Qwen3-Omni-30B-A3B-Thinkingは、Qwen3-Omniの推論を重視したモデルです。同じ会話での組み合わせを含め、テキスト、画像、音声、動画を理解し、テキストの結果を生成します。このThinking版はThinkerコンポーネントを含み、推論に対応しますが、Instructチェックポイントで音声出力に用いるTalkerは含みません。この違いは、音声による会話ではなく分析レポートを目的にモデルを選ぶ際に重要です。
開発元は、Qwen3-Omniを、テキスト119言語と音声入力19言語に対応する多言語混合エキスパートファミリーとして説明しています。公開された音声入力言語一覧にはロシア語が含まれます。このThinking版の構成は、テキストトランスフォーマー48層、エキスパート128個、トークンごとに選択されるエキスパート八個を備えます。音声と視覚の処理コンポーネントもあります。これらは指定されたチェックポイントの特性であり、似たサイズ名を持つテキスト専用Qwen3モデルの能力で、そのマルチモーダル理解を置き換えないでください。
利用クックブックでは、音声認識と翻訳、音楽と環境音の分析、混合音声、画像に関する質問、OCR、物体のグラウンディング、動画説明、音声と視覚を組み合わせた質問を扱っています。画像を使う数学では、特にThinking版を取り上げています。幾何のタスクでは、図全体、判読可能なラベル、質問を示し、目に見える与件と仮定を区別した解答を求めてください。実演の録画では、調べる動作や食い違いを特定し、資料の該当部分に結び付く観察結果を求めてください。期待する成果物は、文章による解答、構造化した観察一覧、根拠から何がいえるかの説明などにできます。
対応するプロセッサーとチャットテンプレートを使い、入力をマルチモーダル会話として準備してください。開発元の処理ツールキットは、交互に配置されたテキスト、画像、音声、動画を扱います。Qwenは、テキスト応答のストリーミングをファミリーの対話設計の一部として説明し、テキストのみを出力する混合メディアのバッチ推論を示しています。開発元は、対話の各ラウンドでメディアとともに明示的なテキスト指示を添えることを推奨しています。動画だけではタスクが曖昧になるため、動作の要約、二つの場面の比較、音の説明、表示された問題の解決のいずれを求めるかを示してください。複数の入力とその関係にラベルを付け、最終テキストで適切な質問と資料を結び付けられるようにしてください。
発話や出来事の音を含む動画では、音声をタスクの一部とするかを決めてください。文書化されたフローでは、前処理と生成でuse_audio_in_videoを一貫して使用し、モデルカードは対話ラウンド間でこの設定を変更すると予期しない結果が生じる可能性があると警告しています。そのため、場面だけを問う質問と、音声・視覚の両方を問う質問では準備が異なります。元のクリップを参照できる状態にし、対象区間を選び、求める結論が発言や聞こえた内容に依存する場合は音声トラックを省略しないでください。
公開されたテキスト構成では、max_position_embeddingsを65,536に設定しています。モデルカードのvLLM例では、これとは別にモデル長32,768トークンと生成16,384トークンを設定しています。これらは設定された推論例であり、単一の普遍的な最大出力制限を示すものではありません。メディアはプロセッサーを通じて表現されるため、リクエストサイズは入力した文字数だけでは決まりません。テキストの結果を出す余地を確保し、長い録音のうち質問に関係するのが短い出来事だけなら、範囲を限定したソース区間を使ってください。
開発元は、プロセッサー対応とメディアのデコードを明示的な依存要件とする、TransformersとvLLMのワークフローを示しています。共通のモデルカードには、提供環境の例における動画と音声の別扱いなど、インターフェースの違いも記載されています。ファミリーのモデルカードにあるすべての例が同じ出力動作を持つと考えず、正確なThinkingチェックポイントと、その対応する処理経路を選んでください。そのページの音声の声種やTalker制御はInstructに適用されるもので、このThinkerのみのモデルには適用されません。
有用な最終結果を得るには、根拠に基づく説明と、明確に分けた結論を求めてください。視覚的な問題では単位、記号、ラベルを保持し、音声では実際に聞こえる内容と推定した音源を区別し、動画では観察した動作と意図の解釈を区別してください。結果を提供した資料と照合し、不確かな箇所や判読不能な詳細を明示してください。モデルのテキスト回答は分析や後続のアプリケーション処理を支援できますが、ツールの実行、事実確認、メディア変換は、それぞれ独自の入力と結果を必要とする別の操作です。
