Qwen3.5-Omni-Flash 2026-03-15 to oznaczone datą 15 marca multimodalne wydanie Alibaba do tworzenia tekstu, asystentów głosowych i analizy multimediów. Przyjmuje tekst, obrazy, audio i wideo, w tym mieszane wejście, i tworzy tekst lub tekst z mową. Datowana tożsamość jest odrębna od niedatowanego aliasu Flash i modeli realtime. Zapisane zadanie może zachowywać nazwę tego wydania wraz z ocenianymi mediami i instrukcjami.
Wejście może łączyć obraz z wypowiedzianym pytaniem lub zestawiać obraz i dźwięk wideo z pisemnymi instrukcjami. Przydaje się to, gdy samo podsumowanie tekstowe utraciłoby związek między tym, co widać, a tym, co słychać. W zadaniu dotyczącym mediów pytaj oddzielnie o widoczną sekwencję, tekst na ekranie i wypowiedzi oraz proś o znaczniki czasu względem źródła, gdy kolejność wydarzeń ma znaczenie. Efekty dźwiękowe i inne dźwięki niebędące mową mogą wnosić wkład w analizę obok wypowiedzi.
Przy odpowiedzi głosowej określ język, odbiorców i sposób wygłoszenia. Przewodnik Qwen dokumentuje instrukcje dotyczące głośności, tempa mowy i emocji. Wymienia 113 języków i dialektów wejścia audio oraz 36 języków i dialektów wyjścia mowy, w tym angielski, francuski, niemiecki i rosyjski. Katalog głosów wskazuje Tina jako domyślny głos i zawiera opcje takie jak Serena i Ethan. Wybierz głos i poproś o zwięzłe wyjaśnienie w spokojnym tempie, zamiast polegać na głosie wejściowym przy określaniu stylu wyjścia.
Udokumentowany proces mowy HTTP zwraca strumieniowo tekst i fragmenty audio zakodowane w Base64. Przykład WAV używa 24 kHz, mono, 16-bit PCM; aplikacja może zebrać fragmenty w plik audio lub dekodować je do odtwarzania w miarę napływania. Jest to generowanie strumieniowe na podstawie przesłanego żądania. Wykrywanie tur na żywo, obsługa przerwań i rozmowa przez mikrofon należą do osobno nazwanych modeli realtime. Tabela rodziny Qwen3.5-Omni nie oferuje trybu głębokiego myślenia.
Opis tego wydania Flash wymienia wyszukiwanie internetowe i Function Calling, przy czym Function Calling jest ograniczone do Beijing Chat Completions i wyjścia tekstowego. Structured Outputs jest oznaczone jako nieobsługiwane: żądanie sekcji chronologicznych to instrukcja formatu tekstowego, a nie wymuszony tryb JSON. Wykonywanie narzędzi należy do otaczającej aplikacji, która zwraca wynik narzędzia do następnego kroku modelu. Kontynuacja tekstu na podstawie prefiksu, buforowanie kontekstu, inferencja wsadowa i dostrajanie również są oznaczone jako nieobsługiwane w tym wydaniu.
Opublikowane okno kontekstu wynosi 262 144 tokenów, z maksymalnym wejściem 196 608 tokenów i maksymalnym wyjściem 65 536 tokenów. Mieszane media i tekst współdzielą budżet kontekstu. Przewodnik HTTP Alibaba dopuszcza dla tej serii do trzech godzin audio lub jednej godziny wideo; wymienia formaty audio AMR, WAV, 3GP, 3GPP, AAC i MP3 oraz wideo MP4, AVI, MKV, MOV, FLV i WMV. Pliki audio lub wideo przesyłane przez URL mogą mieć do 2 GB, natomiast media zakodowane w Base64 muszą być mniejsze niż 10 MB. Są to limity procesu obsługi plików producenta, odrębne od opisu we wprowadzeniu modelu dotyczącego rozumienia ponad dziesięciu godzin audio lub ponad 400 sekund wideo 720p próbkowanego z częstotliwością 1 FPS.
