Source: https://ailoot.ai/models/hu/qwen-audio-3-0-realtime-plus/ Canonical: https://ailoot.ai/models/hu/qwen-audio-3-0-realtime-plus/ Language: hu # qwen-audio-3.0-realtime-plus [Markdown](https://ailoot.ai/models/hu/qwen-audio-3-0-realtime-plus/index.md) · [JSON](https://ailoot.ai/models/hu/qwen-audio-3-0-realtime-plus/facts.json) ## [qwen-audio-3.0-realtime-plus](https://ailoot.ai/models/hu/qwen-audio-3-0-realtime-plus/) Élő hangalapú párbeszédre szolgáló modell, amely beszédet és szöveget fogad, és hanggal vagy szöveggel válaszol. Természetes beszélgetési tempóra és eszközökkel való együttműködésre tervezték. - [**Ailoot · Valós idejű hang** `GET /v1/realtime?model=qwen-audio-3.0-realtime-plus` `qwen-audio-3.0-realtime-plus`](https://ailoot.ai/models/hu/qwen-audio-3-0-realtime-plus/#method-0) A modellről Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók. A Qwen-Audio-3.0-Realtime-Plus az Alibaba modellje élő hangalapú párbeszédhez. Beszédet és szöveget fogad, hanggal és szöveggel válaszol, és természetes megszólalásváltással támogatja a kétirányú beszélgetést. A hang részletekben küldhető és fogadható, így az interakció a beszélgetés közben folyamatosan alakul. #### Mikor fejezte be a beszélő a gondolatát? Többféleképpen határozható meg egy megszólalás határa: hangaktivitás alapján, a gondolat teljessége szerint vagy kifejezett vezérléssel. A gyártónál a módot az első hangadat elküldése előtt kell kiválasztani; a beszélgetés megkezdése utáni módosításhoz új kapcsolat szükséges. E vezérlés támogatása a választott metódustól függ. A jelentésalapú mód figyelembe veszi a szüneteket és a töltelékszavakat: egy rövid megtorpanás nem feltétlenül jelenti azt, hogy a felhasználó befejezte a gondolatát. A felhasználó új megszólalása megszakíthatja a készülő választ, hogy a beszélgetés a következő hozzászólás figyelembevételével folytatódjon. A jelentésalapú módban a felismerés a kiválasztott beszélő hangmintájához igazítható, így kevésbé zavarják mások hangjai és a háttérzaj. Az utasítások határozzák meg az asszisztens szerepét és a kommunikáció stílusát. A megszólalás figyelembe veheti a hangszínt, a tempót és az érzelmeket; a 3.0 verzió öt rendszerhangot és hangminta alapján készített hangokat kínál. A modell 11 nyelvet támogat, köztük az oroszt, valamint a gyártó által megjelölt kínai dialektusváltozatokat. A gyártónál a hangot a munkamenet beállításainak első frissítésekor kell megadni; ugyanabban a beszélgetésben egy később küldött új hang figyelmen kívül marad. E beállításokhoz a választott hozzáférési mód támogatása szükséges. #### Eszközök és beszélgetési előzmények A függvényhívás támogatott. A modell megfogalmazza a szükséges műveletet, a csatlakoztatott alkalmazás végrehajtja, és visszaadja az eredményt a párbeszédbe. Így a beszélgetés tényleges adatokra épülhet, és a művelet elvégzése után folytatódhat. A hangasszisztens az eszközök eredményeire támaszkodhat, miközben megőrzi a beszélgetés kontextusát. A gyártó képességei közé tartozik a beépített webes keresés is, ha azt a választott metódus biztosítja. A webes keresés és a függvényhívások egy munkamenetben nem kapcsolhatók be egyszerre. Az előzmények alapértelmezés szerint 20 beszélgetési kört tartalmaznak, a megengedett tartomány egytől 50-ig terjed. A felhalmozott hanganyag korlátja 300 másodperc; a korlátok túllépésekor az előzmények régi részei törlődnek. Ez eltér az egyes megszólalások hosszától: az előzmények szabják meg, hogy a korábbi anyagból mi marad elérhető a párbeszéd folytatásakor. #### Szöveges kontextus és hang A formális kontextus 40 960 token. A bemenet maximális hossza 16 384 token, a kimeneté 8192; ugyanezek a bemeneti és kimeneti korlátok érvényesek a következtetési módra is, a gondolatmenet külön 1024 tokenes korlátjával. A streamelt hanghoz egycsatornás, 16 bites PCM használható: a bemeneten 16 kHz, a kimeneten 24 kHz mintavétellel. A szöveges és a hangadatok egy