Qwen3-Omni-30B-A3B-Instruct é o membro de Qwen3-Omni que segue instruções e gera voz. Compreende texto, imagens, áudio e vídeo, incluindo dados de entrada mistos, e pode devolver tanto texto como voz natural. A Qwen descreve a arquitetura da família como capaz de suportar respostas de texto e voz em fluxo contínuo. O checkpoint Instruct exato contém componentes Thinker e Talker: a compreensão e a formação da resposta textual estão ligadas ao percurso de geração de voz. Os checkpoints Thinking e Captioner têm componentes e funções de saída diferentes, pelo que continuam a ser escolhas de modelo separadas.
O âmbito multilingue publicado da família inclui 119 línguas de texto, 19 línguas de entrada de voz e 10 línguas de saída de voz. O russo está presente em ambas as listas de voz. O fabricante descreve uma conceção Thinker–Talker com mistura de especialistas, com processamento de áudio e visão para compreensão multimodal e geração de voz com múltiplos livros de códigos. As instruções de sistema podem moldar o papel do assistente e o estilo de resposta. Uma tarefa adequada é uma explicação com voz que dependa de um objeto visível e de uma questão falada do utilizador, em vez de uma conversão de texto em voz sem relação com estes elementos.
Os guias práticos abrangem reconhecimento de voz, tradução de voz, análise de música e sons, áudio misto, questões sobre imagens, OCR, localização de objetos, descrição de vídeo e diálogo audiovisual. Para um assistente de formação, forneça um excerto de demonstração e peça que explique o procedimento visível a um principiante. Para uma questão sobre um produto, combine uma fotografia com o pedido falado e identifique o detalhe a discutir. Indique o ouvinte a que se destina e o resultado pretendido: uma breve resposta falada, um resumo textual ou ambos. Conserve os nomes das fontes e as medidas que devem permanecer inalterados.
O fluxo de entrada do fabricante utiliza o processador, o modelo de formatação de chat e os utilitários de processamento multimédia correspondentes. O conteúdo multimédia pode ser intercalado com texto, e a descodificação é uma parte explícita da preparação de um pedido. Ao utilizar o áudio que acompanha um vídeo, mantenha use_audio_in_video consistente no pré-processamento, na geração e nos turnos sucessivos do diálogo. Uma questão audiovisual exige a inclusão da faixa de áudio; uma tarefa apenas visual deve indicar claramente esse âmbito. Selecione um excerto relevante e utilize imagens legíveis para que o assistente receba os detalhes necessários para a questão.
A saída de voz é controlável. A interface de geração publicada permite pedir apenas texto com return_audio=False, e desativar Talker remove esse componente do percurso de saída de voz do modelo carregado. O exemplo em lote do fabricante devolve texto em vez de áudio. O checkpoint Instruct documenta três opções de voz — Ethan, Chelsie e Aiden — sendo Ethan a predefinida. O exemplo guarda uma forma de onda a 24,000 Hz. A seleção de voz e o formato de saída deste exemplo descrevem o fluxo de trabalho do modelo publicado, não todas as possíveis interfaces de serviços que o integrem.
Para respostas faladas, o fabricante recomenda um estilo de conversa fácil de vocalizar em vez de formatação complexa. Um pedido pode solicitar uma explicação concisa na língua do ouvinte, conservando um resultado textual legível separado para revisão. Se a fonte contiver um nome, uma fórmula ou uma abreviatura pouco familiar, forneça o respetivo significado e a formulação preferida. Peça que a resposta distinga o conteúdo observado das suposições para que uma voz fluente não faça desaparecer a incerteza.
As configurações textuais de Thinker e Talker definem max_position_embeddings como 65,536. Os exemplos de vLLM da ficha partilhada escolhem separadamente uma definição de comprimento do modelo de 32,768 tokens e uma definição de geração de 16,384 tokens; estes valores continuam a ser exemplos, não limites universais independentes. O processamento visual e de áudio afeta a dimensão efetiva do pedido. O suporte da interface também varia: o exemplo de Transformers da ficha pode devolver voz, enquanto a discussão sobre disponibilização do modelo descreve um percurso orientado para Thinker e o tratamento separado de vídeo e áudio. Mantenha as capacidades de voz ao nível do modelo distintas do percurso de saída suportado por um ambiente de execução específico.
