Panoramica: descrizioni dettagliate dei suoni
Qwen3-Omni-30B-A3B-Captioner è un modello specializzato nella descrizione audio, ottenuto tramite fine-tuning di Qwen3-Omni-30B-A3B-Instruct. Trasforma una clip audio in un resoconto testuale dettagliato di ciò che si sente. Qwen lo ha progettato per materiali vari, tra cui parlato, suoni ambientali, musica, effetti cinematografici e combinazioni di più fonti sonore. È quindi utile per preparare una descrizione ricercabile di una risorsa audio o esaminare gli strati sonori di un breve segmento multimediale.
Comprensione del parlato e degli altri suoni
Il produttore descrive l'analisi di più parlanti, espressioni multilingue, emozioni vocali e intenzioni suggerite dal modo di parlare. I suoi esempi vanno oltre una trascrizione: descrivono come suonano le voci, la lingua parlata e la scena acustica circostante. Per l'audio diverso dal parlato, il modello descrive atmosfera ambientale, suoni del mondo reale, strati musicali e dettagli dinamici di film o contenuti multimediali.
Le descrizioni dello stato d'animo, dell'intento del parlante o del contesto culturale sono interpretazioni del materiale udibile. Trattale separatamente dal parlato e dagli eventi sonori direttamente verificabili. Una descrizione può aiutare chi la esamina a notare un cambiamento di tono o uno strato di sottofondo; non è una misurazione delle emozioni private di una persona né la prova della fonte fisica di un suono ambiguo.
L'edizione Captioner e il suo contratto di input
Questo checkpoint è a turno singolo. Accetta esattamente un input audio per inferenza, nessun prompt testuale, e restituisce soltanto testo. Contiene il componente thinker per la comprensione audio; la configurazione pubblicata disabilita esplicitamente l'output audio. Non trasferire a Captioner le funzioni conversazionali, relative a immagini e video o di generazione vocale di altre edizioni Qwen3-Omni solo perché i nomi appartengono alla stessa famiglia.
L'assenza di un prompt testuale ha conseguenze pratiche. Prepara il segmento audio che vuoi descrivere e invia quel segmento come intero compito. Non aggiungere un'istruzione che richieda un riepilogo personalizzato, una traduzione, una risposta del parlante o uno schema di output. Se un flusso di lavoro richiede tali trasformazioni, queste appartengono a una fase separata che opera sulla descrizione restituita, anziché essere presunte opzioni di controllo di questo checkpoint di descrizione audio.
Preparazione di audio utile
Qwen raccomanda di limitare una clip a non più di 30 secondi per ottenere una descrizione dettagliata. È una raccomandazione qualitativa: un audio eccessivamente lungo può ridurre la percezione dei dettagli. Non è presentata come una soglia rigida universale oltre la quale l'input viene rifiutato. Per una registrazione più lunga, seleziona un breve segmento significativo attorno all'evento o alla scena da esaminare. Conserva l'identificatore della fonte e il tempo iniziale al di fuori della richiesta al modello, così che la descrizione restituita possa essere ricondotta in seguito alla registrazione originale.
Preserva gli strati sonori pertinenti alla domanda. Un estratto incentrato sulla voce deve comunque includere il sottofondo quando questo influisce sulla descrizione desiderata; una risorsa musicale o di effetti sonori deve conservare la transizione importante, anziché essere tagliata in un punto arbitrario. Elaborare le clip separatamente aiuta a conservare i dettagli locali, ma non attesta continuità automatica o comprensione dell'intera registrazione tra richieste diverse.
A cosa serve il risultato testuale
La guida pratica del produttore mostra descrizioni che illustrano il contenuto e il modo di esprimersi del parlato, poi la scena circostante; altri esempi descrivono musica, effetti, cambiamenti d'intensità e sequenze di eventi vocali. Un catalogo audio può archiviare il testo restituito accanto al nome della risorsa e all'intervallo temporale. Chi esamina contenuti multimediali può usarlo come bozza di registro sonoro. Un montatore può confrontare la descrizione con la clip per verificare che colga gli strati desiderati. Sono esempi applicativi, non prove che il modello abbia ascoltato in anticipo una specifica risorsa dell'utente.