Obrazy mają w tym przewodniku własne limity przygotowania: do 20 MB na obraz przez URL, oba wymiary większe niż 10 pikseli i proporcje nie bardziej skrajne niż 200:1. Przewodnik dopuszcza do 2 048 obrazów lub plików audio przez URL i 512 plików wideo przez URL; wejście Base64 dopuszcza do 250 plików. Te limity transferu nadal podlegają wspólnemu budżetowi tokenów wejściowych. Seria może łączyć kilka rodzajów mediów w jednym żądaniu. Wybierz istotny fragment, zadbaj o czytelność małych etykiet i wyjaśnij relacje między osobnymi wejściami. Udokumentowane pułapy liczby plików różnią się według modalności i metody transferu, natomiast każde wejście nadal musi mieścić się we wspólnym budżecie tokenów.
Klonowanie własnego głosu nie jest obsługiwane przez wydanie z 15 marca w przewodniku Qwen3.5-Omni. Wybierz udokumentowany głos katalogowy dla wyjścia mowy i opisz pożądany sposób wygłoszenia w pisemnych wytycznych. Nie przenoś do tego wydania osobnego procesu rejestrowania głosu z niedatowanego aliasu Flash. Głos katalogowy identyfikuje styl mówcy, natomiast instrukcje mogą kształtować głośność, tempo mowy i emocje.
Przy powtarzalnym raporcie medialnym dostarcz istotny klip i poproś o wydarzenia, widoczny tekst i mowę w odrębnych sekcjach chronologicznych, każdą powiązaną ze znacznikami czasu źródła. Przy odpowiedzi edukacyjnej dodaj schemat i nagrane pytanie ucznia: „Wyjaśnij oznaczone części, odpowiedz na pytanie audio po angielsku i dostarcz tekst oraz spokojną mowę”. Zachowuj razem fragment wejściowy, nazwę wydania i prompt oraz określ, czy wyjście ma transkrybować źródło czy wyjaśniać je nowym odbiorcom.
", "aboutText": "Qwen3.5-Omni-Flash 2026-03-15 to oznaczone datą 15 marca multimodalne wydanie Alibaba do tworzenia tekstu, asystentów głosowych i analizy multimediów. Przyjmuje tekst, obrazy, audio i wideo, w tym mieszane wejście, i tworzy tekst lub tekst z mową. Datowana tożsamość jest odrębna od niedatowanego aliasu Flash i modeli realtime. Zapisane zadanie może zachowywać nazwę tego wydania wraz z ocenianymi mediami i instrukcjami.\n\nWejście może łączyć obraz z wypowiedzianym pytaniem lub zestawiać obraz i dźwięk wideo z pisemnymi instrukcjami. Przydaje się to, gdy samo podsumowanie tekstowe utraciłoby związek między tym, co widać, a tym, co słychać. W zadaniu dotyczącym mediów pytaj oddzielnie o widoczną sekwencję, tekst na ekranie i wypowiedzi oraz proś o znaczniki czasu względem źródła, gdy kolejność wydarzeń ma znaczenie. Efekty dźwiękowe i inne dźwięki niebędące mową mogą wnosić wkład w analizę obok wypowiedzi.\n\nPrzy odpowiedzi głosowej określ język, odbiorców i sposób wygłoszenia. Przewodnik Qwen dokumentuje instrukcje dotyczące głośności, tempa mowy i emocji. Wymienia 113 języków i dialektów wejścia audio oraz 36 języków i dialektów wyjścia mowy, w tym angielski, francuski, niemiecki i rosyjski. Katalog głosów wskazuje Tina jako domyślny głos i zawiera opcje takie jak Serena i Ethan. Wybierz głos i poproś o zwięzłe wyjaśnienie w spokojnym tempie, zamiast polegać na głosie wejściowym przy określaniu stylu wyjścia.\n\nUdokumentowany proces mowy HTTP zwraca strumieniowo tekst i fragmenty audio zakodowane w Base64. Przykład WAV używa 24 kHz, mono, 16-bit PCM; aplikacja może zebrać fragmenty w plik audio lub dekodować je do odtwarzania w miarę napływania. Jest to generowanie strumieniowe na podstawie przesłanego żądania. Wykrywanie tur na żywo, obsługa przerwań i rozmowa przez mikrofon należą do osobno nazwanych modeli realtime. Tabela rodziny Qwen3.5-Omni nie oferuje trybu głębokiego myślenia.\n\nOpis tego wydania Flash wymienia wyszukiwanie internetowe i Function Calling, przy czym Function Calling jest ograniczone do Beijing Chat Completions i wyjścia tekstowego. Structured Outputs jest oznaczone jako nieobsługiwane: żądanie sekcji chronologicznych to instrukcja formatu tekstowego, a nie wymuszony tryb JSON. Wykonywanie narzędzi należy do otaczającej aplikacji, która zwraca wynik narzędzia do następnego kroku modelu. Kontynuacja tekstu na podstawie prefiksu, buforowanie kontekstu, inferencja wsadowa i dostrajanie również są oznaczone jako nieobsługiwane w tym wydaniu.