Um resultado útil combina a resposta com o material de origem necessário para a rever. Para uma demonstração, verifique a ação descrita em relação ao excerto; para uma questão de áudio, compare a resposta com as palavras ou os sons audíveis; para um cálculo visual, verifique as unidades e as etiquetas. A família inclui um guia prático de chamadas de funções através de áudio, mas é a aplicação que continua a definir e executar qualquer ação de ferramenta externa. Um pedido gerado para agir é diferente de um resultado confirmado. O ponto forte desta edição é a interação multimodal com uma resposta falada opcional, enquanto a verificação factual, as ações posteriores e a edição multimédia exigem as suas próprias evidências e o seu próprio fluxo de trabalho.
", "aboutText": "Qwen3-Omni-30B-A3B-Instruct é o membro de Qwen3-Omni que segue instruções e gera voz. Compreende texto, imagens, áudio e vídeo, incluindo dados de entrada mistos, e pode devolver tanto texto como voz natural. A Qwen descreve a arquitetura da família como capaz de suportar respostas de texto e voz em fluxo contínuo. O checkpoint Instruct exato contém componentes Thinker e Talker: a compreensão e a formação da resposta textual estão ligadas ao percurso de geração de voz. Os checkpoints Thinking e Captioner têm componentes e funções de saída diferentes, pelo que continuam a ser escolhas de modelo separadas.\n\nO âmbito multilingue publicado da família inclui 119 línguas de texto, 19 línguas de entrada de voz e 10 línguas de saída de voz. O russo está presente em ambas as listas de voz. O fabricante descreve uma conceção Thinker–Talker com mistura de especialistas, com processamento de áudio e visão para compreensão multimodal e geração de voz com múltiplos livros de códigos. As instruções de sistema podem moldar o papel do assistente e o estilo de resposta. Uma tarefa adequada é uma explicação com voz que dependa de um objeto visível e de uma questão falada do utilizador, em vez de uma conversão de texto em voz sem relação com estes elementos.\n\nOs guias práticos abrangem reconhecimento de voz, tradução de voz, análise de música e sons, áudio misto, questões sobre imagens, OCR, localização de objetos, descrição de vídeo e diálogo audiovisual. Para um assistente de formação, forneça um excerto de demonstração e peça que explique o procedimento visível a um principiante. Para uma questão sobre um produto, combine uma fotografia com o pedido falado e identifique o detalhe a discutir. Indique o ouvinte a que se destina e o resultado pretendido: uma breve resposta falada, um resumo textual ou ambos. Conserve os nomes das fontes e as medidas que devem permanecer inalterados.\n\nO fluxo de entrada do fabricante utiliza o processador, o modelo de formatação de chat e os utilitários de processamento multimédia correspondentes. O conteúdo multimédia pode ser intercalado com texto, e a descodificação é uma parte explícita da preparação de um pedido. Ao utilizar o áudio que acompanha um vídeo, mantenha use_audio_in_video consistente no pré-processamento, na geração e nos turnos sucessivos do diálogo. Uma questão audiovisual exige a inclusão da faixa de áudio; uma tarefa apenas visual deve indicar claramente esse âmbito. Selecione um excerto relevante e utilize imagens legíveis para que o assistente receba os detalhes necessários para a questão.\n\nA saída de voz é controlável. A interface de geração publicada permite pedir apenas texto com return_audio=False, e desativar Talker remove esse componente do percurso de saída de voz do modelo carregado. O exemplo em lote do fabricante devolve texto em vez de áudio. O checkpoint Instruct documenta três opções de voz — Ethan, Chelsie e Aiden — sendo Ethan a predefinida. O exemplo guarda uma forma de onda a 24,000 Hz. A seleção de voz e o formato de saída deste exemplo descrevem o fluxo de trabalho do modelo publicado, não todas as possíveis interfaces de serviços que o integrem.