Qwen3.5-Omni-Plus er Alibabas multimodale Qwen-modell for tekstproduksjon, taleassistenter og multimedieanalyse. Den tar imot tekst, bilder, lyd og video, også blandede inndata, og produserer tekst eller tekst med tale. Det udaterte Plus-navnet er et familiealias; produsenten beskriver det for tiden som funksjonelt tilsvarende Qwen3.5-Omni-Plus 2026-03-15. Aliaset og den navngitte modellversjonen forblir forskjellige modellvalg.
Inndataene kan kombinere et bilde med et muntlig spørsmål eller kombinere bildene og lyden i en video med skriftlige instruksjoner. Dette er nyttig når en oppsummering med bare tekst ville miste sammenhengen mellom det som ses og det som høres. For en mediebeskrivelse ber du separat om den synlige sekvensen, ordlyden på skjermen og det muntlige innholdet. Be om tidsstempler i forhold til kilden når hendelsesrekkefølgen er viktig. Lydeffekter og annen lyd uten tale kan bidra til analysen sammen med talen.
For et talesvar angir du språk, målgruppe og fremføring. Qwens veiledning dokumenterer instruksjoner for volum, talehastighet og følelser. Den oppgir 113 språk og dialekter for lyd inn og 36 språk og dialekter for tale ut, blant annet engelsk, fransk, tysk og russisk. Stemmekatalogen angir Tina som standard og omfatter alternativer som Serena og Ethan. Velg stemme og be om en kortfattet forklaring i et rolig tempo fremfor å la stemmen i inndataene bestemme utdatastilen.
Den dokumenterte HTTP-arbeidsflyten for tale returnerer strømmet tekst og Base64-kodede lydblokker. WAV-eksempelet bruker 24 kHz, mono, 16-bit PCM; en applikasjon kan samle blokkene i en lydfil eller dekode dem for avspilling etter hvert som de kommer. Dette er strømmet generering fra en innsendt forespørsel. Registrering av samtaleturer i sanntid, håndtering av avbrytelser og mikrofonsamtaler tilhører separat navngitte sanntidsmodeller. Familietabellen for Qwen3.5-Omni tilbyr ingen modus for dyp tenkning.
Modellkortet oppgir nettsøk. Function Calling er dokumentert for Alibabas utrulling av Beijing Chat Completions med tekstutdata, mens Singapore-tabellen markerer det som ikke støttet. JSON Object-utdata er oppgitt for Beijing og ikke støttet for Singapore. En modell kan foreslå et verktøykall, mens applikasjonen utfører handlingen og returnerer resultatet. Plus-tabellene markerer prefiksfullføring, kontekstbufring og finjustering som ikke støttet; satsvis inferens støttes i Beijings aliastabell og støttes ikke i Singapores tabell.
Det publiserte kontekstvinduet er 262 144 tokener, med maksimalt 196 608 tokener inn og maksimalt 65 536 tokener ut. Blandede medier og tekst deler kontekstbudsjettet. Alibabas HTTP-veiledning tillater opptil tre timer lyd eller én time video for denne serien; den oppgir lydformatene AMR, WAV, 3GP, 3GPP, AAC og MP3 og videoformatene MP4, AVI, MKV, MOV, FLV og WMV. URL-baserte lyd- eller videofiler kan være opptil 2 GB, mens Base64-kodede medier må være mindre enn 10 MB. Dette er produsentens grenser for filarbeidsflyten, adskilt fra modellintroduksjonens beskrivelse av forståelse av over ti timer lyd eller over 400 sekunder med 720p-video samplet ved 1 FPS.
Bilder har egne klargjøringsgrenser i denne veiledningen: opptil 20 MB per URL-basert bilde, dimensjoner på mer enn 10 piksler på hver side og et sideforhold som ikke er mer ekstremt enn 200:1. Veiledningen tillater opptil 2 048 URL-baserte bilder eller lydfiler og 512 URL-baserte videofiler; Base64-inndata tillater opptil 250 filer. Disse overføringsgrensene er fortsatt underlagt det felles budsjettet for inndatatokener. Serien kan kombinere flere medietyper i én forespørsel. Velg det relevante utdraget, gjør små etiketter leselige og forklar sammenhengen mellom separate inndata. De dokumenterte maksimumsgrensene for filantall varierer etter modalitet og overføringsmetode, mens alle inndata fortsatt må få plass innenfor det felles tokenbudsjettet.