L'output è una descrizione, non una promessa di trascrizione parola per parola, tabella di diarizzazione, file di sottotitoli con riferimenti temporali o colonna sonora generata. Quando servono la formulazione esatta del parlato o tempi precisi, confronta la descrizione con l'audio e usa un flusso dedicato adeguato all'artefatto richiesto. Una descrizione ricca può includere informazioni dedotte sulla scena o sul genere; conserva quindi l'incertezza quando il suono stesso non ne identifica univocamente la fonte.
Esempi di generazione e limiti
L'esempio autonomo del produttore imposta un contesto del modello di 32,768 token e un budget di generazione di 16,384 token, usando temperature 0.6, top_p 0.95 e top_k 20. La sua guida pratica usa un budget di generazione di 8,192 token con gli stessi valori di campionamento. Sono configurazioni di esempio, non lunghezze massime delle descrizioni dichiarate separatamente. La configurazione testuale sottostante elenca 65,536 posizioni, che non vanno convertite in una garanzia di durata per l'audio.
Codice generico di utilità o campi di configurazione condivisi con la famiglia Omni non prevalgono sul contratto esplicito di Captioner: un audio, nessun testo in ingresso e solo testo in uscita. Il risultato utile è una descrizione dettagliata di una breve scena udibile; verifica citazioni del parlato, numero di parlanti e fonti sonore dedotte prima di usarla come resoconto autorevole.
", "aboutText": "Panoramica: descrizioni dettagliate dei suoni\n\nQwen3-Omni-30B-A3B-Captioner è un modello specializzato nella descrizione audio, ottenuto tramite fine-tuning di Qwen3-Omni-30B-A3B-Instruct. Trasforma una clip audio in un resoconto testuale dettagliato di ciò che si sente. Qwen lo ha progettato per materiali vari, tra cui parlato, suoni ambientali, musica, effetti cinematografici e combinazioni di più fonti sonore. È quindi utile per preparare una descrizione ricercabile di una risorsa audio o esaminare gli strati sonori di un breve segmento multimediale.\n\nComprensione del parlato e degli altri suoni\n\nIl produttore descrive l'analisi di più parlanti, espressioni multilingue, emozioni vocali e intenzioni suggerite dal modo di parlare. I suoi esempi vanno oltre una trascrizione: descrivono come suonano le voci, la lingua parlata e la scena acustica circostante. Per l'audio diverso dal parlato, il modello descrive atmosfera ambientale, suoni del mondo reale, strati musicali e dettagli dinamici di film o contenuti multimediali.\n\nLe descrizioni dello stato d'animo, dell'intento del parlante o del contesto culturale sono interpretazioni del materiale udibile. Trattale separatamente dal parlato e dagli eventi sonori direttamente verificabili. Una descrizione può aiutare chi la esamina a notare un cambiamento di tono o uno strato di sottofondo; non è una misurazione delle emozioni private di una persona né la prova della fonte fisica di un suono ambiguo.\n\nL'edizione Captioner e il suo contratto di input\n\nQuesto checkpoint è a turno singolo. Accetta esattamente un input audio per inferenza, nessun prompt testuale, e restituisce soltanto testo. Contiene il componente thinker per la comprensione audio; la configurazione pubblicata disabilita esplicitamente l'output audio. Non trasferire a Captioner le funzioni conversazionali, relative a immagini e video o di generazione vocale di altre edizioni Qwen3-Omni solo perché i nomi appartengono alla stessa famiglia.\n\nL'assenza di un prompt testuale ha conseguenze pratiche. Prepara il segmento audio che vuoi descrivere e invia quel segmento come intero compito. Non aggiungere un'istruzione che richieda un riepilogo personalizzato, una traduzione, una risposta del parlante o uno schema di output. Se un flusso di lavoro richiede tali trasformazioni, queste appartengono a una fase separata che opera sulla descrizione restituita, anziché essere presunte opzioni di controllo di questo checkpoint di descrizione audio.