", "aboutText": "Qwen3-Omni-30B-A3B-Thinkingは、Qwen3-Omniの推論を重視したモデルです。同じ会話での組み合わせを含め、テキスト、画像、音声、動画を理解し、テキストの結果を生成します。このThinking版はThinkerコンポーネントを含み、推論に対応しますが、Instructチェックポイントで音声出力に用いるTalkerは含みません。この違いは、音声による会話ではなく分析レポートを目的にモデルを選ぶ際に重要です。\n\n開発元は、Qwen3-Omniを、テキスト119言語と音声入力19言語に対応する多言語混合エキスパートファミリーとして説明しています。公開された音声入力言語一覧にはロシア語が含まれます。このThinking版の構成は、テキストトランスフォーマー48層、エキスパート128個、トークンごとに選択されるエキスパート八個を備えます。音声と視覚の処理コンポーネントもあります。これらは指定されたチェックポイントの特性であり、似たサイズ名を持つテキスト専用Qwen3モデルの能力で、そのマルチモーダル理解を置き換えないでください。\n\n利用クックブックでは、音声認識と翻訳、音楽と環境音の分析、混合音声、画像に関する質問、OCR、物体のグラウンディング、動画説明、音声と視覚を組み合わせた質問を扱っています。画像を使う数学では、特にThinking版を取り上げています。幾何のタスクでは、図全体、判読可能なラベル、質問を示し、目に見える与件と仮定を区別した解答を求めてください。実演の録画では、調べる動作や食い違いを特定し、資料の該当部分に結び付く観察結果を求めてください。期待する成果物は、文章による解答、構造化した観察一覧、根拠から何がいえるかの説明などにできます。\n\n対応するプロセッサーとチャットテンプレートを使い、入力をマルチモーダル会話として準備してください。開発元の処理ツールキットは、交互に配置されたテキスト、画像、音声、動画を扱います。Qwenは、テキスト応答のストリーミングをファミリーの対話設計の一部として説明し、テキストのみを出力する混合メディアのバッチ推論を示しています。開発元は、対話の各ラウンドでメディアとともに明示的なテキスト指示を添えることを推奨しています。動画だけではタスクが曖昧になるため、動作の要約、二つの場面の比較、音の説明、表示された問題の解決のいずれを求めるかを示してください。複数の入力とその関係にラベルを付け、最終テキストで適切な質問と資料を結び付けられるようにしてください。\n\n発話や出来事の音を含む動画では、音声をタスクの一部とするかを決めてください。文書化されたフローでは、前処理と生成でuse_audio_in_videoを一貫して使用し、モデルカードは対話ラウンド間でこの設定を変更すると予期しない結果が生じる可能性があると警告しています。そのため、場面だけを問う質問と、音声・視覚の両方を問う質問では準備が異なります。元のクリップを参照できる状態にし、対象区間を選び、求める結論が発言や聞こえた内容に依存する場合は音声トラックを省略しないでください。\n\n公開されたテキスト構成では、max_position_embeddingsを65,536に設定しています。モデルカードのvLLM例では、これとは別にモデル長32,768トークンと生成16,384トークンを設定しています。これらは設定された推論例であり、単一の普遍的な最大出力制限を示すものではありません。メディアはプロセッサーを通じて表現されるため、リクエストサイズは入力した文字数だけでは決まりません。テキストの結果を出す余地を確保し、長い録音のうち質問に関係するのが短い出来事だけなら、範囲を限定したソース区間を使ってください。\n\n開発元は、プロセッサー対応とメディアのデコードを明示的な依存要件とする、TransformersとvLLMのワークフローを示しています。共通のモデルカードには、提供環境の例における動画と音声の別扱いなど、インターフェースの違いも記載されています。ファミリーのモデルカードにあるすべての例が同じ出力動作を持つと考えず、正確なThinkingチェックポイントと、その対応する処理経路を選んでください。そのページの音声の声種やTalker制御はInstructに適用されるもので、このThinkerのみのモデルには適用されません。\n\n有用な最終結果を得るには、根拠に基づく説明と、明確に分けた結論を求めてください。視覚的な問題では単位、記号、ラベルを保持し、音声では実際に聞こえる内容と推定した音源を区別し、動画では観察した動作と意図の解釈を区別してください。結果を提供した資料と照合し、不確かな箇所や判読不能な詳細を明示してください。モデルのテキスト回答は分析や後続のアプリケーション処理を支援できますが、ツールの実行、事実確認、メディア変換は、それぞれ独自の入力と結果を必要とする別の操作です。", "editorialOverlay": { "copy_fields": { "practical_html": "英語の技術例
Reconcile demonstration annotations\n\nAnalyze these supplied text annotations of a demonstration. T0 visual note: valve indicator reads Closed. T1 speech transcript: "I am opening the valve now." T2 visual note: indicator still reads Closed; valve mechanism is off camera. State what each source establishes, whether successful opening is confirmed and what evidence would resolve the discrepancy.An evidence table separating visual notes from quoted speech, followed by a conclusion and one verification need.Check that a spoken intention is not treated as proof of the off-camera action or a faulty indicator.Qwen/Qwen3-Omni-30B-A3B-ThinkingQwen3-Omni-30B-A3B-Thinkingは、テキスト・画像・音声・動画を対象に推論し、テキストを返します。Thinkerのみを備えるこの版は、視覚情報を使う数学、音声分析、複数のモダリティの根拠を必要とする質問に適しています。音声生成は別のOmniリリースが担います。