Tilpasset stemmekloning er dokumentert for den udaterte Plus-modellen gjennom en separat arbeidsflyt der stemmen opprettes før den brukes. Referansen må inneholde minst tre sekunder uavbrutt, tydelig tale, med pauser på maksimalt to sekunder; bruk vanlig tale uten musikk, sang, støy eller en annen taler. Bruk 16-bit lyd for WAV. Et referanseklipp brukes til å opprette en stemme for en navngitt målmodell, og denne målmodellen må samsvare med modellen som brukes til tale. Produsenten anbefaler 10–20 sekunder ren tale i mono, minst 24 kHz, med maksimalt 60 sekunder og en fil som er mindre enn 10 MB. WAV, MP3 og M4A er dokumenterte referanseformater. Kloning støttes ikke av modellversjonen fra 15. mars, så et datert modellvalg endrer denne delen av arbeidsflyten.
For en praktisk læringsassistent oppgir du et diagram, elevens innspilte spørsmål og en kort skriftlig oppgavebeskrivelse: «Forklar hvordan de merkede delene henger sammen, svar på det muntlige spørsmålet på engelsk og bruk en rolig, langsommere fremføring. Gi både tekstsvaret og tale.» For en medierapport definerer du separate deler for hendelser, synlig tekst og tale og ber om tidsstempler for hver del. Klargjør navn eller faguttrykk i den skriftlige konteksten og oppgi om resultatet skal være en ordrett transkripsjon, en forklaring eller en oppsummering klar for målgruppen.
", "aboutText": "Qwen3.5-Omni-Plus er Alibabas multimodale Qwen-modell for tekstproduksjon, taleassistenter og multimedieanalyse. Den tar imot tekst, bilder, lyd og video, også blandede inndata, og produserer tekst eller tekst med tale. Det udaterte Plus-navnet er et familiealias; produsenten beskriver det for tiden som funksjonelt tilsvarende Qwen3.5-Omni-Plus 2026-03-15. Aliaset og den navngitte modellversjonen forblir forskjellige modellvalg.\n\nInndataene kan kombinere et bilde med et muntlig spørsmål eller kombinere bildene og lyden i en video med skriftlige instruksjoner. Dette er nyttig når en oppsummering med bare tekst ville miste sammenhengen mellom det som ses og det som høres. For en mediebeskrivelse ber du separat om den synlige sekvensen, ordlyden på skjermen og det muntlige innholdet. Be om tidsstempler i forhold til kilden når hendelsesrekkefølgen er viktig. Lydeffekter og annen lyd uten tale kan bidra til analysen sammen med talen.\n\nFor et talesvar angir du språk, målgruppe og fremføring. Qwens veiledning dokumenterer instruksjoner for volum, talehastighet og følelser. Den oppgir 113 språk og dialekter for lyd inn og 36 språk og dialekter for tale ut, blant annet engelsk, fransk, tysk og russisk. Stemmekatalogen angir Tina som standard og omfatter alternativer som Serena og Ethan. Velg stemme og be om en kortfattet forklaring i et rolig tempo fremfor å la stemmen i inndataene bestemme utdatastilen.\n\nDen dokumenterte HTTP-arbeidsflyten for tale returnerer strømmet tekst og Base64-kodede lydblokker. WAV-eksempelet bruker 24 kHz, mono, 16-bit PCM; en applikasjon kan samle blokkene i en lydfil eller dekode dem for avspilling etter hvert som de kommer. Dette er strømmet generering fra en innsendt forespørsel. Registrering av samtaleturer i sanntid, håndtering av avbrytelser og mikrofonsamtaler tilhører separat navngitte sanntidsmodeller. Familietabellen for Qwen3.5-Omni tilbyr ingen modus for dyp tenkning.\n\nModellkortet oppgir nettsøk. Function Calling er dokumentert for Alibabas utrulling av Beijing Chat Completions med tekstutdata, mens Singapore-tabellen markerer det som ikke støttet. JSON Object-utdata er oppgitt for Beijing og ikke støttet for Singapore. En modell kan foreslå et verktøykall, mens applikasjonen utfører handlingen og returnerer resultatet. Plus-tabellene markerer prefiksfullføring, kontekstbufring og finjustering som ikke støttet; satsvis inferens støttes i Beijings aliastabell og støttes ikke i Singapores tabell.