heure de début en dehors de la requête au modèle afin de pouvoir relier ultérieurement la description retournée à l’enregistrement d’origine.
Préservez les couches sonores pertinentes pour la question. Un extrait centré sur une voix devrait tout de même inclure l’arrière-plan lorsque celui-ci influe sur la description visée; un élément musical ou d’effets sonores devrait conserver sa transition importante plutôt que d’être coupé à un endroit arbitraire. Le traitement séparé des extraits aide à préserver les détails locaux, mais n’établit pas de continuité automatique ni de compréhension de l’ensemble de l’enregistrement entre les requêtes.
Utilité du résultat textuel
Le guide pratique du fabricant présente des descriptions qui rendent compte du contenu de la parole et de la manière de s’exprimer, puis de la scène environnante; d’autres exemples décrivent la musique, les effets, les variations d’intensité et la séquence des événements vocaux. Un catalogue audio peut stocker le texte retourné avec le nom de l’élément et sa plage temporelle. Une personne chargée de l’examen des médias peut l’utiliser comme ébauche de relevé sonore. Une personne chargée du montage peut comparer la description à l’extrait pour déterminer si elle rend compte des couches visées. Ce sont des exemples d’application, et non la preuve que le modèle a écouté à l’avance un élément particulier de l’utilisateur.
La sortie est une description, et non une promesse de transcription mot à mot, de tableau de diarisation, de fichier de sous-titres horodatés ou de bande sonore générée. Lorsque les mots prononcés ou les repères temporels doivent être exacts, vérifiez la description par rapport à l’audio et utilisez un flux de travail spécialisé adapté au livrable requis. Une description richement rédigée peut inclure des informations déduites sur la scène ou le genre; préservez donc l’incertitude lorsque le son lui-même ne permet pas d’identifier la source sans ambiguïté.
Exemples de génération et limites
L’exemple autonome du fabricant définit un contexte de modèle de 32,768 jetons et un budget de génération de 16,384 jetons, avec une température de 0.6, top_p à 0.95 et top_k à 20. Son guide pratique utilise un budget de génération de 8,192 jetons avec les mêmes valeurs d’échantillonnage. Ce sont des exemples de configuration, et non des longueurs maximales de description déclarées séparément. La configuration textuelle sous-jacente indique 65,536 positions, ce qui ne doit pas être converti en garantie de durée pour l’audio.
Le code utilitaire générique ou les champs de configuration partagés avec la famille Omni ne remplacent pas le contrat explicite de Captioner: une entrée audio, aucune entrée textuelle et une sortie textuelle seulement. Le résultat utile est une description détaillée d’une courte scène audible; vérifiez les citations de paroles, le nombre de locuteurs et les sources sonores déduites avant de l’utiliser comme document faisant autorité.
", "aboutText": "Aperçu: descriptions détaillées des sons\n\nQwen3-Omni-30B-A3B-Captioner est un modèle spécialisé de description audio affiné à partir de Qwen3-Omni-30B-A3B-Instruct. Il transforme un extrait audio en un compte rendu textuel détaillé de ce qui est entendu. Qwen l’a conçu pour des contenus variés, notamment la parole, les sons de l’environnement, la musique, les effets cinématographiques et les mélanges de plusieurs sources sonores. Il est donc utile pour préparer la description d’un élément audio pouvant faire l’objet d’une recherche ou pour examiner les couches sonores d’un court segment média.\n\nCompréhension de la parole et des sons autres que la parole\n\nLe fabricant décrit l’analyse de plusieurs locuteurs, d’expressions multilingues, de l’émotion vocale et des intentions suggérées par la manière de s’exprimer. Ses exemples vont au-delà de la transcription: ils décrivent le son des voix, la langue parlée et la scène acoustique environnante. Pour les sons autres que la parole, le modèle décrit l’ambiance sonore, les sons du monde réel, les couches musicales et les détails dynamiques dans les films ou les médias.\n\nLes descriptions de l’ambiance, de l’intention d’un locuteur ou du contexte culturel sont des interprétations du contenu audible. Traitez-les séparément de la parole et des événements sonores directement vérifiables. Une description peut aider une personne chargée de l’examen à remarquer un changement de ton ou une couche sonore en arrière-plan; elle ne mesure pas les émotions intimes d’une personne et ne prouve pas la source physique d’un son ambigu.