\n\nOpublikowane okno kontekstu wynosi 262 144 tokenów, z maksymalnym wejściem 196 608 tokenów i maksymalnym wyjściem 65 536 tokenów. Mieszane media i tekst współdzielą budżet kontekstu. Przewodnik HTTP Alibaba dopuszcza dla tej serii do trzech godzin audio lub jednej godziny wideo; wymienia formaty audio AMR, WAV, 3GP, 3GPP, AAC i MP3 oraz wideo MP4, AVI, MKV, MOV, FLV i WMV. Pliki audio lub wideo przesyłane przez URL mogą mieć do 2 GB, natomiast media zakodowane w Base64 muszą być mniejsze niż 10 MB. Są to limity procesu obsługi plików producenta, odrębne od opisu we wprowadzeniu modelu dotyczącego rozumienia ponad dziesięciu godzin audio lub ponad 400 sekund wideo 720p próbkowanego z częstotliwością 1 FPS.\n\nObrazy mają w tym przewodniku własne limity przygotowania: do 20 MB na obraz przez URL, oba wymiary większe niż 10 pikseli i proporcje nie bardziej skrajne niż 200:1. Przewodnik dopuszcza do 2 048 obrazów lub plików audio przez URL i 512 plików wideo przez URL; wejście Base64 dopuszcza do 250 plików. Te limity transferu nadal podlegają wspólnemu budżetowi tokenów wejściowych. Seria może łączyć kilka rodzajów mediów w jednym żądaniu. Wybierz istotny fragment, zadbaj o czytelność małych etykiet i wyjaśnij relacje między osobnymi wejściami. Udokumentowane pułapy liczby plików różnią się według modalności i metody transferu, natomiast każde wejście nadal musi mieścić się we wspólnym budżecie tokenów.\n\nKlonowanie własnego głosu nie jest obsługiwane przez wydanie z 15 marca w przewodniku Qwen3.5-Omni. Wybierz udokumentowany głos katalogowy dla wyjścia mowy i opisz pożądany sposób wygłoszenia w pisemnych wytycznych. Nie przenoś do tego wydania osobnego procesu rejestrowania głosu z niedatowanego aliasu Flash. Głos katalogowy identyfikuje styl mówcy, natomiast instrukcje mogą kształtować głośność, tempo mowy i emocje.\n\nPrzy powtarzalnym raporcie medialnym dostarcz istotny klip i poproś o wydarzenia, widoczny tekst i mowę w odrębnych sekcjach chronologicznych, każdą powiązaną ze znacznikami czasu źródła. Przy odpowiedzi edukacyjnej dodaj schemat i nagrane pytanie ucznia: „Wyjaśnij oznaczone części, odpowiedz na pytanie audio po angielsku i dostarcz tekst oraz spokojną mowę”. Zachowuj razem fragment wejściowy, nazwę wydania i prompt oraz określ, czy wyjście ma transkrybować źródło czy wyjaśniać je nowym odbiorcom.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Separate speech from scene notes\n\nPrepare a chronological report from these transcribed media notes: 00:00 a green indicator is visible; 00:03 speaker says “Wait for the light”; 00:05 indicator turns amber; 00:08 speaker says “Now disconnect.” Separate described visuals from quoted speech and list the action instruction with its time. Return text only.A timeline with distinct visual and speech entries, followed by the timed instruction.Check that the instruction stays at 00:08 and that the indicator change is not described as something the speaker said.qwen3.5-omni-flash-2026-03-15Qwen3.5-Omni-Flash 2026-03-15 to multimodalne wydanie przyjmujące tekst, obrazy, audio i wideo oraz zwracające tekst lub mowę. Używaj tego odrębnego wydania do powtarzalnych zadań medialnych i wyjaśnień głosowych, z udokumentowanymi granicami wejścia i wyjścia.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Qwen3.5-Omni-Flash 2026-03-15 to oznaczone datą 15 marca multimodalne wydanie Alibaba do tworzenia tekstu, asystentów głosowych i analizy multimediów. Przyjmuje tekst, obrazy, audio i wideo, w tym mieszane wejście, i tworzy tekst lub tekst z mową. Datowana tożsamość jest odrębna od niedatowanego aliasu Flash i modeli realtime. Zapisane zadanie może zachowywać nazwę tego wydania wraz z ocenianymi mediami i instrukcjami.