beszélgetéshez tartoznak. Ennél a konkrét modellnél nincs feltüntetve vizuális bemenet vagy képkimenet; szakterülete a beszéd, a szöveg és a hangalapú interakció. **Ailoot · Valós idejű hang** `GET /v1/realtime?model=qwen-audio-3.0-realtime-plus` `qwen-audio-3.0-realtime-plus` [`qwen-audio-3.0-realtime-plus`](https://ailoot.ai/models/hu/#m=qwen-audio-3.0-realtime-plus&route=Core&caller=qwen-audio-3.0-realtime-plus&fmt=realtime) Alibaba /`qwen-audio-3.0-realtime-plus` ### Kezdő lépések Élő hangalapú párbeszédre szolgáló modell, amely beszédet és szöveget fogad, és hanggal vagy szöveggel válaszol. Természetes beszélgetési tempóra és eszközökkel való együttműködésre tervezték. Elfogadott bemenetek Szöveg · Hang Eredmények Szöveg · Hang ### Elérhető az Ailootban · bemenetek és metódusok **Ailoot · Valós idejű hang** `GET /v1/realtime?model=qwen-audio-3.0-realtime-plus` Bemenet `text`, `audio` Kimenet `text`, `audio` Kimeneti formátum munkamenetesemények | Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett | | --- | --- | --- | --- | --- | | Mező`query.model` | Típus`string` | KövetelményKötelező | Értékek és korlátok qwen-audio-3.0-realtime-plus | Alapértelmezett— | | Mező`session.input_audio_format` | Típus`string` | KövetelményOpcionális | Értékek és korlátok pcm16, pcm | Alapértelmezett— | | Mező`session.output_audio_format` | Típus`string` | KövetelményOpcionális | Értékek és korlátok pcm16, pcm | Alapértelmezett— | | Mező`session.instructions` | Típus`string` | KövetelményOpcionális | Értékek és korlátok A korlát erre vonatkozik: a kiválasztott munkamenet szabályzata | Alapértelmezett— | | Mező`session.max_history_turns` | Típus`integer` | KövetelményOpcionális | Értékek és korlátok Minimum: 1 A korlát erre vonatkozik: a kiválasztott munkamenet szabályzata | Alapértelmezett— | | Mező`input_audio_buffer.append.audio` | Típus`base64_string` | KövetelményKötelező | Értékek és korlátok Bemeneti tartalom: PCM16 monó; 16 kHz bemenet, 24 kHz kimenet; nem üres, páros bájthossz | Alapértelmezett— | Bemeneti anyagok kombinációi **realtime\_text\_audio** Metódus paraméterei és életciklusa | Paraméter | Szerződés | | --- | --- | | Paraméter`material_types` | Szerződéstext, audio | | Paraméter`required` | Szerződésnull | | Paraméter`optional_controls` | Szerződésnull | | Paraméter`content_type` | SzerződésWebSocket | Életciklus: `exact retained published method` A metódusok szerkezete és azonosítói pontosak; a beszállítói képesség különbözik a kérelmek befogadásától. ### Díjcsomagok #### Ailoot-metódusok díjai Bemenet 0,0008 USD */ 1K* Kimenet 0,0064 USD */ 1K* Bemenet 0,0048 USD *hangpercenként* Kimenet 0,018 USD *kimeneti hangpercenként* Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. [A foglalás és az elszámolás működése →](https://ailoot.ai/docs/hu/billing/reserve/) ### Példakérések #### Ailoot · Valós idejű hang Python WebSocket · szövegPython WebSocket · hang ```python # Install the documented client once: python3 -m pip install websockets import base64, json, os, time, wave from pathlib import Path from websockets.sync.client import connect key = os.environ.get("AILOOT_API_KEY", "") if not key.strip(): raise SystemExit("Set your AILOOT_API_KEY before connecting") file = Path(os.environ.get("AILOOT_TEXT_FILE", "")) if not file.is_file(): raise SystemExit("Set AILOOT_TEXT_FILE to your actual UTF-8 material") material = file.read_text(encoding="utf-8") if not material.strip(): raise SystemExit("Text material must not be empty") out = Path("realtime-results") out.mkdir(exist_ok=True) audio, texts, complete = {}, {}, [] current_response = None pending = False deadline = time.monotonic() + 570 # Local client bound; lower server/session limits still apply. def receive(ws, log): global current_response, pending left = deadline - time.monotonic() if left <= 0: raise TimeoutError("Client session limit; preserve IDs and partial results, do not replay") event = json.loads(ws.recv(timeout=min(60, left))) log.write(json.dumps(event, ensure_ascii=False) + "\n") log.flush() kind = event.get("type") if kind == "error": raise RuntimeError(json.dumps(event, ensure_ascii=False)) if kind == "response.created": current_response = event["response"]["id"] if kind in {"response.audio.delta", "response.output_audio.delta", "response.text.delta", "response.output_text.delta", "response.audio_transcript.delta", "response.output_audio_transcript.delta", "response.text.done", "response.audio_transcript.done"}: identity = (event["response_id"], event["item_id"], event["output_index"], event["content_index"]) if kind in {"response.audio.delta", "response.output_audio.delta"}: raw = base64.b64decode(event["delta"], validate=True) if len(raw) % 2: raise ValueError("Output PCM16 chunk must have an even byte length") audio.setdefault(identity, bytearray()).extend(raw) elif kind.endswith(".done"): texts[identity] = event.get("text", event.get("transcript", "")) else: texts[identity] = texts.get(identity, "") + event["delta"] print(event["delta"], end="", flush=True) if kind == "response.done": response = event["response"] complete.append(response) if current_response is None: current_response = response["id"] if response["id"] == current_response: pending = False return event def wait_for(ws, log, kind): while True: event = receive(ws, log) if event.get("type") == kind: return event def send(ws, event): ws.send(json.dumps(event, ensure_ascii=False)) try: # One exact model query; no reconnect/retry loop and no provider credentials. with connect("wss://api.ailoot.ai/v1/realtime?model=qwen-audio-3.0-realtime-plus", additional_headers={"Authorization": "Bearer " + key}) as ws: with (out / "events.jsonl").open("w", encoding="utf-8") as log: wait_for(ws, log, "session.created") send(ws, {"type":"session.update", "session":{"modalities":["audio","text"], "input_audio_format":"pcm", "output_audio_format":"pcm", "turn_detection":None}}) wait_for(ws, log, "session.updated") send(ws, {"type":"conversation.item.create", "item":{"type":"message", "role":"user", "content":[{"type":"input_text", "text":material}]}}) send(ws, {"type":"response.create"}) pending = True try: while pending: receive(ws, log) except KeyboardInterrupt: # Cancel the actual current inference, then preserve its returned status. send(ws, {"type":"response.cancel"}) while pending: receive(ws, log) if not complete or complete[-1].get("status") != "completed": raise RuntimeError("Response did not complete normally; inspect saved events and status") finally: manifest = {"responses":complete, "parts":[]} for number, identity in enumerate(dict.fromkeys(list(audio) + list(texts))): record = {"response_id":identity[0], "item_id":identity[1], "output_index":identity[2], "content_index":identity[3]} if identity in audio: raw = bytes(audio[identity]) pcm_file = out / ("audio-" + str(number) + ".pcm") wav_file = out / ("audio-" + str(number) + ".wav") pcm_file.write_bytes(raw) with wave.open(str(wav_file), "wb") as wav: wav.setnchannels(1); wav.setsampwidth(2); wav.setframerate(24000); wav.writeframes(raw) record.update({"pcm":str(pcm_file), "wav":str(wav_file), "sample_rate_hz":24000}) if identity in texts: text_file = out / ("text-" + str(number) + ".txt") text_file.write_text(texts[identity], encoding="utf-8") record["text"] = str(text_file) manifest["parts"].append(record) (out / "results.json").write_text(json.dumps(manifest, ensure_ascii=False, indent=2), encoding="utf-8") print("\nSaved every received event and result in", out) ``` ```python # Install the documented client once: python3 -m pip install websockets import base64, json, os, time, wave from pathlib import Path from websockets.sync.client import connect key = os.environ.get("AILOOT_API_KEY", "") if not key.strip(): raise SystemExit("Set your AILOOT_API_KEY before connecting") file = Path(os.environ.get("AILOOT_AUDIO_FILE", "")) if