\n\nL’édition Captioner et son contrat d’entrée\n\nCe point de contrôle fonctionne à un seul tour. Il accepte exactement une entrée audio par inférence, aucune instruction textuelle, et produit uniquement du texte. Il contient le composant thinker pour la compréhension audio; la configuration publiée désactive explicitement la sortie audio. N’attribuez pas à Captioner les fonctions de conversation, d’image, de vidéo ou de génération vocale des autres éditions Qwen3-Omni au seul motif que leurs noms appartiennent à la même famille.\n\nL’absence d’instruction textuelle est importante en pratique. Préparez le segment audio que vous voulez faire décrire et soumettez ce segment comme tâche complète. N’ajoutez pas d’instruction demandant un résumé personnalisé, une traduction, une réponse d’un locuteur ou un schéma de sortie. Si un flux de travail nécessite ces transformations, elles doivent faire partie d’une étape distincte qui traite la description retournée, plutôt que d’être considérées comme des commandes de ce point de contrôle de description audio.\n\nPréparation d’un contenu audio utile\n\nQwen recommande de limiter un extrait à un maximum de 30 secondes pour obtenir une description fine. Il s’agit d’une recommandation de qualité: un contenu audio trop long peut réduire la perception des détails. Elle n’est pas présentée comme un seuil de rejet strict et universel. Pour un enregistrement plus long, sélectionnez un court segment significatif autour de l’événement ou de la scène examinés. Conservez son identifiant de source et son heure de début en dehors de la requête au modèle afin de pouvoir relier ultérieurement la description retournée à l’enregistrement d’origine.\n\nPréservez les couches sonores pertinentes pour la question. Un extrait centré sur une voix devrait tout de même inclure l’arrière-plan lorsque celui-ci influe sur la description visée; un élément musical ou d’effets sonores devrait conserver sa transition importante plutôt que d’être coupé à un endroit arbitraire. Le traitement séparé des extraits aide à préserver les détails locaux, mais n’établit pas de continuité automatique ni de compréhension de l’ensemble de l’enregistrement entre les requêtes.\n\nUtilité du résultat textuel\n\nLe guide pratique du fabricant présente des descriptions qui rendent compte du contenu de la parole et de la manière de s’exprimer, puis de la scène environnante; d’autres exemples décrivent la musique, les effets, les variations d’intensité et la séquence des événements vocaux. Un catalogue audio peut stocker le texte retourné avec le nom de l’élément et sa plage temporelle. Une personne chargée de l’examen des médias peut l’utiliser comme ébauche de relevé sonore. Une personne chargée du montage peut comparer la description à l’extrait pour déterminer si elle rend compte des couches visées. Ce sont des exemples d’application, et non la preuve que le modèle a écouté à l’avance un élément particulier de l’utilisateur.\n\nLa sortie est une description, et non une promesse de transcription mot à mot, de tableau de diarisation, de fichier de sous-titres horodatés ou de bande sonore générée. Lorsque les mots prononcés ou les repères temporels doivent être exacts, vérifiez la description par rapport à l’audio et utilisez un flux de travail spécialisé adapté au livrable requis. Une description richement rédigée peut inclure des informations déduites sur la scène ou le genre; préservez donc l’incertitude lorsque le son lui-même ne permet pas d’identifier la source sans ambiguïté.\n\nExemples de génération et limites\n\nL’exemple autonome du fabricant définit un contexte de modèle de 32,768 jetons et un budget de génération de 16,384 jetons, avec une température de 0.6, top_p à 0.95 et top_k à 20. Son guide pratique utilise un budget de génération de 8,192 jetons avec les mêmes valeurs d’échantillonnage. Ce sont des exemples de configuration, et non des longueurs maximales de description déclarées séparément. La configuration textuelle sous-jacente indique 65,536 positions, ce qui ne doit pas être converti en garantie de durée pour l’audio.\n\nLe code utilitaire générique ou les champs de configuration partagés avec la famille Omni ne remplacent pas le contrat explicite de Captioner: une entrée audio, aucune entrée textuelle et une sortie textuelle seulement. Le résultat utile est une description détaillée d’une courte scène audible; vérifiez les citations de paroles, le nombre de locuteurs et les sources sonores déduites avant de l’utiliser comme document faisant autorité.", "editorialOverlay": { "copy_fields": { "practical_html": "La description du modèle exige une entrée audio, mais la route choisie déclare une entrée texte. Aucun exemple de génération prêt à exécuter n’est fourni pour cette incompatibilité.