\n\nPreparazione di audio utile\n\nQwen raccomanda di limitare una clip a non più di 30 secondi per ottenere una descrizione dettagliata. È una raccomandazione qualitativa: un audio eccessivamente lungo può ridurre la percezione dei dettagli. Non è presentata come una soglia rigida universale oltre la quale l'input viene rifiutato. Per una registrazione più lunga, seleziona un breve segmento significativo attorno all'evento o alla scena da esaminare. Conserva l'identificatore della fonte e il tempo iniziale al di fuori della richiesta al modello, così che la descrizione restituita possa essere ricondotta in seguito alla registrazione originale.\n\nPreserva gli strati sonori pertinenti alla domanda. Un estratto incentrato sulla voce deve comunque includere il sottofondo quando questo influisce sulla descrizione desiderata; una risorsa musicale o di effetti sonori deve conservare la transizione importante, anziché essere tagliata in un punto arbitrario. Elaborare le clip separatamente aiuta a conservare i dettagli locali, ma non attesta continuità automatica o comprensione dell'intera registrazione tra richieste diverse.\n\nA cosa serve il risultato testuale\n\nLa guida pratica del produttore mostra descrizioni che illustrano il contenuto e il modo di esprimersi del parlato, poi la scena circostante; altri esempi descrivono musica, effetti, cambiamenti d'intensità e sequenze di eventi vocali. Un catalogo audio può archiviare il testo restituito accanto al nome della risorsa e all'intervallo temporale. Chi esamina contenuti multimediali può usarlo come bozza di registro sonoro. Un montatore può confrontare la descrizione con la clip per verificare che colga gli strati desiderati. Sono esempi applicativi, non prove che il modello abbia ascoltato in anticipo una specifica risorsa dell'utente.\n\nL'output è una descrizione, non una promessa di trascrizione parola per parola, tabella di diarizzazione, file di sottotitoli con riferimenti temporali o colonna sonora generata. Quando servono la formulazione esatta del parlato o tempi precisi, confronta la descrizione con l'audio e usa un flusso dedicato adeguato all'artefatto richiesto. Una descrizione ricca può includere informazioni dedotte sulla scena o sul genere; conserva quindi l'incertezza quando il suono stesso non ne identifica univocamente la fonte.\n\nEsempi di generazione e limiti\n\nL'esempio autonomo del produttore imposta un contesto del modello di 32,768 token e un budget di generazione di 16,384 token, usando temperature 0.6, top_p 0.95 e top_k 20. La sua guida pratica usa un budget di generazione di 8,192 token con gli stessi valori di campionamento. Sono configurazioni di esempio, non lunghezze massime delle descrizioni dichiarate separatamente. La configurazione testuale sottostante elenca 65,536 posizioni, che non vanno convertite in una garanzia di durata per l'audio.\n\nCodice generico di utilità o campi di configurazione condivisi con la famiglia Omni non prevalgono sul contratto esplicito di Captioner: un audio, nessun testo in ingresso e solo testo in uscita. Il risultato utile è una descrizione dettagliata di una breve scena udibile; verifica citazioni del parlato, numero di parlanti e fonti sonore dedotte prima di usarla come resoconto autorevole.", "editorialOverlay": { "copy_fields": { "practical_html": "La descrizione del modello richiede un input audio, ma la rotta selezionata dichiara un input testuale. Per questa incongruenza non viene fornito un esempio di generazione pronto da eseguire.