この説明はモデルの機能を紹介するものです。Ailootで利用できる入力、出力、オプションは、選択したメソッドごとに以下に記載されています。
Qwen3-Omni-30B-A3B-Thinkingは、Qwen3-Omniの推論を重視したモデルです。同じ会話での組み合わせを含め、テキスト、画像、音声、動画を理解し、テキストの結果を生成します。このThinking版はThinkerコンポーネントを含み、推論に対応しますが、Instructチェックポイントで音声出力に用いるTalkerは含みません。この違いは、音声による会話ではなく分析レポートを目的にモデルを選ぶ際に重要です。
開発元は、Qwen3-Omniを、テキスト119言語と音声入力19言語に対応する多言語混合エキスパートファミリーとして説明しています。公開された音声入力言語一覧にはロシア語が含まれます。このThinking版の構成は、テキストトランスフォーマー48層、エキスパート128個、トークンごとに選択されるエキスパート八個を備えます。音声と視覚の処理コンポーネントもあります。これらは指定されたチェックポイントの特性であり、似たサイズ名を持つテキスト専用Qwen3モデルの能力で、そのマルチモーダル理解を置き換えないでください。
利用クックブックでは、音声認識と翻訳、音楽と環境音の分析、混合音声、画像に関する質問、OCR、物体のグラウンディング、動画説明、音声と視覚を組み合わせた質問を扱っています。画像を使う数学では、特にThinking版を取り上げています。幾何のタスクでは、図全体、判読可能なラベル、質問を示し、目に見える与件と仮定を区別した解答を求めてください。実演の録画では、調べる動作や食い違いを特定し、資料の該当部分に結び付く観察結果を求めてください。期待する成果物は、文章による解答、構造化した観察一覧、根拠から何がいえるかの説明などにできます。
対応するプロセッサーとチャットテンプレートを使い、入力をマルチモーダル会話として準備してください。開発元の処理ツールキットは、交互に配置されたテキスト、画像、音声、動画を扱います。Qwenは、テキスト応答のストリーミングをファミリーの対話設計の一部として説明し、テキストのみを出力する混合メディアのバッチ推論を示しています。開発元は、対話の各ラウンドでメディアとともに明示的なテキスト指示を添えることを推奨しています。動画だけではタスクが曖昧になるため、動作の要約、二つの場面の比較、音の説明、表示された問題の解決のいずれを求めるかを示してください。複数の入力とその関係にラベルを付け、最終テキストで適切な質問と資料を結び付けられるようにしてください。
発話や出来事の音を含む動画では、音声をタスクの一部とするかを決めてください。文書化されたフローでは、前処理と生成でuse_audio_in_videoを一貫して使用し、モデルカードは対話ラウンド間でこの設定を変更すると予期しない結果が生じる可能性があると警告しています。そのため、場面だけを問う質問と、音声・視覚の両方を問う質問では準備が異なります。元のクリップを参照できる状態にし、対象区間を選び、求める結論が発言や聞こえた内容に依存する場合は音声トラックを省略しないでください。
公開されたテキスト構成では、max_position_embeddingsを65,536に設定しています。モデルカードのvLLM例では、これとは別にモデル長32,768トークンと生成16,384トークンを設定しています。これらは設定された推論例であり、単一の普遍的な最大出力制限を示すものではありません。メディアはプロセッサーを通じて表現されるため、リクエストサイズは入力した文字数だけでは決まりません。テキストの結果を出す余地を確保し、長い録音のうち質問に関係するのが短い出来事だけなら、範囲を限定したソース区間を使ってください。
開発元は、プロセッサー対応とメディアのデコードを明示的な依存要件とする、TransformersとvLLMのワークフローを示しています。共通のモデルカードには、提供環境の例における動画と音声の別扱いなど、インターフェースの違いも記載されています。ファミリーのモデルカードにあるすべての例が同じ出力動作を持つと考えず、正確なThinkingチェックポイントと、その対応する処理経路を選んでください。そのページの音声の声種やTalker制御はInstructに適用されるもので、このThinkerのみのモデルには適用されません。
有用な最終結果を得るには、根拠に基づく説明と、明確に分けた結論を求めてください。視覚的な問題では単位、記号、ラベルを保持し、音声では実際に聞こえる内容と推定した音源を区別し、動画では観察した動作と意図の解釈を区別してください。結果を提供した資料と照合し、不確かな箇所や判読不能な詳細を明示してください。モデルのテキスト回答は分析や後続のアプリケーション処理を支援できますが、ツールの実行、事実確認、メディア変換は、それぞれ独自の入力と結果を必要とする別の操作です。
POST /v1/chat/completionstexttext| フィールド | 種類 | 要件 | 値と制限 | デフォルト |
|---|---|---|---|---|