Exemple technique en anglais
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 décrit la parole, la musique, les sons de l’environnement et l’audio cinématographique sous forme de texte. Cette édition spécialisée à un seul tour accepte une entrée audio sans instruction textuelle; Qwen recommande des extraits d’au plus 30 secondes pour préserver les détails fins.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Aperçu: descriptions détaillées des sons
Qwen3-Omni-30B-A3B-Captioner est un modèle spécialisé de description audio affiné à partir de Qwen3-Omni-30B-A3B-Instruct. Il transforme un extrait audio en un compte rendu textuel détaillé de ce qui est entendu. Qwen l’a conçu pour des contenus variés, notamment la parole, les sons de l’environnement, la musique, les effets cinématographiques et les mélanges de plusieurs sources sonores. Il est donc utile pour préparer la description d’un élément audio pouvant faire l’objet d’une recherche ou pour examiner les couches sonores d’un court segment média.
Compréhension de la parole et des sons autres que la parole
Le fabricant décrit l’analyse de plusieurs locuteurs, d’expressions multilingues, de l’émotion vocale et des intentions suggérées par la manière de s’exprimer. Ses exemples vont au-delà de la transcription: ils décrivent le son des voix, la langue parlée et la scène acoustique environnante. Pour les sons autres que la parole, le modèle décrit l’ambiance sonore, les sons du monde réel, les couches musicales et les détails dynamiques dans les films ou les médias.
Les descriptions de l’ambiance, de l’intention d’un locuteur ou du contexte culturel sont des interprétations du contenu audible. Traitez-les séparément de la parole et des événements sonores directement vérifiables. Une description peut aider une personne chargée de l’examen à remarquer un changement de ton ou une couche sonore en arrière-plan; elle ne mesure pas les émotions intimes d’une personne et ne prouve pas la source physique d’un son ambigu.
L’édition Captioner et son contrat d’entrée
Ce point de contrôle fonctionne à un seul tour. Il accepte exactement une entrée audio par inférence, aucune instruction textuelle, et produit uniquement du texte. Il contient le composant thinker pour la compréhension audio; la configuration publiée désactive explicitement la sortie audio. N’attribuez pas à Captioner les fonctions de conversation, d’image, de vidéo ou de génération vocale des autres éditions Qwen3-Omni au seul motif que leurs noms appartiennent à la même famille.
L’absence d’instruction textuelle est importante en pratique. Préparez le segment audio que vous voulez faire décrire et soumettez ce segment comme tâche complète. N’ajoutez pas d’instruction demandant un résumé personnalisé, une traduction, une réponse d’un locuteur ou un schéma de sortie. Si un flux de travail nécessite ces transformations, elles doivent faire partie d’une étape distincte qui traite la description retournée, plutôt que d’être considérées comme des commandes de ce point de contrôle de description audio.
Préparation d’un contenu audio utile
Qwen recommande de limiter un extrait à un maximum de 30 secondes pour obtenir une description fine. Il s’agit d’une recommandation de qualité: un contenu audio trop long peut réduire la perception des détails. Elle n’est pas présentée comme un seuil de rejet strict et universel. Pour un enregistrement plus long, sélectionnez un court segment significatif autour de l’événement ou de la scène examinés. Conservez son identifiant de source et son heure de début en dehors de la requête au modèle afin de pouvoir relier ultérieurement la description retournée à l’enregistrement d’origine.
Préservez les couches sonores pertinentes pour la question. Un extrait centré sur une voix devrait tout de même inclure l’arrière-plan lorsque celui-ci influe sur la description visée; un élément musical ou d’effets sonores devrait conserver sa transition importante plutôt que d’être coupé à un endroit arbitraire. Le traitement séparé des extraits aide à préserver les détails locaux, mais n’établit pas de continuité automatique ni de compréhension de l’ensemble de l’enregistrement entre les requêtes.
Utilité du résultat textuel
Le guide pratique du fabricant présente des descriptions qui rendent compte du contenu de la parole et de la manière de s’exprimer, puis de la scène environnante; d’autres exemples décrivent la musique, les effets, les variations d’intensité et la séquence des événements vocaux. Un catalogue audio peut stocker le texte retourné avec le nom de l’élément et sa plage temporelle. Une personne chargée de l’examen des médias peut l’utiliser comme ébauche de relevé sonore. Une personne chargée du montage peut comparer la description à l’extrait pour déterminer si elle rend compte des couches visées. Ce sont des exemples d’application, et non la preuve que le modèle a écouté à l’avance un élément particulier de l’utilisateur.