Esempio tecnico in inglese
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 descrive in forma testuale il parlato, la musica, i suoni ambientali e l'audio cinematografico. Questa edizione specializzata a turno singolo accetta un input audio senza prompt testuale; Qwen raccomanda clip di non oltre 30 secondi per conservare i dettagli più minuti.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Panoramica: descrizioni dettagliate dei suoni
Qwen3-Omni-30B-A3B-Captioner è un modello specializzato nella descrizione audio, ottenuto tramite fine-tuning di Qwen3-Omni-30B-A3B-Instruct. Trasforma una clip audio in un resoconto testuale dettagliato di ciò che si sente. Qwen lo ha progettato per materiali vari, tra cui parlato, suoni ambientali, musica, effetti cinematografici e combinazioni di più fonti sonore. È quindi utile per preparare una descrizione ricercabile di una risorsa audio o esaminare gli strati sonori di un breve segmento multimediale.
Comprensione del parlato e degli altri suoni
Il produttore descrive l'analisi di più parlanti, espressioni multilingue, emozioni vocali e intenzioni suggerite dal modo di parlare. I suoi esempi vanno oltre una trascrizione: descrivono come suonano le voci, la lingua parlata e la scena acustica circostante. Per l'audio diverso dal parlato, il modello descrive atmosfera ambientale, suoni del mondo reale, strati musicali e dettagli dinamici di film o contenuti multimediali.
Le descrizioni dello stato d'animo, dell'intento del parlante o del contesto culturale sono interpretazioni del materiale udibile. Trattale separatamente dal parlato e dagli eventi sonori direttamente verificabili. Una descrizione può aiutare chi la esamina a notare un cambiamento di tono o uno strato di sottofondo; non è una misurazione delle emozioni private di una persona né la prova della fonte fisica di un suono ambiguo.
L'edizione Captioner e il suo contratto di input
Questo checkpoint è a turno singolo. Accetta esattamente un input audio per inferenza, nessun prompt testuale, e restituisce soltanto testo. Contiene il componente thinker per la comprensione audio; la configurazione pubblicata disabilita esplicitamente l'output audio. Non trasferire a Captioner le funzioni conversazionali, relative a immagini e video o di generazione vocale di altre edizioni Qwen3-Omni solo perché i nomi appartengono alla stessa famiglia.
L'assenza di un prompt testuale ha conseguenze pratiche. Prepara il segmento audio che vuoi descrivere e invia quel segmento come intero compito. Non aggiungere un'istruzione che richieda un riepilogo personalizzato, una traduzione, una risposta del parlante o uno schema di output. Se un flusso di lavoro richiede tali trasformazioni, queste appartengono a una fase separata che opera sulla descrizione restituita, anziché essere presunte opzioni di controllo di questo checkpoint di descrizione audio.
Preparazione di audio utile
Qwen raccomanda di limitare una clip a non più di 30 secondi per ottenere una descrizione dettagliata. È una raccomandazione qualitativa: un audio eccessivamente lungo può ridurre la percezione dei dettagli. Non è presentata come una soglia rigida universale oltre la quale l'input viene rifiutato. Per una registrazione più lunga, seleziona un breve segmento significativo attorno all'evento o alla scena da esaminare. Conserva l'identificatore della fonte e il tempo iniziale al di fuori della richiesta al modello, così che la descrizione restituita possa essere ricondotta in seguito alla registrazione originale.
Preserva gli strati sonori pertinenti alla domanda. Un estratto incentrato sulla voce deve comunque includere il sottofondo quando questo influisce sulla descrizione desiderata; una risorsa musicale o di effetti sonori deve conservare la transizione importante, anziché essere tagliata in un punto arbitrario. Elaborare le clip separatamente aiuta a conservare i dettagli locali, ma non attesta continuità automatica o comprensione dell'intera registrazione tra richieste diverse.
