Qwen3-Omni-30B-A3B-Instruct è il membro di Qwen3-Omni che segue le istruzioni e genera parlato. Comprende testo, immagini, audio e video, anche come input misti, e può restituire sia testo sia parlato naturale. Qwen descrive l'architettura della famiglia come capace di supportare risposte testuali e vocali in streaming. L'esatto checkpoint Instruct contiene i componenti Thinker e Talker: la comprensione e la formazione della risposta testuale sono collegate al percorso di generazione vocale. I checkpoint Thinking e Captioner hanno componenti e ruoli di output diversi, quindi restano scelte di modello separate.
L'ambito multilingue pubblicato della famiglia comprende 119 lingue testuali, 19 lingue per l'input vocale e 10 lingue per l'output vocale. Il russo è presente in entrambi gli elenchi vocali. Il produttore descrive una struttura Thinker–Talker mixture-of-experts, con elaborazione audio e visiva per la comprensione multimodale e generazione vocale con più codebook. I prompt di sistema possono definire il ruolo dell'assistente e lo stile della risposta. Un'attività adatta è una spiegazione vocale che dipende da un oggetto visibile e da una domanda pronunciata dall'utente, anziché una conversione da testo a voce priva di tale legame.
Le guide pratiche coprono riconoscimento del parlato, traduzione del parlato, analisi di musica e suoni, audio misto, domande sulle immagini, OCR, localizzazione degli oggetti, descrizione di video e dialogo audiovisivo. Per un assistente alla formazione, fornisci un filmato dimostrativo e chiedigli di spiegare la procedura visibile a un principiante. Per una domanda su un prodotto, combina una foto con la richiesta vocale e identifica il dettaglio da discutere. Specifica il destinatario e il risultato desiderato: una breve risposta vocale, un riepilogo testuale o entrambi. Conserva i nomi presenti nelle fonti e le misure che devono rimanere invariati.
Il flusso di input del produttore usa il processore, il template di chat e le utilità di elaborazione multimediale corrispondenti. I contenuti multimediali possono essere intercalati al testo e la decodifica è una parte esplicita della preparazione di una richiesta. Quando usi l'audio che accompagna un video, mantieni use_audio_in_video coerente tra preelaborazione, generazione e turni successivi del dialogo. Una domanda audiovisiva richiede l'inclusione della traccia audio; un'attività esclusivamente visiva deve dichiarare chiaramente tale ambito. Seleziona un filmato pertinente e usa immagini leggibili, così che l'assistente riceva i dettagli necessari alla domanda.
L'output vocale è controllabile. L'interfaccia di generazione pubblicata può richiedere il solo testo con return_audio=False e disabilitare Talker rimuove tale componente dal percorso di output vocale del modello caricato. L'esempio in batch del produttore restituisce testo anziché audio. Il checkpoint Instruct documenta tre voci disponibili — Ethan, Chelsie e Aiden — con Ethan come voce predefinita. L'esempio salva una forma d'onda a 24,000 Hz. La selezione della voce e il formato di output di questo esempio descrivono il flusso di lavoro del modello pubblicato, non ogni possibile interfaccia del servizio che lo integra.
Per le risposte vocali, il produttore raccomanda uno stile conversazionale facile da pronunciare anziché una formattazione complicata. Una richiesta può chiedere una spiegazione concisa nella lingua dell'ascoltatore, conservando un risultato testuale leggibile separato per la revisione. Se la fonte contiene un nome, una formula o un'abbreviazione poco nota, forniscine il significato e la formulazione preferita. Chiedi che la risposta distingua il contenuto osservato dalle ipotesi, così che la fluidità della voce non faccia scomparire l'incertezza.
Le configurazioni testuali di Thinker e Talker impostano max_position_embeddings a 65,536. Gli esempi vLLM della scheda condivisa scelgono separatamente una lunghezza del modello di 32,768 token e un'impostazione di generazione di 16,384 token; restano esempi, non limiti universali indipendenti. L'elaborazione visiva e audio influisce sulla dimensione effettiva della richiesta. Anche il supporto delle interfacce differisce: l'esempio Transformers della scheda può restituire parlato, mentre la sezione sull'erogazione descrive un percorso orientato a Thinker e una gestione separata di video e audio. Mantieni distinte le capacità vocali del modello dal percorso di output supportato da uno specifico runtime.
