Vue d’ensemble : 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 compte rendu textuel détaillé de ce qui est entendu. Qwen l’a conçu pour des contenus variés, notamment la parole, les sons ambiants, la musique, les effets cinématographiques et les mélanges de plusieurs sources sonores. Cela le rend utile pour préparer une description d’une ressource audio dans laquelle effectuer des recherches ou examiner les couches sonores d’un court segment média.
Compréhension de la parole et des autres sons
Le concepteur décrit l’analyse de plusieurs locuteurs, d’expressions multilingues, des émotions vocales et des intentions suggérées par l’élocution. Ses exemples vont au-delà d’une transcription : ils décrivent le son des voix, la langue parlée et la scène acoustique environnante. Pour l’audio sans parole, le modèle décrit l’atmosphère ambiante, les sons du monde réel, les couches musicales et les détails dynamiques des films ou médias.
Les descriptions d’humeur, d’intention du locuteur ou de contexte culturel sont des interprétations des contenus audibles. Traitez-les séparément de la parole et des événements sonores directement vérifiables. Une description peut aider une personne à remarquer un changement de ton ou une couche de fond ; ce n’est pas une mesure des émotions privées d’une personne ou une preuve de la source physique d’un son ambigu.
L’édition Captioner et son contrat d’entrée
Ce checkpoint fonctionne sur un seul tour. Il accepte exactement une entrée audio par inférence, aucun prompt textuel et renvoie uniquement du texte. Il contient le composant thinker pour la compréhension audio ; la configuration publiée désactive explicitement la sortie audio. Ne transférez pas à Captioner les fonctions conversationnelles, d’images, de vidéos ou de génération vocale d’autres éditions Qwen3-Omni au motif de leur nom de famille commun.
L’absence de prompt textuel compte en pratique. Préparez le segment audio à décrire et soumettez-le comme tâche entière. N’ajoutez pas d’instruction demandant un résumé personnalisé, une traduction, une réponse de locuteur ou un schéma de sortie. Si un flux nécessite ces transformations, elles appartiennent à une étape distincte travaillant sur la description renvoyée, plutôt qu’à des commandes supposées de ce checkpoint de description.
Préparer un audio utile
Qwen recommande de limiter un extrait à 30 secondes au plus pour une description fine. C’est une recommandation de qualité : un audio trop long peut réduire la perception des détails. Elle n’est pas présentée comme un seuil universel strict de rejet. Pour un enregistrement plus long, sélectionnez un court segment significatif autour de l’événement ou de la scène examinés. Gardez son identifiant de source et son repère temporel de début en dehors de la requête du modèle afin de pouvoir relier ultérieurement la description renvoyée à l’enregistrement d’origine.
Préservez les couches sonores pertinentes pour la question. Un extrait centré sur la voix doit toujours inclure l’arrière-plan lorsqu’il influence la description souhaitée ; une ressource musicale ou d’effets sonores doit conserver sa transition importante plutôt que d’être coupée à une frontière arbitraire. Traiter les extraits séparément aide à conserver les détails locaux, mais n’établit pas de continuité automatique ou de compréhension de l’ensemble de l’enregistrement entre les requêtes.
Utilité du résultat textuel
Le recueil de recettes du concepteur présente des descriptions du contenu parlé et de l’élocution, puis de la scène environnante ; d’autres exemples décrivent la musique, les effets, les changements d’intensité et la séquence des événements vocaux. Un catalogue audio peut stocker ce texte renvoyé avec le nom de la ressource et sa plage temporelle. Une personne examinant des médias peut l’utiliser comme brouillon de relevé sonore. Un monteur peut comparer la description à l’extrait pour déterminer si elle couvre les couches visées. Ce sont des exemples applicatifs, et non la preuve que le modèle a écouté à l’avance une ressource précise de l’utilisateur.
La sortie est une description, et non la promesse d’une transcription mot pour mot, d’un tableau de diarisation, d’un fichier de sous-titres horodatés ou d’une bande-son générée. Lorsqu’une formulation parlée ou un minutage exact est requis, vérifiez la description par rapport à l’audio et utilisez un flux dédié approprié pour l’artefact demandé. Une description richement rédigée peut inclure des informations déduites de scène ou de genre ; préservez donc l’incertitude lorsque le son lui-même n’identifie pas la source sans ambiguïté.