A cosa serve il risultato testuale
La guida pratica del produttore mostra descrizioni che illustrano il contenuto e il modo di esprimersi del parlato, poi la scena circostante; altri esempi descrivono musica, effetti, cambiamenti d'intensità e sequenze di eventi vocali. Un catalogo audio può archiviare il testo restituito accanto al nome della risorsa e all'intervallo temporale. Chi esamina contenuti multimediali può usarlo come bozza di registro sonoro. Un montatore può confrontare la descrizione con la clip per verificare che colga gli strati desiderati. Sono esempi applicativi, non prove che il modello abbia ascoltato in anticipo una specifica risorsa dell'utente.
L'output è una descrizione, non una promessa di trascrizione parola per parola, tabella di diarizzazione, file di sottotitoli con riferimenti temporali o colonna sonora generata. Quando servono la formulazione esatta del parlato o tempi precisi, confronta la descrizione con l'audio e usa un flusso dedicato adeguato all'artefatto richiesto. Una descrizione ricca può includere informazioni dedotte sulla scena o sul genere; conserva quindi l'incertezza quando il suono stesso non ne identifica univocamente la fonte.
Esempi di generazione e limiti
L'esempio autonomo del produttore imposta un contesto del modello di 32,768 token e un budget di generazione di 16,384 token, usando temperature 0.6, top_p 0.95 e top_k 20. La sua guida pratica usa un budget di generazione di 8,192 token con gli stessi valori di campionamento. Sono configurazioni di esempio, non lunghezze massime delle descrizioni dichiarate separatamente. La configurazione testuale sottostante elenca 65,536 posizioni, che non vanno convertite in una garanzia di durata per l'audio.
Codice generico di utilità o campi di configurazione condivisi con la famiglia Omni non prevalgono sul contratto esplicito di Captioner: un audio, nessun testo in ingresso e solo testo in uscita. Il risultato utile è una descrizione dettagliata di una breve scena udibile; verifica citazioni del parlato, numero di parlanti e fonti sonore dedotte prima di usarla come resoconto autorevole.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti Qwen/Qwen3-Omni-30B-A3B-Captioner | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Esempi: system, user, assistant, tool, function Condizioni: Questi ruoli sono rappresentati esplicitamente dai tipi di compatibilità del codice sorgente; l’insieme esatto dei ruoli rimane specifico del modello. Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_call_id | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: role=tool; usa l’ID effettivamente restituito | Predefinito— |
Campomessages[].name | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].reasoning_content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Reinserisci il ragionamento effettivamente restituito quando il modello lo utilizza | Predefinito— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campomax_completion_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostop | Tipostring|string[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipofunction_tool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].type | Tipostring | RequisitoFacoltativo | Valori e limiti function Dipende dal modello | Predefinito— |
Campotools[].function.name | Tipostring | RequisitoObbligatorio | Valori e limiti Si applica quando: Funzione fornita come strumento | Predefinito— |
Campotools[].function.description | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotool_choice | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoparallel_tool_calls | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporesponse_format | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning_effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camposervice_tier | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoinstructions | Tipostring | RequisitoFacoltativo | Valori e limiti Campo di compatibilità | Predefinito— |
Campofunctions | Tipofunction[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campofunction_call | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_options | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomodalities | Tipostring[] | RequisitoFacoltativo | Valori e limiti text | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options viene rifiutato su questa rotta testuale Ultra | Predefinito— |
Campocache_control.ttl | Tipostring | RequisitoFacoltativo | Valori e limiti Condizioni: 1h viene rifiutato nelle posizioni effettive della cache dei prompt | Predefinito— |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages |
Parametromaterial_types | Contrattotext |
Parametromessages | ContrattoArray di messaggi con struttura role/content |
Parametrofile_material | ContrattoDocumento UTF-8 effettivo inserito come testo letterale; nessun ID di file dedotto |
Parametrooptional_controls | Contrattostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrocontrol_scope | ContrattoSpecifico del modello; gli strumenti di funzione dell’utente differiscono dagli strumenti ospitati |
Parametrooutput_modalities | Contrattotext |
Parametrohosted_operations | Contrattofalse |
Parametromultimodal_input_binding | Contrattonull |
Ciclo di vita: synchronous_or_streamed
Invia l’ID esatto del modello con messages.