Un risultato utile combina la risposta con il materiale di origine necessario per verificarla. Per una dimostrazione, confronta l'azione descritta con il filmato; per una domanda audio, confronta la risposta con le parole o i suoni udibili; per un calcolo visivo, verifica unità ed etichette. La famiglia include una guida pratica audio-function-call, ma è comunque l'applicazione a definire ed eseguire qualsiasi azione di strumenti esterni. Una richiesta generata di agire è diversa da un risultato confermato. Il punto di forza di questa edizione è l'interazione multimodale con risposta vocale facoltativa, mentre verifica dei fatti, azioni successive e modifica dei contenuti multimediali richiedono elementi probatori e flussi di lavoro propri.
", "aboutText": "Qwen3-Omni-30B-A3B-Instruct è il membro di Qwen3-Omni che segue le istruzioni e genera parlato. Comprende testo, immagini, audio e video, anche come input misti, e può restituire sia testo sia parlato naturale. Qwen descrive l'architettura della famiglia come capace di supportare risposte testuali e vocali in streaming. L'esatto checkpoint Instruct contiene i componenti Thinker e Talker: la comprensione e la formazione della risposta testuale sono collegate al percorso di generazione vocale. I checkpoint Thinking e Captioner hanno componenti e ruoli di output diversi, quindi restano scelte di modello separate.\n\nL'ambito multilingue pubblicato della famiglia comprende 119 lingue testuali, 19 lingue per l'input vocale e 10 lingue per l'output vocale. Il russo è presente in entrambi gli elenchi vocali. Il produttore descrive una struttura Thinker–Talker mixture-of-experts, con elaborazione audio e visiva per la comprensione multimodale e generazione vocale con più codebook. I prompt di sistema possono definire il ruolo dell'assistente e lo stile della risposta. Un'attività adatta è una spiegazione vocale che dipende da un oggetto visibile e da una domanda pronunciata dall'utente, anziché una conversione da testo a voce priva di tale legame.\n\nLe guide pratiche coprono riconoscimento del parlato, traduzione del parlato, analisi di musica e suoni, audio misto, domande sulle immagini, OCR, localizzazione degli oggetti, descrizione di video e dialogo audiovisivo. Per un assistente alla formazione, fornisci un filmato dimostrativo e chiedigli di spiegare la procedura visibile a un principiante. Per una domanda su un prodotto, combina una foto con la richiesta vocale e identifica il dettaglio da discutere. Specifica il destinatario e il risultato desiderato: una breve risposta vocale, un riepilogo testuale o entrambi. Conserva i nomi presenti nelle fonti e le misure che devono rimanere invariati.\n\nIl flusso di input del produttore usa il processore, il template di chat e le utilità di elaborazione multimediale corrispondenti. I contenuti multimediali possono essere intercalati al testo e la decodifica è una parte esplicita della preparazione di una richiesta. Quando usi l'audio che accompagna un video, mantieni use_audio_in_video coerente tra preelaborazione, generazione e turni successivi del dialogo. Una domanda audiovisiva richiede l'inclusione della traccia audio; un'attività esclusivamente visiva deve dichiarare chiaramente tale ambito. Seleziona un filmato pertinente e usa immagini leggibili, così che l'assistente riceva i dettagli necessari alla domanda.\n\nL'output vocale è controllabile. L'interfaccia di generazione pubblicata può richiedere il solo testo con return_audio=False e disabilitare Talker rimuove tale componente dal percorso di output vocale del modello caricato. L'esempio in batch del produttore restituisce testo anziché audio. Il checkpoint Instruct documenta tre voci disponibili — Ethan, Chelsie e Aiden — con Ethan come voce predefinita. L'esempio salva una forma d'onda a 24,000 Hz. La selezione della voce e il formato di output di questo esempio descrivono il flusso di lavoro del modello pubblicato, non ogni possibile interfaccia del servizio che lo integra.\n\nPer le risposte vocali, il produttore raccomanda uno stile conversazionale facile da pronunciare anziché una formattazione complicata. Una richiesta può chiedere una spiegazione concisa nella lingua dell'ascoltatore, conservando un risultato testuale leggibile separato per la revisione. Se la fonte contiene un nome, una formula o un'abbreviazione poco nota, forniscine il significato e la formulazione preferita. Chiedi che la risposta distingua il contenuto osservato dalle ipotesi, così che la fluidità della voce non faccia scomparire l'incertezza.