\n\nDet publiserte kontekstvinduet er 262 144 tokener, med maksimalt 196 608 tokener inn og maksimalt 65 536 tokener ut. Blandede medier og tekst deler kontekstbudsjettet. Alibabas HTTP-veiledning tillater opptil tre timer lyd eller én time video for denne serien; den oppgir lydformatene AMR, WAV, 3GP, 3GPP, AAC og MP3 og videoformatene MP4, AVI, MKV, MOV, FLV og WMV. URL-baserte lyd- eller videofiler kan være opptil 2 GB, mens Base64-kodede medier må være mindre enn 10 MB. Dette er produsentens grenser for filarbeidsflyten, adskilt fra modellintroduksjonens beskrivelse av forståelse av over ti timer lyd eller over 400 sekunder med 720p-video samplet ved 1 FPS.\n\nBilder har egne klargjøringsgrenser i denne veiledningen: opptil 20 MB per URL-basert bilde, dimensjoner på mer enn 10 piksler på hver side og et sideforhold som ikke er mer ekstremt enn 200:1. Veiledningen tillater opptil 2 048 URL-baserte bilder eller lydfiler og 512 URL-baserte videofiler; Base64-inndata tillater opptil 250 filer. Disse overføringsgrensene er fortsatt underlagt det felles budsjettet for inndatatokener. Serien kan kombinere flere medietyper i én forespørsel. Velg det relevante utdraget, gjør små etiketter leselige og forklar sammenhengen mellom separate inndata. De dokumenterte maksimumsgrensene for filantall varierer etter modalitet og overføringsmetode, mens alle inndata fortsatt må få plass innenfor det felles tokenbudsjettet.\n\nTilpasset stemmekloning er dokumentert for den udaterte Plus-modellen gjennom en separat arbeidsflyt der stemmen opprettes før den brukes. Referansen må inneholde minst tre sekunder uavbrutt, tydelig tale, med pauser på maksimalt to sekunder; bruk vanlig tale uten musikk, sang, støy eller en annen taler. Bruk 16-bit lyd for WAV. Et referanseklipp brukes til å opprette en stemme for en navngitt målmodell, og denne målmodellen må samsvare med modellen som brukes til tale. Produsenten anbefaler 10–20 sekunder ren tale i mono, minst 24 kHz, med maksimalt 60 sekunder og en fil som er mindre enn 10 MB. WAV, MP3 og M4A er dokumenterte referanseformater. Kloning støttes ikke av modellversjonen fra 15. mars, så et datert modellvalg endrer denne delen av arbeidsflyten.\n\nFor en praktisk læringsassistent oppgir du et diagram, elevens innspilte spørsmål og en kort skriftlig oppgavebeskrivelse: «Forklar hvordan de merkede delene henger sammen, svar på det muntlige spørsmålet på engelsk og bruk en rolig, langsommere fremføring. Gi både tekstsvaret og tale.» For en medierapport definerer du separate deler for hendelser, synlig tekst og tale og ber om tidsstempler for hver del. Klargjør navn eller faguttrykk i den skriftlige konteksten og oppgi om resultatet skal være en ordrett transkripsjon, en forklaring eller en oppsummering klar for målgruppen.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Create a media brief from a transcript\n\nCreate a compact media brief from this text record. 00:00 title card: 'Refill station'. 00:04 demonstrator opens a bottle. 00:08 speech: 'Fill only to the marked line.' 00:12 demonstrator closes the bottle. Separate visible events, on-screen wording and spoken instruction, retaining timestamps. Do not infer audio effects or actions absent from the record.Three labelled sections with timestamped entries for visible events, visible wording and speech.The spoken fill-line instruction remains distinct from what is explicitly described as visible.qwen3.5-omni-plusQwen3.5-Omni-Plus forstår tekst, bilder, lyd og video sammen og returnerer tekst eller talte svar. Den multimodale arbeidsflyten passer for stemmeassistenter og detaljert medieanalyse, med instruksjoner for talestil og en kontekst på 262,144 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3.5-Omni-Plus er Alibabas multimodale Qwen-modell for tekstproduksjon, taleassistenter og multimedieanalyse. Den tar imot tekst, bilder, lyd og video, også blandede inndata, og produserer tekst eller tekst med tale. Det udaterte Plus-navnet er et familiealias; produsenten beskriver det for tiden som funksjonelt tilsvarende Qwen3.5-Omni-Plus 2026-03-15. Aliaset og den navngitte modellversjonen forblir forskjellige modellvalg.