not file.is_file(): raise SystemExit("Set AILOOT_AUDIO_FILE to your raw PCM16 mono 16-kHz recording") material = file.read_bytes() if not material or len(material) % 2 or material.startswith(b"RIFF"): raise SystemExit("Use nonempty signed little-endian PCM16 mono 16-kHz bytes, not a WAV header") out = Path("realtime-results") out.mkdir(exist_ok=True) audio, texts, complete = {}, {}, [] current_response = None pending = False deadline = time.monotonic() + 570 # Local client bound; lower server/session limits still apply. def receive(ws, log): global current_response, pending left = deadline - time.monotonic() if left <= 0: raise TimeoutError("Client session limit; preserve IDs and partial results, do not replay") event = json.loads(ws.recv(timeout=min(60, left))) log.write(json.dumps(event, ensure_ascii=False) + "\n") log.flush() kind = event.get("type") if kind == "error": raise RuntimeError(json.dumps(event, ensure_ascii=False)) if kind == "response.created": current_response = event["response"]["id"] if kind in {"response.audio.delta", "response.output_audio.delta", "response.text.delta", "response.output_text.delta", "response.audio_transcript.delta", "response.output_audio_transcript.delta", "response.text.done", "response.audio_transcript.done"}: identity = (event["response_id"], event["item_id"], event["output_index"], event["content_index"]) if kind in {"response.audio.delta", "response.output_audio.delta"}: raw = base64.b64decode(event["delta"], validate=True) if len(raw) % 2: raise ValueError("Output PCM16 chunk must have an even byte length") audio.setdefault(identity, bytearray()).extend(raw) elif kind.endswith(".done"): texts[identity] = event.get("text", event.get("transcript", "")) else: texts[identity] = texts.get(identity, "") + event["delta"] print(event["delta"], end="", flush=True) if kind == "response.done": response = event["response"] complete.append(response) if current_response is None: current_response = response["id"] if response["id"] == current_response: pending = False return event def wait_for(ws, log, kind): while True: event = receive(ws, log) if event.get("type") == kind: return event def send(ws, event): ws.send(json.dumps(event, ensure_ascii=False)) try: # One exact model query; no reconnect/retry loop and no provider credentials. with connect("wss://api.ailoot.ai/v1/realtime?model=qwen-audio-3.0-realtime-plus", additional_headers={"Authorization": "Bearer " + key}) as ws: with (out / "events.jsonl").open("w", encoding="utf-8") as log: wait_for(ws, log, "session.created") send(ws, {"type":"session.update", "session":{"modalities":["audio","text"], "input_audio_format":"pcm", "output_audio_format":"pcm", "turn_detection":None}}) wait_for(ws, log, "session.updated") for offset in range(0, len(material), 640): send(ws, {"type":"input_audio_buffer.append", "audio":base64.b64encode(material[offset:offset+640]).decode("ascii")}) time.sleep(0.02) send(ws, {"type":"input_audio_buffer.commit"}) wait_for(ws, log, "input_audio_buffer.committed") send(ws, {"type":"response.create"}) pending = True try: while pending: receive(ws, log) except KeyboardInterrupt: # Cancel the actual current inference, then preserve its returned status. send(ws, {"type":"response.cancel"}) while pending: receive(ws, log) if not complete or complete[-1].get("status") != "completed": raise RuntimeError("Response did not complete normally; inspect saved events and status") finally: manifest = {"responses":complete, "parts":[]} for number, identity in enumerate(dict.fromkeys(list(audio) + list(texts))): record = {"response_id":identity[0], "item_id":identity[1], "output_index":identity[2], "content_index":identity[3]} if identity in audio: raw = bytes(audio[identity]) pcm_file = out / ("audio-" + str(number) + ".pcm") wav_file = out / ("audio-" + str(number) + ".wav") pcm_file.write_bytes(raw) with wave.open(str(wav_file), "wb") as