Wejście może łączyć obraz z wypowiedzianym pytaniem lub zestawiać obraz i dźwięk wideo z pisemnymi instrukcjami. Przydaje się to, gdy samo podsumowanie tekstowe utraciłoby związek między tym, co widać, a tym, co słychać. W zadaniu dotyczącym mediów pytaj oddzielnie o widoczną sekwencję, tekst na ekranie i wypowiedzi oraz proś o znaczniki czasu względem źródła, gdy kolejność wydarzeń ma znaczenie. Efekty dźwiękowe i inne dźwięki niebędące mową mogą wnosić wkład w analizę obok wypowiedzi.
Przy odpowiedzi głosowej określ język, odbiorców i sposób wygłoszenia. Przewodnik Qwen dokumentuje instrukcje dotyczące głośności, tempa mowy i emocji. Wymienia 113 języków i dialektów wejścia audio oraz 36 języków i dialektów wyjścia mowy, w tym angielski, francuski, niemiecki i rosyjski. Katalog głosów wskazuje Tina jako domyślny głos i zawiera opcje takie jak Serena i Ethan. Wybierz głos i poproś o zwięzłe wyjaśnienie w spokojnym tempie, zamiast polegać na głosie wejściowym przy określaniu stylu wyjścia.
Udokumentowany proces mowy HTTP zwraca strumieniowo tekst i fragmenty audio zakodowane w Base64. Przykład WAV używa 24 kHz, mono, 16-bit PCM; aplikacja może zebrać fragmenty w plik audio lub dekodować je do odtwarzania w miarę napływania. Jest to generowanie strumieniowe na podstawie przesłanego żądania. Wykrywanie tur na żywo, obsługa przerwań i rozmowa przez mikrofon należą do osobno nazwanych modeli realtime. Tabela rodziny Qwen3.5-Omni nie oferuje trybu głębokiego myślenia.
Opis tego wydania Flash wymienia wyszukiwanie internetowe i Function Calling, przy czym Function Calling jest ograniczone do Beijing Chat Completions i wyjścia tekstowego. Structured Outputs jest oznaczone jako nieobsługiwane: żądanie sekcji chronologicznych to instrukcja formatu tekstowego, a nie wymuszony tryb JSON. Wykonywanie narzędzi należy do otaczającej aplikacji, która zwraca wynik narzędzia do następnego kroku modelu. Kontynuacja tekstu na podstawie prefiksu, buforowanie kontekstu, inferencja wsadowa i dostrajanie również są oznaczone jako nieobsługiwane w tym wydaniu.
Opublikowane okno kontekstu wynosi 262 144 tokenów, z maksymalnym wejściem 196 608 tokenów i maksymalnym wyjściem 65 536 tokenów. Mieszane media i tekst współdzielą budżet kontekstu. Przewodnik HTTP Alibaba dopuszcza dla tej serii do trzech godzin audio lub jednej godziny wideo; wymienia formaty audio AMR, WAV, 3GP, 3GPP, AAC i MP3 oraz wideo MP4, AVI, MKV, MOV, FLV i WMV. Pliki audio lub wideo przesyłane przez URL mogą mieć do 2 GB, natomiast media zakodowane w Base64 muszą być mniejsze niż 10 MB. Są to limity procesu obsługi plików producenta, odrębne od opisu we wprowadzeniu modelu dotyczącego rozumienia ponad dziesięciu godzin audio lub ponad 400 sekund wideo 720p próbkowanego z częstotliwością 1 FPS.