Exemples de génération et limites
L’exemple autonome du concepteur fixe un contexte de modèle de 32,768 tokens et une capacité de génération de 16,384 tokens, avec temperature 0.6, top_p 0.95 et top_k 20. Son recueil de recettes utilise une capacité de génération de 8,192 tokens 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 annonce 65,536 positions, ce qui ne doit pas être transformé en garantie de durée audio.
Le code utilitaire générique ou les champs de configuration partagés avec la famille Omni ne remplacent pas le contrat explicite de Captioner : un seul audio, aucun texte en entrée et du texte uniquement en sortie. Le résultat utile est une description détaillée d’une courte scène audible ; vérifiez les citations de parole, le nombre de locuteurs et les sources sonores déduites avant de l’utiliser comme enregistrement faisant autorité.
", "aboutText": "Vue d’ensemble : 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 compte rendu textuel détaillé de ce qui est entendu. Qwen l’a conçu pour des contenus variés, notamment la parole, les sons ambiants, la musique, les effets cinématographiques et les mélanges de plusieurs sources sonores. Cela le rend utile pour préparer une description d’une ressource audio dans laquelle effectuer des recherches ou examiner les couches sonores d’un court segment média.\n\nCompréhension de la parole et des autres sons\n\nLe concepteur décrit l’analyse de plusieurs locuteurs, d’expressions multilingues, des émotions vocales et des intentions suggérées par l’élocution. Ses exemples vont au-delà d’une transcription : ils décrivent le son des voix, la langue parlée et la scène acoustique environnante. Pour l’audio sans parole, le modèle décrit l’atmosphère ambiante, les sons du monde réel, les couches musicales et les détails dynamiques des films ou médias.\n\nLes descriptions d’humeur, d’intention du locuteur ou de contexte culturel sont des interprétations des contenus audibles. Traitez-les séparément de la parole et des événements sonores directement vérifiables. Une description peut aider une personne à remarquer un changement de ton ou une couche de fond ; ce n’est pas une mesure des émotions privées d’une personne ou une preuve de la source physique d’un son ambigu.\n\nL’édition Captioner et son contrat d’entrée\n\nCe checkpoint fonctionne sur un seul tour. Il accepte exactement une entrée audio par inférence, aucun prompt textuel et renvoie uniquement du texte. Il contient le composant thinker pour la compréhension audio ; la configuration publiée désactive explicitement la sortie audio. Ne transférez pas à Captioner les fonctions conversationnelles, d’images, de vidéos ou de génération vocale d’autres éditions Qwen3-Omni au motif de leur nom de famille commun.\n\nL’absence de prompt textuel compte en pratique. Préparez le segment audio à décrire et soumettez-le comme tâche entière. N’ajoutez pas d’instruction demandant un résumé personnalisé, une traduction, une réponse de locuteur ou un schéma de sortie. Si un flux nécessite ces transformations, elles appartiennent à une étape distincte travaillant sur la description renvoyée, plutôt qu’à des commandes supposées de ce checkpoint de description.\n\nPréparer un audio utile\n\nQwen recommande de limiter un extrait à 30 secondes au plus pour une description fine. C’est une recommandation de qualité : un audio trop long peut réduire la perception des détails. Elle n’est pas présentée comme un seuil universel strict de rejet. Pour un enregistrement plus long, sélectionnez un court segment significatif autour de l’événement ou de la scène examinés. Gardez son identifiant de source et son repère temporel de début en dehors de la requête du modèle afin de pouvoir relier ultérieurement la description renvoyée à l’enregistrement d’origine.\n\nPréservez les couches sonores pertinentes pour la question. Un extrait centré sur la voix doit toujours inclure l’arrière-plan lorsqu’il influence la description souhaitée ; une ressource musicale ou d’effets sonores doit conserver sa transition importante plutôt que d’être coupée à une frontière arbitraire. Traiter les extraits séparément aide à conserver les détails locaux, mais n’établit pas de continuité automatique ou de compréhension de l’ensemble de l’enregistrement entre les requêtes.