La sortie est une description, et non une promesse de transcription mot à mot, de tableau de diarisation, de fichier de sous-titres horodatés ou de bande sonore générée. Lorsque les mots prononcés ou les repères temporels doivent être exacts, vérifiez la description par rapport à l’audio et utilisez un flux de travail spécialisé adapté au livrable requis. Une description richement rédigée peut inclure des informations déduites sur la scène ou le genre; préservez donc l’incertitude lorsque le son lui-même ne permet pas d’identifier la source sans ambiguïté.
Exemples de génération et limites
L’exemple autonome du fabricant définit un contexte de modèle de 32,768 jetons et un budget de génération de 16,384 jetons, avec une température de 0.6, top_p à 0.95 et top_k à 20. Son guide pratique utilise un budget de génération de 8,192 jetons avec les mêmes valeurs d’échantillonnage. Ce sont des exemples de configuration, et non des longueurs maximales de description déclarées séparément. La configuration textuelle sous-jacente indique 65,536 positions, ce qui ne doit pas être converti en garantie de durée pour l’audio.
Le code utilitaire générique ou les champs de configuration partagés avec la famille Omni ne remplacent pas le contrat explicite de Captioner: une entrée audio, aucune entrée textuelle et une sortie textuelle seulement. Le résultat utile est une description détaillée d’une courte scène audible; vérifiez les citations de paroles, le nombre de locuteurs et les sources sonores déduites avant de l’utiliser comme document faisant autorité.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites Qwen/Qwen3-Omni-30B-A3B-Captioner | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’ID réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: Fonction fournie comme outil | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est refusé sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: La valeur 1h est refusée là où le cache des prompts est configuré | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | ContratTableau de messages avec une structure role/content |
Paramètrefile_material | ContratDocument UTF-8 réel inséré comme texte littéral ; aucun ID de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | ContratPropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’ID exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objet fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.0002 / 1K jetons Sortie · Jetons en sortie $0.0008 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
La description du modèle exige une entrée audio, mais la route choisie déclare une entrée texte. Aucun exemple de génération prêt à exécuter n’est fourni pour cette incompatibilité.
manufacturer: audio → text
route: text → text
json ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, et conservez le motif final d’arrêt et les données d’utilisation.
Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra Qwen/Qwen3-Omni-30B-A3B-Captioner
Utilisez les chemins de méthode indiqués ci-dessus.
Qwen/Qwen3-Omni-30B-A3B-CaptionerQwen3-Omni-30B-A3B-Captioner décrit la parole, la musique, les sons de l’environnement et l’audio cinématographique sous forme de texte. Cette édition spécialisée à un seul tour accepte une entrée audio sans instruction textuelle; Qwen recommande des extraits d’au plus 30 secondes pour préserver les détails fins.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Aperçu: descriptions détaillées des sons
Qwen3-Omni-30B-A3B-Captioner est un modèle spécialisé de description audio affiné à partir de Qwen3-Omni-30B-A3B-Instruct. Il transforme un extrait audio en un compte rendu textuel détaillé de ce qui est entendu. Qwen l’a conçu pour des contenus variés, notamment la parole, les sons de l’environnement, la musique, les effets cinématographiques et les mélanges de plusieurs sources sonores. Il est donc utile pour préparer la description d’un élément audio pouvant faire l’objet d’une recherche ou pour examiner les couches sonores d’un court segment média.
Compréhension de la parole et des sons autres que la parole
Le fabricant décrit l’analyse de plusieurs locuteurs, d’expressions multilingues, de l’émotion vocale et des intentions suggérées par la manière de s’exprimer. Ses exemples vont au-delà de la transcription: ils décrivent le son des voix, la langue parlée et la scène acoustique environnante. Pour les sons autres que la parole, le modèle décrit l’ambiance sonore, les sons du monde réel, les couches musicales et les détails dynamiques dans les films ou les médias.
Les descriptions de l’ambiance, de l’intention d’un locuteur ou du contexte culturel sont des interprétations du contenu audible. Traitez-les séparément de la parole et des événements sonores directement vérifiables. Une description peut aider une personne chargée de l’examen à remarquer un changement de ton ou une couche sonore en arrière-plan; elle ne mesure pas les émotions intimes d’une personne et ne prouve pas la source physique d’un son ambigu.
L’édition Captioner et son contrat d’entrée
Ce point de contrôle fonctionne à un seul tour. Il accepte exactement une entrée audio par inférence, aucune instruction textuelle, et produit uniquement du texte. Il contient le composant thinker pour la compréhension audio; la configuration publiée désactive explicitement la sortie audio. N’attribuez pas à Captioner les fonctions de conversation, d’image, de vidéo ou de génération vocale des autres éditions Qwen3-Omni au seul motif que leurs noms appartiennent à la même famille.