フィールドmodel | 種類string | 要件必須 | 値と制限 Qwen/Qwen3-Omni-30B-A3B-Thinking | デフォルト— |
フィールドmessages | 種類message[] | 要件必須 | 値と制限 最小項目数: 1 | デフォルト— |
フィールドmessages[].role | 種類string | 要件必須 | 値と制限 例：system, user, assistant, tool, function 条件: これらのロールはソースコードの互換型で明示されています。正確なロールの集合はモデルごとに異なります。 モデルによる | デフォルト— |
フィールドmessages[].content | 種類string|content_part[]|null | 要件任意 | 値と制限 | デフォルト— |
フィールドmessages[].tool_calls | 種類tool_call[] | 要件任意 | 値と制限 | デフォルト— |
フィールドmessages[].tool_call_id | 種類string | 要件任意 | 値と制限 適用条件: role=tool。実際に返されたIDを使ってください | デフォルト— |
フィールドmessages[].name | 種類string | 要件任意 | 値と制限 | デフォルト— |
フィールドmessages[].reasoning_content | 種類string | 要件任意 | 値と制限 適用条件: このモデルが使用する場合は、実際に返された推論をそのまま次のリクエストへ戻してください | デフォルト— |
フィールドmessages[].reasoning_details | 種類object|array | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドmax_tokens | 種類integer | 要件任意 | 値と制限 最小値: 1 モデルによる | デフォルト— |
フィールドmax_completion_tokens | 種類integer | 要件任意 | 値と制限 最小値: 1 モデルによる | デフォルト— |
フィールドstream | 種類boolean | 要件任意 | 値と制限 | デフォルトfalse |
フィールドstream_options.include_usage | 種類boolean | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドtemperature | 種類number | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドtop_p | 種類number | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドstop | 種類string|string[] | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドtools | 種類function_tool[] | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドtools[].type | 種類string | 要件任意 | 値と制限 function モデルによる | デフォルト— |
フィールドtools[].function.name | 種類string | 要件必須 | 値と制限 適用条件: 関数ツールの指定あり | デフォルト— |
フィールドtools[].function.description | 種類string | 要件任意 | 値と制限 | デフォルト— |
フィールドtools[].function.parameters | 種類JSON_schema | 要件任意 | 値と制限 | デフォルト— |
フィールドtool_choice | 種類string|object | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドparallel_tool_calls | 種類boolean | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドresponse_format | 種類object | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドreasoning_effort | 種類string | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドreasoning | 種類object | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドservice_tier | 種類string | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドinstructions | 種類string | 要件任意 | 値と制限 互換性用のフィールド | デフォルト— |
フィールドfunctions | 種類function[] | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドfunction_call | 種類string|object | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドprompt_cache_options | 種類object | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドmodalities | 種類string[] | 要件任意 | 値と制限 text | デフォルト— |