Inndataene kan kombinere et bilde med et muntlig spørsmål eller kombinere bildene og lyden i en video med skriftlige instruksjoner. Dette er nyttig når en oppsummering med bare tekst ville miste sammenhengen mellom det som ses og det som høres. For en mediebeskrivelse ber du separat om den synlige sekvensen, ordlyden på skjermen og det muntlige innholdet. Be om tidsstempler i forhold til kilden når hendelsesrekkefølgen er viktig. Lydeffekter og annen lyd uten tale kan bidra til analysen sammen med talen.
For et talesvar angir du språk, målgruppe og fremføring. Qwens veiledning dokumenterer instruksjoner for volum, talehastighet og følelser. Den oppgir 113 språk og dialekter for lyd inn og 36 språk og dialekter for tale ut, blant annet engelsk, fransk, tysk og russisk. Stemmekatalogen angir Tina som standard og omfatter alternativer som Serena og Ethan. Velg stemme og be om en kortfattet forklaring i et rolig tempo fremfor å la stemmen i inndataene bestemme utdatastilen.
Den dokumenterte HTTP-arbeidsflyten for tale returnerer strømmet tekst og Base64-kodede lydblokker. WAV-eksempelet bruker 24 kHz, mono, 16-bit PCM; en applikasjon kan samle blokkene i en lydfil eller dekode dem for avspilling etter hvert som de kommer. Dette er strømmet generering fra en innsendt forespørsel. Registrering av samtaleturer i sanntid, håndtering av avbrytelser og mikrofonsamtaler tilhører separat navngitte sanntidsmodeller. Familietabellen for Qwen3.5-Omni tilbyr ingen modus for dyp tenkning.
Modellkortet oppgir nettsøk. Function Calling er dokumentert for Alibabas utrulling av Beijing Chat Completions med tekstutdata, mens Singapore-tabellen markerer det som ikke støttet. JSON Object-utdata er oppgitt for Beijing og ikke støttet for Singapore. En modell kan foreslå et verktøykall, mens applikasjonen utfører handlingen og returnerer resultatet. Plus-tabellene markerer prefiksfullføring, kontekstbufring og finjustering som ikke støttet; satsvis inferens støttes i Beijings aliastabell og støttes ikke i Singapores tabell.
Det publiserte kontekstvinduet er 262 144 tokener, med maksimalt 196 608 tokener inn og maksimalt 65 536 tokener ut. Blandede medier og tekst deler kontekstbudsjettet. Alibabas HTTP-veiledning tillater opptil tre timer lyd eller én time video for denne serien; den oppgir lydformatene AMR, WAV, 3GP, 3GPP, AAC og MP3 og videoformatene MP4, AVI, MKV, MOV, FLV og WMV. URL-baserte lyd- eller videofiler kan være opptil 2 GB, mens Base64-kodede medier må være mindre enn 10 MB. Dette er produsentens grenser for filarbeidsflyten, adskilt fra modellintroduksjonens beskrivelse av forståelse av over ti timer lyd eller over 400 sekunder med 720p-video samplet ved 1 FPS.
Bilder har egne klargjøringsgrenser i denne veiledningen: opptil 20 MB per URL-basert bilde, dimensjoner på mer enn 10 piksler på hver side og et sideforhold som ikke er mer ekstremt enn 200:1. Veiledningen tillater opptil 2 048 URL-baserte bilder eller lydfiler og 512 URL-baserte videofiler; Base64-inndata tillater opptil 250 filer. Disse overføringsgrensene er fortsatt underlagt det felles budsjettet for inndatatokener. Serien kan kombinere flere medietyper i én forespørsel. Velg det relevante utdraget, gjør små etiketter leselige og forklar sammenhengen mellom separate inndata. De dokumenterte maksimumsgrensene for filantall varierer etter modalitet og overføringsmetode, mens alle inndata fortsatt må få plass innenfor det felles tokenbudsjettet.