L’absence d’instruction textuelle est importante en pratique. Préparez le segment audio que vous voulez faire décrire et soumettez ce segment comme tâche complète. N’ajoutez pas d’instruction demandant un résumé personnalisé, une traduction, une réponse d’un locuteur ou un schéma de sortie. Si un flux de travail nécessite ces transformations, elles doivent faire partie d’une étape distincte qui traite la description retournée, plutôt que d’être considérées comme des commandes de ce point de contrôle de description audio.
Préparation d’un contenu audio utile
Qwen recommande de limiter un extrait à un maximum de 30 secondes pour obtenir une description fine. Il s’agit d’une recommandation de qualité: un contenu audio trop long peut réduire la perception des détails. Elle n’est pas présentée comme un seuil de rejet strict et universel. Pour un enregistrement plus long, sélectionnez un court segment significatif autour de l’événement ou de la scène examinés. Conservez son identifiant de source et son heure de début en dehors de la requête au modèle afin de pouvoir relier ultérieurement la description retournée à l’enregistrement d’origine.
Préservez les couches sonores pertinentes pour la question. Un extrait centré sur une voix devrait tout de même inclure l’arrière-plan lorsque celui-ci influe sur la description visée; un élément musical ou d’effets sonores devrait conserver sa transition importante plutôt que d’être coupé à un endroit arbitraire. Le traitement séparé des extraits aide à préserver les détails locaux, mais n’établit pas de continuité automatique ni de compréhension de l’ensemble de l’enregistrement entre les requêtes.
Utilité du résultat textuel
Le guide pratique du fabricant présente des descriptions qui rendent compte du contenu de la parole et de la manière de s’exprimer, puis de la scène environnante; d’autres exemples décrivent la musique, les effets, les variations d’intensité et la séquence des événements vocaux. Un catalogue audio peut stocker le texte retourné avec le nom de l’élément et sa plage temporelle. Une personne chargée de l’examen des médias peut l’utiliser comme ébauche de relevé sonore. Une personne chargée du montage peut comparer la description à l’extrait pour déterminer si elle rend compte des couches visées. Ce sont des exemples d’application, et non la preuve que le modèle a écouté à l’avance un élément particulier de l’utilisateur.
La sortie est une description, et non une promesse de transcription mot à mot, de tableau de diarisation, de fichier de sous-titres horodatés ou de bande sonore générée. Lorsque les mots prononcés ou les repères temporels doivent être exacts, vérifiez la description par rapport à l’audio et utilisez un flux de travail spécialisé adapté au livrable requis. Une description richement rédigée peut inclure des informations déduites sur la scène ou le genre; préservez donc l’incertitude lorsque le son lui-même ne permet pas d’identifier la source sans ambiguïté.
Exemples de génération et limites
L’exemple autonome du fabricant définit un contexte de modèle de 32,768 jetons et un budget de génération de 16,384 jetons, avec une température de 0.6, top_p à 0.95 et top_k à 20. Son guide pratique utilise un budget de génération de 8,192 jetons avec les mêmes valeurs d’échantillonnage. Ce sont des exemples de configuration, et non des longueurs maximales de description déclarées séparément. La configuration textuelle sous-jacente indique 65,536 positions, ce qui ne doit pas être converti en garantie de durée pour l’audio.
Le code utilitaire générique ou les champs de configuration partagés avec la famille Omni ne remplacent pas le contrat explicite de Captioner: une entrée audio, aucune entrée textuelle et une sortie textuelle seulement. Le résultat utile est une description détaillée d’une courte scène audible; vérifiez les citations de paroles, le nombre de locuteurs et les sources sonores déduites avant de l’utiliser comme document faisant autorité.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites Qwen/Qwen3-Omni-30B-A3B-Captioner | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
Chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.0002 / 1K jetons Sortie · Jetons en sortie $0.0008 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
La description du modèle exige une entrée audio, mais la route choisie déclare une entrée texte. Aucun exemple de génération prêt à exécuter n’est fourni pour cette incompatibilité.
manufacturer: audio → text
route: text → json, sse
JSON ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les ID réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra Qwen/Qwen3-Omni-30B-A3B-Captioner
Utilisez les chemins de méthode indiqués ci-dessus.
La description du modèle exige une entrée audio, mais la route choisie déclare une entrée texte. Aucun exemple de génération prêt à exécuter n’est fourni pour cette incompatibilité.
Exemple technique en anglais
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.