La lunghezza del contesto non è un limite di uscita.
Un file di testo può fornire testo letterale; gli ingressi immagine/audio/oggetto file richiedono un’associazione esatta.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.0002 / 1K token Output · Token in output $0.0008 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
La descrizione del modello richiede un input audio, ma la rotta selezionata dichiara un input testuale. Per questa incongruenza non viene fornito un esempio di generazione pronto da eseguire.
manufacturer: audio → text
route: text → text
json o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra Qwen/Qwen3-Omni-30B-A3B-Captioner
Usa i percorsi dei metodi indicati sopra.
Qwen/Qwen3-Omni-30B-A3B-CaptionerQwen3-Omni-30B-A3B-Captioner descrive in forma testuale il parlato, la musica, i suoni ambientali e l'audio cinematografico. Questa edizione specializzata a turno singolo accetta un input audio senza prompt testuale; Qwen raccomanda clip di non oltre 30 secondi per conservare i dettagli più minuti.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Panoramica: descrizioni dettagliate dei suoni
Qwen3-Omni-30B-A3B-Captioner è un modello specializzato nella descrizione audio, ottenuto tramite fine-tuning di Qwen3-Omni-30B-A3B-Instruct. Trasforma una clip audio in un resoconto testuale dettagliato di ciò che si sente. Qwen lo ha progettato per materiali vari, tra cui parlato, suoni ambientali, musica, effetti cinematografici e combinazioni di più fonti sonore. È quindi utile per preparare una descrizione ricercabile di una risorsa audio o esaminare gli strati sonori di un breve segmento multimediale.
Comprensione del parlato e degli altri suoni
Il produttore descrive l'analisi di più parlanti, espressioni multilingue, emozioni vocali e intenzioni suggerite dal modo di parlare. I suoi esempi vanno oltre una trascrizione: descrivono come suonano le voci, la lingua parlata e la scena acustica circostante. Per l'audio diverso dal parlato, il modello descrive atmosfera ambientale, suoni del mondo reale, strati musicali e dettagli dinamici di film o contenuti multimediali.
Le descrizioni dello stato d'animo, dell'intento del parlante o del contesto culturale sono interpretazioni del materiale udibile. Trattale separatamente dal parlato e dagli eventi sonori direttamente verificabili. Una descrizione può aiutare chi la esamina a notare un cambiamento di tono o uno strato di sottofondo; non è una misurazione delle emozioni private di una persona né la prova della fonte fisica di un suono ambiguo.
L'edizione Captioner e il suo contratto di input
Questo checkpoint è a turno singolo. Accetta esattamente un input audio per inferenza, nessun prompt testuale, e restituisce soltanto testo. Contiene il componente thinker per la comprensione audio; la configurazione pubblicata disabilita esplicitamente l'output audio. Non trasferire a Captioner le funzioni conversazionali, relative a immagini e video o di generazione vocale di altre edizioni Qwen3-Omni solo perché i nomi appartengono alla stessa famiglia.
L'assenza di un prompt testuale ha conseguenze pratiche. Prepara il segmento audio che vuoi descrivere e invia quel segmento come intero compito. Non aggiungere un'istruzione che richieda un riepilogo personalizzato, una traduzione, una risposta del parlante o uno schema di output. Se un flusso di lavoro richiede tali trasformazioni, queste appartengono a una fase separata che opera sulla descrizione restituita, anziché essere presunte opzioni di controllo di questo checkpoint di descrizione audio.