Obrazy mają w tym przewodniku własne limity przygotowania: do 20 MB na obraz przez URL, oba wymiary większe niż 10 pikseli i proporcje nie bardziej skrajne niż 200:1. Przewodnik dopuszcza do 2 048 obrazów lub plików audio przez URL i 512 plików wideo przez URL; wejście Base64 dopuszcza do 250 plików. Te limity transferu nadal podlegają wspólnemu budżetowi tokenów wejściowych. Seria może łączyć kilka rodzajów mediów w jednym żądaniu. Wybierz istotny fragment, zadbaj o czytelność małych etykiet i wyjaśnij relacje między osobnymi wejściami. Udokumentowane pułapy liczby plików różnią się według modalności i metody transferu, natomiast każde wejście nadal musi mieścić się we wspólnym budżecie tokenów.
Klonowanie własnego głosu nie jest obsługiwane przez wydanie z 15 marca w przewodniku Qwen3.5-Omni. Wybierz udokumentowany głos katalogowy dla wyjścia mowy i opisz pożądany sposób wygłoszenia w pisemnych wytycznych. Nie przenoś do tego wydania osobnego procesu rejestrowania głosu z niedatowanego aliasu Flash. Głos katalogowy identyfikuje styl mówcy, natomiast instrukcje mogą kształtować głośność, tempo mowy i emocje.
Przy powtarzalnym raporcie medialnym dostarcz istotny klip i poproś o wydarzenia, widoczny tekst i mowę w odrębnych sekcjach chronologicznych, każdą powiązaną ze znacznikami czasu źródła. Przy odpowiedzi edukacyjnej dodaj schemat i nagrane pytanie ucznia: „Wyjaśnij oznaczone części, odpowiedz na pytanie audio po angielsku i dostarcz tekst oraz spokojną mowę”. Zachowuj razem fragment wejściowy, nazwę wydania i prompt oraz określ, czy wyjście ma transkrybować źródło czy wyjaśniać je nowym odbiorcom.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen3.5-omni-flash-2026-03-15 | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity Przykłady: system, user, assistant, tool, function Warunki: Te role są jawnie reprezentowane przez typy zgodności w kodzie źródłowym; dokładny zestaw ról pozostaje właściwy dla danego modelu. Zależy od modelu | Domyślnie— |
Polemessages[].content | Typstring|content_part[]|null | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_calls | Typtool_call[] | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_call_id | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: role=tool; użyj rzeczywiście zwróconego ID | Domyślnie— |
Polemessages[].name | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].reasoning_content | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: Przekazuj z powrotem rzeczywiście zwróconą treść rozumowania, gdy ten model jej używa | Domyślnie— |
Polemessages[].reasoning_details | Typobject|array | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polemax_completion_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Polestream_options.include_usage | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletemperature | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletop_p | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polestop | Typstring|string[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools | Typfunction_tool[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools[].type | Typstring | WymaganieOpcjonalne | Wartości i limity function Zależy od modelu | Domyślnie— |
Poletools[].function.name | Typstring | WymaganieWymagane | Wartości i limity Obowiązuje, gdy: udostępnione narzędzie funkcji | Domyślnie— |
Poletools[].function.description | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletools[].function.parameters | TypJSON_schema | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletool_choice | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleparallel_tool_calls | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleresponse_format | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning_effort | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleservice_tier | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleinstructions | Typstring | WymaganieOpcjonalne | Wartości i limity Pole zgodności | Domyślnie— |
Polefunctions | Typfunction[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polefunction_call | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleprompt_cache_options | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemodalities | Typstring[] | WymaganieOpcjonalne | Wartości i limity text | Domyślnie— |
Poleprovider | Typobject | WymaganieOpcjonalne | Wartości i limity Warunki: provider.options jest odrzucane na tej tekstowej trasie Ultra | Domyślnie— |
Polecache_control.ttl | Typstring | WymaganieOpcjonalne | Wartości i limity Warunki: 1h jest odrzucane w rzeczywistych miejscach pamięci podręcznej promptów | Domyślnie— |
Tekst · tekst UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontrakttablica wiadomości o strukturze role/content |
Parametrfile_material | Kontraktrzeczywisty dokument UTF-8 wstawiony jako dosłowny tekst; bez wywnioskowanego ID pliku |
Parametroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrcontrol_scope | Kontraktwłaściwe dla modelu; narzędzia funkcji użytkownika różnią się od narzędzi hostowanych |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Cykl życia: synchronous_or_streamed
Wyślij dokładne ID modelu wraz z messages.