\n\nUtilité du résultat textuel\n\nLe recueil de recettes du concepteur présente des descriptions du contenu parlé et de l’élocution, puis de la scène environnante ; d’autres exemples décrivent la musique, les effets, les changements d’intensité et la séquence des événements vocaux. Un catalogue audio peut stocker ce texte renvoyé avec le nom de la ressource et sa plage temporelle. Une personne examinant des médias peut l’utiliser comme brouillon de relevé sonore. Un monteur peut comparer la description à l’extrait pour déterminer si elle couvre les couches visées. Ce sont des exemples applicatifs, et non la preuve que le modèle a écouté à l’avance une ressource précise de l’utilisateur.\n\nLa sortie est une description, et non la promesse d’une transcription mot pour mot, d’un tableau de diarisation, d’un fichier de sous-titres horodatés ou d’une bande-son générée. Lorsqu’une formulation parlée ou un minutage exact est requis, vérifiez la description par rapport à l’audio et utilisez un flux dédié approprié pour l’artefact demandé. Une description richement rédigée peut inclure des informations déduites de scène ou de genre ; préservez donc l’incertitude lorsque le son lui-même n’identifie pas la source sans ambiguïté.\n\nExemples de génération et limites\n\nL’exemple autonome du concepteur fixe un contexte de modèle de 32,768 tokens et une capacité de génération de 16,384 tokens, avec temperature 0.6, top_p 0.95 et top_k 20. Son recueil de recettes utilise une capacité de génération de 8,192 tokens 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 annonce 65,536 positions, ce qui ne doit pas être transformé en garantie de durée audio.\n\nLe code utilitaire générique ou les champs de configuration partagés avec la famille Omni ne remplacent pas le contrat explicite de Captioner : un seul audio, aucun texte en entrée et du texte uniquement en sortie. Le résultat utile est une description détaillée d’une courte scène audible ; vérifiez les citations de parole, le nombre de locuteurs et les sources sonores déduites avant de l’utiliser comme enregistrement 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 ambiants et l’audio cinématographique sous forme de texte. Cette édition spécialisée à un seul tour accepte une entrée audio sans prompt textuel ; Qwen recommande des extraits ne dépassant pas 30 secondes pour conserver 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.
Vue d’ensemble : 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 compte rendu textuel détaillé de ce qui est entendu. Qwen l’a conçu pour des contenus variés, notamment la parole, les sons ambiants, la musique, les effets cinématographiques et les mélanges de plusieurs sources sonores. Cela le rend utile pour préparer une description d’une ressource audio dans laquelle effectuer des recherches ou examiner les couches sonores d’un court segment média.
Compréhension de la parole et des autres sons
Le concepteur décrit l’analyse de plusieurs locuteurs, d’expressions multilingues, des émotions vocales et des intentions suggérées par l’élocution. Ses exemples vont au-delà d’une transcription : ils décrivent le son des voix, la langue parlée et la scène acoustique environnante. Pour l’audio sans parole, le modèle décrit l’atmosphère ambiante, les sons du monde réel, les couches musicales et les détails dynamiques des films ou médias.
Les descriptions d’humeur, d’intention du locuteur ou de contexte culturel sont des interprétations des contenus audibles. Traitez-les séparément de la parole et des événements sonores directement vérifiables. Une description peut aider une personne à remarquer un changement de ton ou une couche de fond ; ce n’est pas une mesure des émotions privées d’une personne ou une preuve de la source physique d’un son ambigu.
L’édition Captioner et son contrat d’entrée
Ce checkpoint fonctionne sur un seul tour. Il accepte exactement une entrée audio par inférence, aucun prompt textuel et renvoie uniquement du texte. Il contient le composant thinker pour la compréhension audio ; la configuration publiée désactive explicitement la sortie audio. Ne transférez pas à Captioner les fonctions conversationnelles, d’images, de vidéos ou de génération vocale d’autres éditions Qwen3-Omni au motif de leur nom de famille commun.
L’absence de prompt textuel compte en pratique. Préparez le segment audio à décrire et soumettez-le comme tâche entière. N’ajoutez pas d’instruction demandant un résumé personnalisé, une traduction, une réponse de locuteur ou un schéma de sortie. Si un flux nécessite ces transformations, elles appartiennent à une étape distincte travaillant sur la description renvoyée, plutôt qu’à des commandes supposées de ce checkpoint de description.