Preparazione di audio utile
Qwen raccomanda di limitare una clip a non più di 30 secondi per ottenere una descrizione dettagliata. È una raccomandazione qualitativa: un audio eccessivamente lungo può ridurre la percezione dei dettagli. Non è presentata come una soglia rigida universale oltre la quale l'input viene rifiutato. Per una registrazione più lunga, seleziona un breve segmento significativo attorno all'evento o alla scena da esaminare. Conserva l'identificatore della fonte e il tempo iniziale al di fuori della richiesta al modello, così che la descrizione restituita possa essere ricondotta in seguito alla registrazione originale.
Preserva gli strati sonori pertinenti alla domanda. Un estratto incentrato sulla voce deve comunque includere il sottofondo quando questo influisce sulla descrizione desiderata; una risorsa musicale o di effetti sonori deve conservare la transizione importante, anziché essere tagliata in un punto arbitrario. Elaborare le clip separatamente aiuta a conservare i dettagli locali, ma non attesta continuità automatica o comprensione dell'intera registrazione tra richieste diverse.
A cosa serve il risultato testuale
La guida pratica del produttore mostra descrizioni che illustrano il contenuto e il modo di esprimersi del parlato, poi la scena circostante; altri esempi descrivono musica, effetti, cambiamenti d'intensità e sequenze di eventi vocali. Un catalogo audio può archiviare il testo restituito accanto al nome della risorsa e all'intervallo temporale. Chi esamina contenuti multimediali può usarlo come bozza di registro sonoro. Un montatore può confrontare la descrizione con la clip per verificare che colga gli strati desiderati. Sono esempi applicativi, non prove che il modello abbia ascoltato in anticipo una specifica risorsa dell'utente.
L'output è una descrizione, non una promessa di trascrizione parola per parola, tabella di diarizzazione, file di sottotitoli con riferimenti temporali o colonna sonora generata. Quando servono la formulazione esatta del parlato o tempi precisi, confronta la descrizione con l'audio e usa un flusso dedicato adeguato all'artefatto richiesto. Una descrizione ricca può includere informazioni dedotte sulla scena o sul genere; conserva quindi l'incertezza quando il suono stesso non ne identifica univocamente la fonte.
Esempi di generazione e limiti
L'esempio autonomo del produttore imposta un contesto del modello di 32,768 token e un budget di generazione di 16,384 token, usando temperature 0.6, top_p 0.95 e top_k 20. La sua guida pratica usa un budget di generazione di 8,192 token con gli stessi valori di campionamento. Sono configurazioni di esempio, non lunghezze massime delle descrizioni dichiarate separatamente. La configurazione testuale sottostante elenca 65,536 posizioni, che non vanno convertite in una garanzia di durata per l'audio.
Codice generico di utilità o campi di configurazione condivisi con la famiglia Omni non prevalgono sul contratto esplicito di Captioner: un audio, nessun testo in ingresso e solo testo in uscita. Il risultato utile è una descrizione dettagliata di una breve scena udibile; verifica citazioni del parlato, numero di parlanti e fonti sonore dedotte prima di usarla come resoconto autorevole.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti Qwen/Qwen3-Omni-30B-A3B-Captioner | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF-8
Stringa messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattostream |
Parametromaterial_types | Contrattotext |
Parametrotext_file_material | ContrattoLeggi il documento UTF-8 effettivo e inserisci il testo nell’ingresso indicato o nella stringa del contenuto del messaggio. |
Ciclo di vita: synchronous_or_streamed
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.0002 / 1K token Output · Token in output $0.0008 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
La descrizione del modello richiede un input audio, ma la rotta selezionata dichiara un input testuale. Per questa incongruenza non viene fornito un esempio di generazione pronto da eseguire.
manufacturer: audio → text
route: text → json, sse
JSON o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra Qwen/Qwen3-Omni-30B-A3B-Captioner
Usa i percorsi dei metodi indicati sopra.
La descrizione del modello richiede un input audio, ma la rotta selezionata dichiara un input testuale. Per questa incongruenza non viene fornito un esempio di generazione pronto da eseguire.
Esempio tecnico in inglese
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.