Długość kontekstu nie jest limitem wyjścia.
Plik tekstowy może dostarczyć dosłowny tekst; wejścia obrazowe/dźwiękowe/obiekty plików wymagają dokładnego powiązania.
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Opłata Wejście · Tokeny wejściowe $0.00069 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00418 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${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-flash-2026-03-15", "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-flash-2026-03-15',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-flash-2026-03-15',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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj każdy wariant i jego treść/wywołania narzędzi/rozumowanie. W SSE składaj przyrosty według indeksu wariantu/narzędzia, zachowując końcowy powód zakończenia i dane użycia.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra qwen3.5-omni-flash-2026-03-15
Użyj ścieżek metod podanych powyżej.
qwen3.5-omni-flash-2026-03-15Qwen3.5-Omni-Flash 2026-03-15 to multimodalne wydanie przyjmujące tekst, obrazy, audio i wideo oraz zwracające tekst lub mowę. Używaj tego odrębnego wydania do powtarzalnych zadań medialnych i wyjaśnień głosowych, z udokumentowanymi granicami wejścia i wyjścia.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Qwen3.5-Omni-Flash 2026-03-15 to oznaczone datą 15 marca multimodalne wydanie Alibaba do tworzenia tekstu, asystentów głosowych i analizy multimediów. Przyjmuje tekst, obrazy, audio i wideo, w tym mieszane wejście, i tworzy tekst lub tekst z mową. Datowana tożsamość jest odrębna od niedatowanego aliasu Flash i modeli realtime. Zapisane zadanie może zachowywać nazwę tego wydania wraz z ocenianymi mediami i instrukcjami.
Wejście może łączyć obraz z wypowiedzianym pytaniem lub zestawiać obraz i dźwięk wideo z pisemnymi instrukcjami. Przydaje się to, gdy samo podsumowanie tekstowe utraciłoby związek między tym, co widać, a tym, co słychać. W zadaniu dotyczącym mediów pytaj oddzielnie o widoczną sekwencję, tekst na ekranie i wypowiedzi oraz proś o znaczniki czasu względem źródła, gdy kolejność wydarzeń ma znaczenie. Efekty dźwiękowe i inne dźwięki niebędące mową mogą wnosić wkład w analizę obok wypowiedzi.
Przy odpowiedzi głosowej określ język, odbiorców i sposób wygłoszenia. Przewodnik Qwen dokumentuje instrukcje dotyczące głośności, tempa mowy i emocji. Wymienia 113 języków i dialektów wejścia audio oraz 36 języków i dialektów wyjścia mowy, w tym angielski, francuski, niemiecki i rosyjski. Katalog głosów wskazuje Tina jako domyślny głos i zawiera opcje takie jak Serena i Ethan. Wybierz głos i poproś o zwięzłe wyjaśnienie w spokojnym tempie, zamiast polegać na głosie wejściowym przy określaniu stylu wyjścia.
Udokumentowany proces mowy HTTP zwraca strumieniowo tekst i fragmenty audio zakodowane w Base64. Przykład WAV używa 24 kHz, mono, 16-bit PCM; aplikacja może zebrać fragmenty w plik audio lub dekodować je do odtwarzania w miarę napływania. Jest to generowanie strumieniowe na podstawie przesłanego żądania. Wykrywanie tur na żywo, obsługa przerwań i rozmowa przez mikrofon należą do osobno nazwanych modeli realtime. Tabela rodziny Qwen3.5-Omni nie oferuje trybu głębokiego myślenia.
Opis tego wydania Flash wymienia wyszukiwanie internetowe i Function Calling, przy czym Function Calling jest ograniczone do Beijing Chat Completions i wyjścia tekstowego. Structured Outputs jest oznaczone jako nieobsługiwane: żądanie sekcji chronologicznych to instrukcja formatu tekstowego, a nie wymuszony tryb JSON. Wykonywanie narzędzi należy do otaczającej aplikacji, która zwraca wynik narzędzia do następnego kroku modelu. Kontynuacja tekstu na podstawie prefiksu, buforowanie kontekstu, inferencja wsadowa i dostrajanie również są oznaczone jako nieobsługiwane w tym wydaniu.