Préparer un audio utile
Qwen recommande de limiter un extrait à 30 secondes au plus pour une description fine. C’est une recommandation de qualité : un audio trop long peut réduire la perception des détails. Elle n’est pas présentée comme un seuil universel strict de rejet. Pour un enregistrement plus long, sélectionnez un court segment significatif autour de l’événement ou de la scène examinés. Gardez son identifiant de source et son repère temporel de début en dehors de la requête du modèle afin de pouvoir relier ultérieurement la description renvoyée à l’enregistrement d’origine.
Préservez les couches sonores pertinentes pour la question. Un extrait centré sur la voix doit toujours inclure l’arrière-plan lorsqu’il influence la description souhaitée ; une ressource musicale ou d’effets sonores doit conserver sa transition importante plutôt que d’être coupée à une frontière arbitraire. Traiter les extraits séparément aide à conserver les détails locaux, mais n’établit pas de continuité automatique ou de compréhension de l’ensemble de l’enregistrement entre les requêtes.
Utilité du résultat textuel
Le recueil de recettes du concepteur présente des descriptions du contenu parlé et de l’élocution, puis de la scène environnante ; d’autres exemples décrivent la musique, les effets, les changements d’intensité et la séquence des événements vocaux. Un catalogue audio peut stocker ce texte renvoyé avec le nom de la ressource et sa plage temporelle. Une personne examinant des médias peut l’utiliser comme brouillon de relevé sonore. Un monteur peut comparer la description à l’extrait pour déterminer si elle couvre les couches visées. Ce sont des exemples applicatifs, et non la preuve que le modèle a écouté à l’avance une ressource précise de l’utilisateur.
La sortie est une description, et non la promesse d’une transcription mot pour mot, d’un tableau de diarisation, d’un fichier de sous-titres horodatés ou d’une bande-son générée. Lorsqu’une formulation parlée ou un minutage exact est requis, vérifiez la description par rapport à l’audio et utilisez un flux dédié approprié pour l’artefact demandé. Une description richement rédigée peut inclure des informations déduites de scène ou de genre ; préservez donc l’incertitude lorsque le son lui-même n’identifie pas la source sans ambiguïté.
Exemples de génération et limites
L’exemple autonome du concepteur fixe un contexte de modèle de 32,768 tokens et une capacité de génération de 16,384 tokens, avec temperature 0.6, top_p 0.95 et top_k 20. Son recueil de recettes utilise une capacité de génération de 8,192 tokens 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 annonce 65,536 positions, ce qui ne doit pas être transformé en garantie de durée audio.
Le code utilitaire générique ou les champs de configuration partagés avec la famille Omni ne remplacent pas le contrat explicite de Captioner : un seul audio, aucun texte en entrée et du texte uniquement en sortie. Le résultat utile est une description détaillée d’une courte scène audible ; vérifiez les citations de parole, le nombre de locuteurs et les sources sonores déduites avant de l’utiliser comme enregistrement 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’identifiant 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: outil de fonction fourni | 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 rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | 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 sous forme de texte littéral ; aucun identifiant 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’identifiant 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/objets 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 tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0008 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
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, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles 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 contenus ou valeur de paramètre non valides | 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 ambiants et l’audio cinématographique sous forme de texte. Cette édition spécialisée à un seul tour accepte une entrée audio sans prompt textuel ; Qwen recommande des extraits ne dépassant pas 30 secondes pour conserver 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.
Vue d’ensemble : 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 compte rendu textuel détaillé de ce qui est entendu. Qwen l’a conçu pour des contenus variés, notamment la parole, les sons ambiants, la musique, les effets cinématographiques et les mélanges de plusieurs sources sonores. Cela le rend utile pour préparer une description d’une ressource audio dans laquelle effectuer des recherches ou examiner les couches sonores d’un court segment média.
Compréhension de la parole et des autres sons
Le concepteur décrit l’analyse de plusieurs locuteurs, d’expressions multilingues, des émotions vocales et des intentions suggérées par l’élocution. Ses exemples vont au-delà d’une transcription : ils décrivent le son des voix, la langue parlée et la scène acoustique environnante. Pour l’audio sans parole, le modèle décrit l’atmosphère ambiante, les sons du monde réel, les couches musicales et les détails dynamiques des films ou médias.