Tilpasset stemmekloning er dokumentert for den udaterte Plus-modellen gjennom en separat arbeidsflyt der stemmen opprettes før den brukes. Referansen må inneholde minst tre sekunder uavbrutt, tydelig tale, med pauser på maksimalt to sekunder; bruk vanlig tale uten musikk, sang, støy eller en annen taler. Bruk 16-bit lyd for WAV. Et referanseklipp brukes til å opprette en stemme for en navngitt målmodell, og denne målmodellen må samsvare med modellen som brukes til tale. Produsenten anbefaler 10–20 sekunder ren tale i mono, minst 24 kHz, med maksimalt 60 sekunder og en fil som er mindre enn 10 MB. WAV, MP3 og M4A er dokumenterte referanseformater. Kloning støttes ikke av modellversjonen fra 15. mars, så et datert modellvalg endrer denne delen av arbeidsflyten.
For en praktisk læringsassistent oppgir du et diagram, elevens innspilte spørsmål og en kort skriftlig oppgavebeskrivelse: «Forklar hvordan de merkede delene henger sammen, svar på det muntlige spørsmålet på engelsk og bruk en rolig, langsommere fremføring. Gi både tekstsvaret og tale.» For en medierapport definerer du separate deler for hendelser, synlig tekst og tale og ber om tidsstempler for hver del. Klargjør navn eller faguttrykk i den skriftlige konteksten og oppgi om resultatet skal være en ordrett transkripsjon, en forklaring eller en oppsummering klar for målgruppen.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen3.5-omni-plus | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: Disse rollene representeres eksplisitt av kompatibilitetstyper i kildekoden; det eksakte rollesettet for modellen er fortsatt modellspesifikt. Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: role=tool; bruk faktisk returnert ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Avhenger av modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: funksjonsverktøy oppgitt | Standard— |
Felttools[].function.description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises på denne Ultra-tekstruten | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.0022 / 1K tokener Utdata · Utgående tokener $0.012584 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen3.5-omni-plus", "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='qwen3.5-omni-plus',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='qwen3.5-omni-plus',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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra qwen3.5-omni-plus
Bruk metodestiene som vises ovenfor.
qwen3.5-omni-plusQwen3.5-Omni-Plus forstår tekst, bilder, lyd og video sammen og returnerer tekst eller talte svar. Den multimodale arbeidsflyten passer for stemmeassistenter og detaljert medieanalyse, med instruksjoner for talestil og en kontekst på 262,144 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3.5-Omni-Plus er Alibabas multimodale Qwen-modell for tekstproduksjon, taleassistenter og multimedieanalyse. Den tar imot tekst, bilder, lyd og video, også blandede inndata, og produserer tekst eller tekst med tale. Det udaterte Plus-navnet er et familiealias; produsenten beskriver det for tiden som funksjonelt tilsvarende Qwen3.5-Omni-Plus 2026-03-15. Aliaset og den navngitte modellversjonen forblir forskjellige modellvalg.
Inndataene kan kombinere et bilde med et muntlig spørsmål eller kombinere bildene og lyden i en video med skriftlige instruksjoner. Dette er nyttig når en oppsummering med bare tekst ville miste sammenhengen mellom det som ses og det som høres. For en mediebeskrivelse ber du separat om den synlige sekvensen, ordlyden på skjermen og det muntlige innholdet. Be om tidsstempler i forhold til kilden når hendelsesrekkefølgen er viktig. Lydeffekter og annen lyd uten tale kan bidra til analysen sammen med talen.
For et talesvar angir du språk, målgruppe og fremføring. Qwens veiledning dokumenterer instruksjoner for volum, talehastighet og følelser. Den oppgir 113 språk og dialekter for lyd inn og 36 språk og dialekter for tale ut, blant annet engelsk, fransk, tysk og russisk. Stemmekatalogen angir Tina som standard og omfatter alternativer som Serena og Ethan. Velg stemme og be om en kortfattet forklaring i et rolig tempo fremfor å la stemmen i inndataene bestemme utdatastilen.
Den dokumenterte HTTP-arbeidsflyten for tale returnerer strømmet tekst og Base64-kodede lydblokker. WAV-eksempelet bruker 24 kHz, mono, 16-bit PCM; en applikasjon kan samle blokkene i en lydfil eller dekode dem for avspilling etter hvert som de kommer. Dette er strømmet generering fra en innsendt forespørsel. Registrering av samtaleturer i sanntid, håndtering av avbrytelser og mikrofonsamtaler tilhører separat navngitte sanntidsmodeller. Familietabellen for Qwen3.5-Omni tilbyr ingen modus for dyp tenkning.