Opublikowane okno kontekstu wynosi 262 144 tokenów, z maksymalnym wejściem 196 608 tokenów i maksymalnym wyjściem 65 536 tokenów. Mieszane media i tekst współdzielą budżet kontekstu. Przewodnik HTTP Alibaba dopuszcza dla tej serii do trzech godzin audio lub jednej godziny wideo; wymienia formaty audio AMR, WAV, 3GP, 3GPP, AAC i MP3 oraz wideo MP4, AVI, MKV, MOV, FLV i WMV. Pliki audio lub wideo przesyłane przez URL mogą mieć do 2 GB, natomiast media zakodowane w Base64 muszą być mniejsze niż 10 MB. Są to limity procesu obsługi plików producenta, odrębne od opisu we wprowadzeniu modelu dotyczącego rozumienia ponad dziesięciu godzin audio lub ponad 400 sekund wideo 720p próbkowanego z częstotliwością 1 FPS.
Obrazy mają w tym przewodniku własne limity przygotowania: do 20 MB na obraz przez URL, oba wymiary większe niż 10 pikseli i proporcje nie bardziej skrajne niż 200:1. Przewodnik dopuszcza do 2 048 obrazów lub plików audio przez URL i 512 plików wideo przez URL; wejście Base64 dopuszcza do 250 plików. Te limity transferu nadal podlegają wspólnemu budżetowi tokenów wejściowych. Seria może łączyć kilka rodzajów mediów w jednym żądaniu. Wybierz istotny fragment, zadbaj o czytelność małych etykiet i wyjaśnij relacje między osobnymi wejściami. Udokumentowane pułapy liczby plików różnią się według modalności i metody transferu, natomiast każde wejście nadal musi mieścić się we wspólnym budżecie tokenów.
Klonowanie własnego głosu nie jest obsługiwane przez wydanie z 15 marca w przewodniku Qwen3.5-Omni. Wybierz udokumentowany głos katalogowy dla wyjścia mowy i opisz pożądany sposób wygłoszenia w pisemnych wytycznych. Nie przenoś do tego wydania osobnego procesu rejestrowania głosu z niedatowanego aliasu Flash. Głos katalogowy identyfikuje styl mówcy, natomiast instrukcje mogą kształtować głośność, tempo mowy i emocje.
Przy powtarzalnym raporcie medialnym dostarcz istotny klip i poproś o wydarzenia, widoczny tekst i mowę w odrębnych sekcjach chronologicznych, każdą powiązaną ze znacznikami czasu źródła. Przy odpowiedzi edukacyjnej dodaj schemat i nagrane pytanie ucznia: „Wyjaśnij oznaczone części, odpowiedz na pytanie audio po angielsku i dostarcz tekst oraz spokojną mowę”. Zachowuj razem fragment wejściowy, nazwę wydania i prompt oraz określ, czy wyjście ma transkrybować źródło czy wyjaśniać je nowym odbiorcom.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen3.5-omni-flash-2026-03-15 | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity user, assistant | Domyślnie— |
Polemessages[].content | Typstring | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Tekst · tekst UTF-8
ciąg messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktOdczytaj rzeczywisty dokument UTF-8 i umieść jego tekst we wskazanym polu input lub w ciągu treści wiadomości. |
Cykl życia: synchronous_or_streamed
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Opłata Wejście · Tokeny wejściowe $0.00069 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00418 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "qwen3.5-omni-flash-2026-03-15",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-flash-2026-03-15', '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-flash-2026-03-15', '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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj wszystkie bloki treści, sygnatury myślenia i rzeczywiste ID użycia narzędzi. Złóż wszystkie przyrosty bloków SSE; pierwszy blok tekstowy nie jest pełnym wyjściem.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra qwen3.5-omni-flash-2026-03-15
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Separate speech from scene notes\n\nPrepare a chronological report from these transcribed media notes: 00:00 a green indicator is visible; 00:03 speaker says “Wait for the light”; 00:05 indicator turns amber; 00:08 speaker says “Now disconnect.” Separate described visuals from quoted speech and list the action instruction with its time. Return text only.A timeline with distinct visual and speech entries, followed by the timed instruction.Check that the instruction stays at 00:08 and that the indicator change is not described as something the speaker said.