\n\nLe configurazioni testuali di Thinker e Talker impostano max_position_embeddings a 65,536. Gli esempi vLLM della scheda condivisa scelgono separatamente una lunghezza del modello di 32,768 token e un'impostazione di generazione di 16,384 token; restano esempi, non limiti universali indipendenti. L'elaborazione visiva e audio influisce sulla dimensione effettiva della richiesta. Anche il supporto delle interfacce differisce: l'esempio Transformers della scheda può restituire parlato, mentre la sezione sull'erogazione descrive un percorso orientato a Thinker e una gestione separata di video e audio. Mantieni distinte le capacità vocali del modello dal percorso di output supportato da uno specifico runtime.\n\nUn risultato utile combina la risposta con il materiale di origine necessario per verificarla. Per una dimostrazione, confronta l'azione descritta con il filmato; per una domanda audio, confronta la risposta con le parole o i suoni udibili; per un calcolo visivo, verifica unità ed etichette. La famiglia include una guida pratica audio-function-call, ma è comunque l'applicazione a definire ed eseguire qualsiasi azione di strumenti esterni. Una richiesta generata di agire è diversa da un risultato confermato. Il punto di forza di questa edizione è l'interazione multimodale con risposta vocale facoltativa, mentre verifica dei fatti, azioni successive e modifica dei contenuti multimediali richiedono elementi probatori e flussi di lavoro propri.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Explain a supplied procedure to a novice\n\nWrite a text-only explanation for a novice using this supplied procedure: turn the dial to zero; insert the sample tray until it clicks; close the cover; press Start once; wait for the green completion light before opening. Keep the sequence and stopping condition exact. Use short conversational sentences and explain only what the supplied procedure establishes.A concise, easy-to-read textual procedure with the original action order and completion condition.Check opening the cover is never instructed before the green completion light.Qwen/Qwen3-Omni-30B-A3B-InstructQwen3-Omni-30B-A3B-Instruct comprende testo, immagini, audio e video e può rispondere con testo e parlato naturale. La sua architettura Thinker–Talker supporta il dialogo multimodale, con controllo esplicito sulla restituzione del parlato e sulla voce documentata da utilizzare.
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.
Qwen3-Omni-30B-A3B-Instruct è il membro di Qwen3-Omni che segue le istruzioni e genera parlato. Comprende testo, immagini, audio e video, anche come input misti, e può restituire sia testo sia parlato naturale. Qwen descrive l'architettura della famiglia come capace di supportare risposte testuali e vocali in streaming. L'esatto checkpoint Instruct contiene i componenti Thinker e Talker: la comprensione e la formazione della risposta testuale sono collegate al percorso di generazione vocale. I checkpoint Thinking e Captioner hanno componenti e ruoli di output diversi, quindi restano scelte di modello separate.
L'ambito multilingue pubblicato della famiglia comprende 119 lingue testuali, 19 lingue per l'input vocale e 10 lingue per l'output vocale. Il russo è presente in entrambi gli elenchi vocali. Il produttore descrive una struttura Thinker–Talker mixture-of-experts, con elaborazione audio e visiva per la comprensione multimodale e generazione vocale con più codebook. I prompt di sistema possono definire il ruolo dell'assistente e lo stile della risposta. Un'attività adatta è una spiegazione vocale che dipende da un oggetto visibile e da una domanda pronunciata dall'utente, anziché una conversione da testo a voce priva di tale legame.
Le guide pratiche coprono riconoscimento del parlato, traduzione del parlato, analisi di musica e suoni, audio misto, domande sulle immagini, OCR, localizzazione degli oggetti, descrizione di video e dialogo audiovisivo. Per un assistente alla formazione, fornisci un filmato dimostrativo e chiedigli di spiegare la procedura visibile a un principiante. Per una domanda su un prodotto, combina una foto con la richiesta vocale e identifica il dettaglio da discutere. Specifica il destinatario e il risultato desiderato: una breve risposta vocale, un riepilogo testuale o entrambi. Conserva i nomi presenti nelle fonti e le misure che devono rimanere invariati.
Il flusso di input del produttore usa il processore, il template di chat e le utilità di elaborazione multimediale corrispondenti. I contenuti multimediali possono essere intercalati al testo e la decodifica è una parte esplicita della preparazione di una richiesta. Quando usi l'audio che accompagna un video, mantieni use_audio_in_video coerente tra preelaborazione, generazione e turni successivi del dialogo. Una domanda audiovisiva richiede l'inclusione della traccia audio; un'attività esclusivamente visiva deve dichiarare chiaramente tale ambito. Seleziona un filmato pertinente e usa immagini leggibili, così che l'assistente riceva i dettagli necessari alla domanda.