Modellkortet oppgir nettsøk. Function Calling er dokumentert for Alibabas utrulling av Beijing Chat Completions med tekstutdata, mens Singapore-tabellen markerer det som ikke støttet. JSON Object-utdata er oppgitt for Beijing og ikke støttet for Singapore. En modell kan foreslå et verktøykall, mens applikasjonen utfører handlingen og returnerer resultatet. Plus-tabellene markerer prefiksfullføring, kontekstbufring og finjustering som ikke støttet; satsvis inferens støttes i Beijings aliastabell og støttes ikke i Singapores tabell.
Det publiserte kontekstvinduet er 262 144 tokener, med maksimalt 196 608 tokener inn og maksimalt 65 536 tokener ut. Blandede medier og tekst deler kontekstbudsjettet. Alibabas HTTP-veiledning tillater opptil tre timer lyd eller én time video for denne serien; den oppgir lydformatene AMR, WAV, 3GP, 3GPP, AAC og MP3 og videoformatene MP4, AVI, MKV, MOV, FLV og WMV. URL-baserte lyd- eller videofiler kan være opptil 2 GB, mens Base64-kodede medier må være mindre enn 10 MB. Dette er produsentens grenser for filarbeidsflyten, adskilt fra modellintroduksjonens beskrivelse av forståelse av over ti timer lyd eller over 400 sekunder med 720p-video samplet ved 1 FPS.
Bilder har egne klargjøringsgrenser i denne veiledningen: opptil 20 MB per URL-basert bilde, dimensjoner på mer enn 10 piksler på hver side og et sideforhold som ikke er mer ekstremt enn 200:1. Veiledningen tillater opptil 2 048 URL-baserte bilder eller lydfiler og 512 URL-baserte videofiler; Base64-inndata tillater opptil 250 filer. Disse overføringsgrensene er fortsatt underlagt det felles budsjettet for inndatatokener. Serien kan kombinere flere medietyper i én forespørsel. Velg det relevante utdraget, gjør små etiketter leselige og forklar sammenhengen mellom separate inndata. De dokumenterte maksimumsgrensene for filantall varierer etter modalitet og overføringsmetode, mens alle inndata fortsatt må få plass innenfor det felles tokenbudsjettet.
Tilpasset stemmekloning er dokumentert for den udaterte Plus-modellen gjennom en separat arbeidsflyt der stemmen opprettes før den brukes. Referansen må inneholde minst tre sekunder uavbrutt, tydelig tale, med pauser på maksimalt to sekunder; bruk vanlig tale uten musikk, sang, støy eller en annen taler. Bruk 16-bit lyd for WAV. Et referanseklipp brukes til å opprette en stemme for en navngitt målmodell, og denne målmodellen må samsvare med modellen som brukes til tale. Produsenten anbefaler 10–20 sekunder ren tale i mono, minst 24 kHz, med maksimalt 60 sekunder og en fil som er mindre enn 10 MB. WAV, MP3 og M4A er dokumenterte referanseformater. Kloning støttes ikke av modellversjonen fra 15. mars, så et datert modellvalg endrer denne delen av arbeidsflyten.
For en praktisk læringsassistent oppgir du et diagram, elevens innspilte spørsmål og en kort skriftlig oppgavebeskrivelse: «Forklar hvordan de merkede delene henger sammen, svar på det muntlige spørsmålet på engelsk og bruk en rolig, langsommere fremføring. Gi både tekstsvaret og tale.» For en medierapport definerer du separate deler for hendelser, synlig tekst og tale og ber om tidsstempler for hver del. Klargjør navn eller faguttrykk i den skriftlige konteksten og oppgi om resultatet skal være en ordrett transkripsjon, en forklaring eller en oppsummering klar for målgruppen.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen3.5-omni-plus | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.0022 / 1K tokener Utdata · Utgående tokener $0.012584 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "qwen3.5-omni-plus",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3.5-omni-plus', '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': 'qwen3.5-omni-plus', '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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra qwen3.5-omni-plus
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Create a media brief from a transcript\n\nCreate a compact media brief from this text record. 00:00 title card: 'Refill station'. 00:04 demonstrator opens a bottle. 00:08 speech: 'Fill only to the marked line.' 00:12 demonstrator closes the bottle. Separate visible events, on-screen wording and spoken instruction, retaining timestamps. Do not infer audio effects or actions absent from the record.Three labelled sections with timestamped entries for visible events, visible wording and speech.The spoken fill-line instruction remains distinct from what is explicitly described as visible.