フィールドprovider | 種類object | 要件任意 | 値と制限 条件: このUltraテキストルートではprovider.optionsは拒否されます | デフォルト— |
フィールドcache_control.ttl | 種類string | 要件任意 | 値と制限 条件: 実際のプロンプトキャッシュの指定箇所では1hは拒否されます | デフォルト— |
テキスト · UTF8テキスト
messages[].content
| パラメータ | 仕様 |
|---|---|
パラメータcontent_type | 仕様application/json |
パラメータrequired | 仕様model, messages |
パラメータmaterial_types | 仕様text |
パラメータmessages | 仕様role/content形式のメッセージ配列 |
パラメータfile_material | 仕様実際のUTF-8文書をテキストとしてそのまま挿入します。ファイルIDは推定しません |
パラメータoptional_controls | 仕様stream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
パラメータcontrol_scope | 仕様モデル固有。ユーザーの関数ツールとホスト側のツールは異なります |
パラメータoutput_modalities | 仕様text |
パラメータhosted_operations | 仕様false |
パラメータmultimodal_input_binding | 仕様null |
ライフサイクル: synchronous_or_streamed
正確なモデルIDをmessagesとともに送ってください。
コンテキスト長は出力上限ではありません。
テキストファイルはテキストをそのまま提供できます。画像／音声／ファイルオブジェクトの入力には正確なバインディングが必要です。
料金情報はリクエストの機能を追加しません。対応するパラメーターは選択したメソッドに記載されています。
| 設定 | 料金表 | 料金 |
|---|---|---|
| 設定トークンの基本単価 | 料金表基本料金 | 料金 入力 · 入力トークン $0.0002 / 1K トークン 出力 · 出力トークン $0.0008 / 1K トークン 入力 · キャッシュ読み取り $0 / 1K トークン 入力 · キャッシュ書き込み $0 / 1K トークン 入力 · キャッシュ書き込み、1時間 — / 1K トークン |
Ailootはリクエスト前に見積額を確保します。結果の取得後、実測使用量に基づいて最終料金を精算します。ストリーミング時の精算には最終の使用量記録を使用します。金額の確保と精算の仕組み →
set -eu\n: "${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-Thinking", "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-Thinking',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-Thinking',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またはSSE
返された完全なレスポンス、ファイル、コンテンツ部分をすべて保存してください。
すべての選択肢と、その内容・ツール呼び出し・推論を保持してください。SSEでは選択肢／ツールのインデックスごとに差分を組み立て、最終的な終了理由と使用量を残します。
リクエスト／応答IDとヘッダーを保持してください。テキストジョブを取得する汎用URLは提供されません。
| フィールド | 種類 |
|---|---|
フィールドchoices[].index | 種類integer |
フィールドchoices[].message.content | 種類string|null |
フィールドchoices[].message.tool_calls | 種類tool_call[] |
フィールドchoices[].message.reasoning_content | 種類string |
フィールドchoices[].message.reasoning_details | 種類object|array |
フィールドchoices[].finish_reason | 種類string|null |
フィールドusage | 種類object |
| レスポンス | 条件 | 次の手順 |
|---|---|---|
レスポンス400 · invalid_request_error | 条件必須フィールド、素材の表現形式、またはパラメーター値が不正です | 次の手順新しい生成リクエストを送る前に、指定されたフィールドを修正してください。 |
Ailoot Ultra Qwen/Qwen3-Omni-30B-A3B-Thinking
上記に表示されたメソッドパスを使用してください。