L'output vocale è controllabile. L'interfaccia di generazione pubblicata può richiedere il solo testo con return_audio=False e disabilitare Talker rimuove tale componente dal percorso di output vocale del modello caricato. L'esempio in batch del produttore restituisce testo anziché audio. Il checkpoint Instruct documenta tre voci disponibili — Ethan, Chelsie e Aiden — con Ethan come voce predefinita. L'esempio salva una forma d'onda a 24,000 Hz. La selezione della voce e il formato di output di questo esempio descrivono il flusso di lavoro del modello pubblicato, non ogni possibile interfaccia del servizio che lo integra.
Per le risposte vocali, il produttore raccomanda uno stile conversazionale facile da pronunciare anziché una formattazione complicata. Una richiesta può chiedere una spiegazione concisa nella lingua dell'ascoltatore, conservando un risultato testuale leggibile separato per la revisione. Se la fonte contiene un nome, una formula o un'abbreviazione poco nota, forniscine il significato e la formulazione preferita. Chiedi che la risposta distingua il contenuto osservato dalle ipotesi, così che la fluidità della voce non faccia scomparire l'incertezza.
Le configurazioni testuali di Thinker e Talker impostano max_position_embeddings a 65,536. Gli esempi vLLM della scheda condivisa scelgono separatamente una lunghezza del modello di 32,768 token e un'impostazione di generazione di 16,384 token; restano esempi, non limiti universali indipendenti. L'elaborazione visiva e audio influisce sulla dimensione effettiva della richiesta. Anche il supporto delle interfacce differisce: l'esempio Transformers della scheda può restituire parlato, mentre la sezione sull'erogazione descrive un percorso orientato a Thinker e una gestione separata di video e audio. Mantieni distinte le capacità vocali del modello dal percorso di output supportato da uno specifico runtime.
Un risultato utile combina la risposta con il materiale di origine necessario per verificarla. Per una dimostrazione, confronta l'azione descritta con il filmato; per una domanda audio, confronta la risposta con le parole o i suoni udibili; per un calcolo visivo, verifica unità ed etichette. La famiglia include una guida pratica audio-function-call, ma è comunque l'applicazione a definire ed eseguire qualsiasi azione di strumenti esterni. Una richiesta generata di agire è diversa da un risultato confermato. Il punto di forza di questa edizione è l'interazione multimodale con risposta vocale facoltativa, mentre verifica dei fatti, azioni successive e modifica dei contenuti multimediali richiedono elementi probatori e flussi di lavoro propri.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti Qwen/Qwen3-Omni-30B-A3B-Instruct | 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 $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "Qwen/Qwen3-Omni-30B-A3B-Instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='Qwen/Qwen3-Omni-30B-A3B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='Qwen/Qwen3-Omni-30B-A3B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-Instruct
Usa i percorsi dei metodi indicati sopra.
Qwen/Qwen3-Omni-30B-A3B-InstructQwen3-Omni-30B-A3B-Instruct comprende testo, immagini, audio e video e può rispondere con testo e parlato naturale. La sua architettura Thinker–Talker supporta il dialogo multimodale, con controllo esplicito sulla restituzione del parlato e sulla voce documentata da utilizzare.
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.
Qwen3-Omni-30B-A3B-Instruct è il membro di Qwen3-Omni che segue le istruzioni e genera parlato. Comprende testo, immagini, audio e video, anche come input misti, e può restituire sia testo sia parlato naturale. Qwen descrive l'architettura della famiglia come capace di supportare risposte testuali e vocali in streaming. L'esatto checkpoint Instruct contiene i componenti Thinker e Talker: la comprensione e la formazione della risposta testuale sono collegate al percorso di generazione vocale. I checkpoint Thinking e Captioner hanno componenti e ruoli di output diversi, quindi restano scelte di modello separate.
L'ambito multilingue pubblicato della famiglia comprende 119 lingue testuali, 19 lingue per l'input vocale e 10 lingue per l'output vocale. Il russo è presente in entrambi gli elenchi vocali. Il produttore descrive una struttura Thinker–Talker mixture-of-experts, con elaborazione audio e visiva per la comprensione multimodale e generazione vocale con più codebook. I prompt di sistema possono definire il ruolo dell'assistente e lo stile della risposta. Un'attività adatta è una spiegazione vocale che dipende da un oggetto visibile e da una domanda pronunciata dall'utente, anziché una conversione da testo a voce priva di tale legame.