wav: wav.setnchannels(1); wav.setsampwidth(2); wav.setframerate(24000); wav.writeframes(raw) record.update({"pcm":str(pcm_file), "wav":str(wav_file), "sample_rate_hz":24000}) if identity in texts: text_file = out / ("text-" + str(number) + ".txt") text_file.write_text(texts[identity], encoding="utf-8") record["text"] = str(text_file) manifest["parts"].append(record) (out / "results.json").write_text(json.dumps(manifest, ensure_ascii=False, indent=2), encoding="utf-8") print("\nSaved every received event and result in", out) ``` ### Eredmények fogadása és mentése #### Ailoot · Valós idejű hang munkamenetesemények ##### Őrizzen meg minden elkészült eredményt Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt. Állítsa össze az összes visszaadott hangdeltát és szöveg- vagy eseményeredményt minden tényleges válaszazonosítóhoz. ##### Ha az eredeti választ ellenőrizni kell Őrizze meg a tényleges munkamenet-, válasz- és eseményazonosítókat, valamint a bizonylatokat. Hibák és következő lépések | Válasz | Feltétel | Következő lépés | | --- | --- | --- | | Válasz426 · `invalid_request_error` | FeltételNincs WebSocket protokollra váltás | Következő lépésHasználjon WebSocket-klienst Upgrade: websocket fejléccel. | ### Álnevek #### Modell álnevei **Ailoot** [`qwen-audio-3.0-realtime-plus`](https://ailoot.ai/models/hu/#m=qwen-audio-3.0-realtime-plus&route=Core&caller=qwen-audio-3.0-realtime-plus&fmt=realtime) #### Metódusútvonalak álnevei Használja a fent látható metódusútvonalakat. #### Kapcsolódó modellazonosítók [`qwen-audio-3.0-realtime-plus`](https://ailoot.ai/models/hu/#m=qwen-audio-3.0-realtime-plus&route=Core&caller=qwen-audio-3.0-realtime-plus&fmt=realtime) FAQ · qwen-audio-3.0-realtime-plus Milyen bemenetek és eredmények érhetők el? `GET /v1/realtime?model=qwen-audio-3.0-realtime-plus` · `qwen-audio-3.0-realtime-plus`: `text`, `audio` → `text`, `audio` Milyen korlátok érvényesek? `GET /v1/realtime?model=qwen-audio-3.0-realtime-plus` · `qwen-audio-3.0-realtime-plus`: `session.max_history_turns.minimum`: `1` Csatlakoztassa az Ailootot a Claude Code-hoz, OpenCode-hoz, Hermeshez vagy saját alkalmazásához. ## A vállalat és projektportfóliója A vállalat és projektportfóliója: ügyfelek milliói; havi értékesítés milliárdos nagyságrendben. ## Vásároljon tokeneket kedvezménnyel. Előfizetési kedvezmény rendszeres munkához. Promókódok — akár 50% tokenvásárlási kedvezmény. Előfizetés Válasszon kedvezményes tarifát a rendszeres kéréseihez. Promókód akár 50%-ig Vásárláskor adja meg a kódot. Az ár az érvényes akció szerint újraszámolódik. Költségek az előzményekben Minden kéréshez megmarad a modell, a tokenek és az összeg. [Előfizetés kiválasztása](https://ailoot.ai/docs/hu/billing/subscriptions/) · [Modellárak megtekintése](https://ailoot.ai/models/hu/) ## Csatlakoztassa az API-t az értékesített termékéhez. SaaS, alkalmazások és botok — az Ailoot ajánlati feltételei és licencszerződése alapján. Viszonteladáshoz kérjen viszonteladói licencet. Kereskedelmi alkalmazás Építsen szöveg-, kép-, videó- és hanggenerálást szolgáltatása fizetős funkcióiba. Viszonteladói licenc Küldje el a projekt leírását és a hozzáférés módját. Kérjen írásos használati és viszonteladási feltételeket. Dokumentumok a weboldalon Az ajánlati feltételek, licencszerződés és adatkezelési szabályzat már a csatlakoztatás előtt elérhető. [Viszonteladói licenc kérése](mailto:support@ailoot.ai) · [Ajánlati feltételek és licencszerződés](https://ailoot.ai/legal/offer?lang=hu) ## Ailoot · A vállalat és projektportfóliója Az Ailoot felhalmozott működési tapasztalatra, széles ügyfélkörre, stabil szolgáltatásra és folyamatos KPI-ellenőrzésre épít. A vállalat és projektportfóliója: ügyfelek milliói; havi értékesítés milliárdos nagyságrendben. Az Ailoot ezt a működési tapasztalatot használja az ügyfelek termékeiben, ágenseiben, alkalmazásaiban és automatizálásaiban elérhető AI-funkciók API-hozzáféréséhez.