Qwen/Qwen3-Omni-30B-A3B-ThinkingQwen3-Omni-30B-A3B-Thinkingは、テキスト・画像・音声・動画を対象に推論し、テキストを返します。Thinkerのみを備えるこの版は、視覚情報を使う数学、音声分析、複数のモダリティの根拠を必要とする質問に適しています。音声生成は別のOmniリリースが担います。
この説明はモデルの機能を紹介するものです。Ailootで利用できる入力、出力、オプションは、選択したメソッドごとに以下に記載されています。
Qwen3-Omni-30B-A3B-Thinkingは、Qwen3-Omniの推論を重視したモデルです。同じ会話での組み合わせを含め、テキスト、画像、音声、動画を理解し、テキストの結果を生成します。このThinking版はThinkerコンポーネントを含み、推論に対応しますが、Instructチェックポイントで音声出力に用いるTalkerは含みません。この違いは、音声による会話ではなく分析レポートを目的にモデルを選ぶ際に重要です。
開発元は、Qwen3-Omniを、テキスト119言語と音声入力19言語に対応する多言語混合エキスパートファミリーとして説明しています。公開された音声入力言語一覧にはロシア語が含まれます。このThinking版の構成は、テキストトランスフォーマー48層、エキスパート128個、トークンごとに選択されるエキスパート八個を備えます。音声と視覚の処理コンポーネントもあります。これらは指定されたチェックポイントの特性であり、似たサイズ名を持つテキスト専用Qwen3モデルの能力で、そのマルチモーダル理解を置き換えないでください。
利用クックブックでは、音声認識と翻訳、音楽と環境音の分析、混合音声、画像に関する質問、OCR、物体のグラウンディング、動画説明、音声と視覚を組み合わせた質問を扱っています。画像を使う数学では、特にThinking版を取り上げています。幾何のタスクでは、図全体、判読可能なラベル、質問を示し、目に見える与件と仮定を区別した解答を求めてください。実演の録画では、調べる動作や食い違いを特定し、資料の該当部分に結び付く観察結果を求めてください。期待する成果物は、文章による解答、構造化した観察一覧、根拠から何がいえるかの説明などにできます。
対応するプロセッサーとチャットテンプレートを使い、入力をマルチモーダル会話として準備してください。開発元の処理ツールキットは、交互に配置されたテキスト、画像、音声、動画を扱います。Qwenは、テキスト応答のストリーミングをファミリーの対話設計の一部として説明し、テキストのみを出力する混合メディアのバッチ推論を示しています。開発元は、対話の各ラウンドでメディアとともに明示的なテキスト指示を添えることを推奨しています。動画だけではタスクが曖昧になるため、動作の要約、二つの場面の比較、音の説明、表示された問題の解決のいずれを求めるかを示してください。複数の入力とその関係にラベルを付け、最終テキストで適切な質問と資料を結び付けられるようにしてください。
発話や出来事の音を含む動画では、音声をタスクの一部とするかを決めてください。文書化されたフローでは、前処理と生成でuse_audio_in_videoを一貫して使用し、モデルカードは対話ラウンド間でこの設定を変更すると予期しない結果が生じる可能性があると警告しています。そのため、場面だけを問う質問と、音声・視覚の両方を問う質問では準備が異なります。元のクリップを参照できる状態にし、対象区間を選び、求める結論が発言や聞こえた内容に依存する場合は音声トラックを省略しないでください。
公開されたテキスト構成では、max_position_embeddingsを65,536に設定しています。モデルカードのvLLM例では、これとは別にモデル長32,768トークンと生成16,384トークンを設定しています。これらは設定された推論例であり、単一の普遍的な最大出力制限を示すものではありません。メディアはプロセッサーを通じて表現されるため、リクエストサイズは入力した文字数だけでは決まりません。テキストの結果を出す余地を確保し、長い録音のうち質問に関係するのが短い出来事だけなら、範囲を限定したソース区間を使ってください。
開発元は、プロセッサー対応とメディアのデコードを明示的な依存要件とする、TransformersとvLLMのワークフローを示しています。共通のモデルカードには、提供環境の例における動画と音声の別扱いなど、インターフェースの違いも記載されています。ファミリーのモデルカードにあるすべての例が同じ出力動作を持つと考えず、正確なThinkingチェックポイントと、その対応する処理経路を選んでください。そのページの音声の声種やTalker制御はInstructに適用されるもので、このThinkerのみのモデルには適用されません。
有用な最終結果を得るには、根拠に基づく説明と、明確に分けた結論を求めてください。視覚的な問題では単位、記号、ラベルを保持し、音声では実際に聞こえる内容と推定した音源を区別し、動画では観察した動作と意図の解釈を区別してください。結果を提供した資料と照合し、不確かな箇所や判読不能な詳細を明示してください。モデルのテキスト回答は分析や後続のアプリケーション処理を支援できますが、ツールの実行、事実確認、メディア変換は、それぞれ独自の入力と結果を必要とする別の操作です。
POST /v1/messagestextjson, sse| フィールド | 種類 | 要件 | 値と制限 | デフォルト |
|---|---|---|---|---|
フィールドmodel | 種類string | 要件必須 | 値と制限 Qwen/Qwen3-Omni-30B-A3B-Thinking | デフォルト— |