Le guide pratiche coprono riconoscimento del parlato, traduzione del parlato, analisi di musica e suoni, audio misto, domande sulle immagini, OCR, localizzazione degli oggetti, descrizione di video e dialogo audiovisivo. Per un assistente alla formazione, fornisci un filmato dimostrativo e chiedigli di spiegare la procedura visibile a un principiante. Per una domanda su un prodotto, combina una foto con la richiesta vocale e identifica il dettaglio da discutere. Specifica il destinatario e il risultato desiderato: una breve risposta vocale, un riepilogo testuale o entrambi. Conserva i nomi presenti nelle fonti e le misure che devono rimanere invariati.
Il flusso di input del produttore usa il processore, il template di chat e le utilità di elaborazione multimediale corrispondenti. I contenuti multimediali possono essere intercalati al testo e la decodifica è una parte esplicita della preparazione di una richiesta. Quando usi l'audio che accompagna un video, mantieni use_audio_in_video coerente tra preelaborazione, generazione e turni successivi del dialogo. Una domanda audiovisiva richiede l'inclusione della traccia audio; un'attività esclusivamente visiva deve dichiarare chiaramente tale ambito. Seleziona un filmato pertinente e usa immagini leggibili, così che l'assistente riceva i dettagli necessari alla domanda.
L'output vocale è controllabile. L'interfaccia di generazione pubblicata può richiedere il solo testo con return_audio=False e disabilitare Talker rimuove tale componente dal percorso di output vocale del modello caricato. L'esempio in batch del produttore restituisce testo anziché audio. Il checkpoint Instruct documenta tre voci disponibili — Ethan, Chelsie e Aiden — con Ethan come voce predefinita. L'esempio salva una forma d'onda a 24,000 Hz. La selezione della voce e il formato di output di questo esempio descrivono il flusso di lavoro del modello pubblicato, non ogni possibile interfaccia del servizio che lo integra.
Per le risposte vocali, il produttore raccomanda uno stile conversazionale facile da pronunciare anziché una formattazione complicata. Una richiesta può chiedere una spiegazione concisa nella lingua dell'ascoltatore, conservando un risultato testuale leggibile separato per la revisione. Se la fonte contiene un nome, una formula o un'abbreviazione poco nota, forniscine il significato e la formulazione preferita. Chiedi che la risposta distingua il contenuto osservato dalle ipotesi, così che la fluidità della voce non faccia scomparire l'incertezza.
Le configurazioni testuali di Thinker e Talker impostano max_position_embeddings a 65,536. Gli esempi vLLM della scheda condivisa scelgono separatamente una lunghezza del modello di 32,768 token e un'impostazione di generazione di 16,384 token; restano esempi, non limiti universali indipendenti. L'elaborazione visiva e audio influisce sulla dimensione effettiva della richiesta. Anche il supporto delle interfacce differisce: l'esempio Transformers della scheda può restituire parlato, mentre la sezione sull'erogazione descrive un percorso orientato a Thinker e una gestione separata di video e audio. Mantieni distinte le capacità vocali del modello dal percorso di output supportato da uno specifico runtime.
Un risultato utile combina la risposta con il materiale di origine necessario per verificarla. Per una dimostrazione, confronta l'azione descritta con il filmato; per una domanda audio, confronta la risposta con le parole o i suoni udibili; per un calcolo visivo, verifica unità ed etichette. La famiglia include una guida pratica audio-function-call, ma è comunque l'applicazione a definire ed eseguire qualsiasi azione di strumenti esterni. Una richiesta generata di agire è diversa da un risultato confermato. Il punto di forza di questa edizione è l'interazione multimodale con risposta vocale facoltativa, mentre verifica dei fatti, azioni successive e modifica dei contenuti multimediali richiedono elementi probatori e flussi di lavoro propri.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti Qwen/Qwen3-Omni-30B-A3B-Instruct | 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 $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "Qwen/Qwen3-Omni-30B-A3B-Instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen3-Omni-30B-A3B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen3-Omni-30B-A3B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-Instruct
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Explain a supplied procedure to a novice\n\nWrite a text-only explanation for a novice using this supplied procedure: turn the dial to zero; insert the sample tray until it clicks; close the cover; press Start once; wait for the green completion light before opening. Keep the sequence and stopping condition exact. Use short conversational sentences and explain only what the supplied procedure establishes.A concise, easy-to-read textual procedure with the original action order and completion condition.Check opening the cover is never instructed before the green completion light.