Les descriptions d’humeur, d’intention du locuteur ou de contexte culturel sont des interprétations des contenus audibles. Traitez-les séparément de la parole et des événements sonores directement vérifiables. Une description peut aider une personne à remarquer un changement de ton ou une couche de fond ; ce n’est pas une mesure des émotions privées d’une personne ou une preuve de la source physique d’un son ambigu.
L’édition Captioner et son contrat d’entrée
Ce checkpoint fonctionne sur un seul tour. Il accepte exactement une entrée audio par inférence, aucun prompt textuel et renvoie uniquement du texte. Il contient le composant thinker pour la compréhension audio ; la configuration publiée désactive explicitement la sortie audio. Ne transférez pas à Captioner les fonctions conversationnelles, d’images, de vidéos ou de génération vocale d’autres éditions Qwen3-Omni au motif de leur nom de famille commun.
L’absence de prompt textuel compte en pratique. Préparez le segment audio à décrire et soumettez-le comme tâche entière. N’ajoutez pas d’instruction demandant un résumé personnalisé, une traduction, une réponse de locuteur ou un schéma de sortie. Si un flux nécessite ces transformations, elles appartiennent à une étape distincte travaillant sur la description renvoyée, plutôt qu’à des commandes supposées de ce checkpoint de description.
Préparer un audio utile
Qwen recommande de limiter un extrait à 30 secondes au plus pour une description fine. C’est une recommandation de qualité : un audio trop long peut réduire la perception des détails. Elle n’est pas présentée comme un seuil universel strict de rejet. Pour un enregistrement plus long, sélectionnez un court segment significatif autour de l’événement ou de la scène examinés. Gardez son identifiant de source et son repère temporel de début en dehors de la requête du modèle afin de pouvoir relier ultérieurement la description renvoyée à l’enregistrement d’origine.
Préservez les couches sonores pertinentes pour la question. Un extrait centré sur la voix doit toujours inclure l’arrière-plan lorsqu’il influence la description souhaitée ; une ressource musicale ou d’effets sonores doit conserver sa transition importante plutôt que d’être coupée à une frontière arbitraire. Traiter les extraits séparément aide à conserver les détails locaux, mais n’établit pas de continuité automatique ou de compréhension de l’ensemble de l’enregistrement entre les requêtes.
Utilité du résultat textuel
Le recueil de recettes du concepteur présente des descriptions du contenu parlé et de l’élocution, puis de la scène environnante ; d’autres exemples décrivent la musique, les effets, les changements d’intensité et la séquence des événements vocaux. Un catalogue audio peut stocker ce texte renvoyé avec le nom de la ressource et sa plage temporelle. Une personne examinant des médias peut l’utiliser comme brouillon de relevé sonore. Un monteur peut comparer la description à l’extrait pour déterminer si elle couvre les couches visées. Ce sont des exemples applicatifs, et non la preuve que le modèle a écouté à l’avance une ressource précise de l’utilisateur.
La sortie est une description, et non la promesse d’une transcription mot pour mot, d’un tableau de diarisation, d’un fichier de sous-titres horodatés ou d’une bande-son générée. Lorsqu’une formulation parlée ou un minutage exact est requis, vérifiez la description par rapport à l’audio et utilisez un flux dédié approprié pour l’artefact demandé. Une description richement rédigée peut inclure des informations déduites de scène ou de genre ; préservez donc l’incertitude lorsque le son lui-même n’identifie pas la source sans ambiguïté.
Exemples de génération et limites
L’exemple autonome du concepteur fixe un contexte de modèle de 32,768 tokens et une capacité de génération de 16,384 tokens, avec temperature 0.6, top_p 0.95 et top_k 20. Son recueil de recettes utilise une capacité de génération de 8,192 tokens 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 annonce 65,536 positions, ce qui ne doit pas être transformé en garantie de durée audio.
Le code utilitaire générique ou les champs de configuration partagés avec la famille Omni ne remplacent pas le contrat explicite de Captioner : un seul audio, aucun texte en entrée et du texte uniquement en sortie. Le résultat utile est une description détaillée d’une courte scène audible ; vérifiez les citations de parole, le nombre de locuteurs et les sources sonores déduites avant de l’utiliser comme enregistrement 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 tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0008 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
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 identifiants 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 identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles 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 contenus ou valeur de paramètre non valides | 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.