フィールドmessages | 種類message[] | 要件必須 | 値と制限 | デフォルト— |
フィールドmessages[].role | 種類string | 要件必須 | 値と制限 user, assistant | デフォルト— |
フィールドmessages[].content | 種類string | 要件必須 | 値と制限 | デフォルト— |
フィールドmax_tokens | 種類integer | 要件必須 | 値と制限 | デフォルト— |
フィールドstream | 種類boolean | 要件任意 | 値と制限 | デフォルトfalse |
テキスト · UTF-8テキスト
messages[].contentの文字列
| パラメータ | 仕様 |
|---|---|
パラメータcontent_type | 仕様application/json |
パラメータrequired | 仕様model, messages, max_tokens |
パラメータoptional_controls | 仕様stream |
パラメータmaterial_types | 仕様text |
パラメータtext_file_material | 仕様実際のUTF-8文書を読み、その本文を指定された入力またはメッセージ内容の文字列に入れてください。 |
ライフサイクル: synchronous_or_streamed
料金情報はリクエストの機能を追加しません。対応するパラメーターは選択したメソッドに記載されています。
| 設定 | 料金表 | 料金 |
|---|---|---|
| 設定トークンの基本単価 | 料金表基本料金 | 料金 入力 · 入力トークン $0.0002 / 1K トークン 出力 · 出力トークン $0.0008 / 1K トークン 入力 · キャッシュ読み取り $0 / 1K トークン 入力 · キャッシュ書き込み $0 / 1K トークン 入力 · キャッシュ書き込み、1時間 — / 1K トークン |
Ailootはリクエスト前に見積額を確保します。結果の取得後、実測使用量に基づいて最終料金を精算します。ストリーミング時の精算には最終の使用量記録を使用します。金額の確保と精算の仕組み →
{\n "model": "Qwen/Qwen3-Omni-30B-A3B-Thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-Thinking', '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-Thinking', '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またはSSE
返された完全なレスポンス、ファイル、コンテンツ部分をすべて保存してください。
すべてのコンテンツブロック、思考署名、実際のツール利用IDを保持してください。SSEのすべてのブロック差分を組み立てます。最初のテキストブロックだけでは完全な出力になりません。
リクエスト／応答IDとヘッダーを保持してください。テキストジョブを取得する汎用URLは提供されません。
| フィールド | 種類 |
|---|---|
フィールドid | 種類string |
フィールドmodel | 種類string |
フィールドcontent[] | 種類text|thinking|tool_use|other content block |
フィールドstop_reason | 種類string|null |
フィールドusage | 種類object |
| レスポンス | 条件 | 次の手順 |
|---|---|---|
レスポンス400 · invalid_request_error | 条件必須フィールド、素材の表現形式、またはパラメーター値が不正です | 次の手順新しい生成リクエストを送る前に、指定されたフィールドを修正してください。 |
Ailoot Ultra Qwen/Qwen3-Omni-30B-A3B-Thinking
上記に表示されたメソッドパスを使用してください。
英語の技術例
Reconcile demonstration annotations\n\nAnalyze these supplied text annotations of a demonstration. T0 visual note: valve indicator reads Closed. T1 speech transcript: "I am opening the valve now." T2 visual note: indicator still reads Closed; valve mechanism is off camera. State what each source establishes, whether successful opening is confirmed and what evidence would resolve the discrepancy.An evidence table separating visual notes from quoted speech, followed by a conclusion and one verification need.Check that a spoken intention is not treated as proof of the off-camera action or a faulty indicator.