\n\nPara respostas faladas, o fabricante recomenda um estilo de conversa fácil de vocalizar em vez de formatação complexa. Um pedido pode solicitar uma explicação concisa na língua do ouvinte, conservando um resultado textual legível separado para revisão. Se a fonte contiver um nome, uma fórmula ou uma abreviatura pouco familiar, forneça o respetivo significado e a formulação preferida. Peça que a resposta distinga o conteúdo observado das suposições para que uma voz fluente não faça desaparecer a incerteza.\n\nAs configurações textuais de Thinker e Talker definem max_position_embeddings como 65,536. Os exemplos de vLLM da ficha partilhada escolhem separadamente uma definição de comprimento do modelo de 32,768 tokens e uma definição de geração de 16,384 tokens; estes valores continuam a ser exemplos, não limites universais independentes. O processamento visual e de áudio afeta a dimensão efetiva do pedido. O suporte da interface também varia: o exemplo de Transformers da ficha pode devolver voz, enquanto a discussão sobre disponibilização do modelo descreve um percurso orientado para Thinker e o tratamento separado de vídeo e áudio. Mantenha as capacidades de voz ao nível do modelo distintas do percurso de saída suportado por um ambiente de execução específico.\n\nUm resultado útil combina a resposta com o material de origem necessário para a rever. Para uma demonstração, verifique a ação descrita em relação ao excerto; para uma questão de áudio, compare a resposta com as palavras ou os sons audíveis; para um cálculo visual, verifique as unidades e as etiquetas. A família inclui um guia prático de chamadas de funções através de áudio, mas é a aplicação que continua a definir e executar qualquer ação de ferramenta externa. Um pedido gerado para agir é diferente de um resultado confirmado. O ponto forte desta edição é a interação multimodal com uma resposta falada opcional, enquanto a verificação factual, as ações posteriores e a edição multimédia exigem as suas próprias evidências e o seu próprio fluxo de trabalho.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Explain a supplied procedure to a novice\n\nWrite a text-only explanation for a novice using this supplied procedure: turn the dial to zero; insert the sample tray until it clicks; close the cover; press Start once; wait for the green completion light before opening. Keep the sequence and stopping condition exact. Use short conversational sentences and explain only what the supplied procedure establishes.A concise, easy-to-read textual procedure with the original action order and completion condition.Check opening the cover is never instructed before the green completion light.Qwen/Qwen3-Omni-30B-A3B-InstructQwen3-Omni-30B-A3B-Instruct compreende texto, imagens, áudio e vídeo e pode responder com texto e voz natural. A sua arquitetura Thinker–Talker suporta diálogo multimodal, com controlo explícito sobre a devolução de voz e a escolha da voz documentada a utilizar.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Qwen3-Omni-30B-A3B-Instruct é o membro de Qwen3-Omni que segue instruções e gera voz. Compreende texto, imagens, áudio e vídeo, incluindo dados de entrada mistos, e pode devolver tanto texto como voz natural. A Qwen descreve a arquitetura da família como capaz de suportar respostas de texto e voz em fluxo contínuo. O checkpoint Instruct exato contém componentes Thinker e Talker: a compreensão e a formação da resposta textual estão ligadas ao percurso de geração de voz. Os checkpoints Thinking e Captioner têm componentes e funções de saída diferentes, pelo que continuam a ser escolhas de modelo separadas.
O âmbito multilingue publicado da família inclui 119 línguas de texto, 19 línguas de entrada de voz e 10 línguas de saída de voz. O russo está presente em ambas as listas de voz. O fabricante descreve uma conceção Thinker–Talker com mistura de especialistas, com processamento de áudio e visão para compreensão multimodal e geração de voz com múltiplos livros de códigos. As instruções de sistema podem moldar o papel do assistente e o estilo de resposta. Uma tarefa adequada é uma explicação com voz que dependa de um objeto visível e de uma questão falada do utilizador, em vez de uma conversão de texto em voz sem relação com estes elementos.
Os guias práticos abrangem reconhecimento de voz, tradução de voz, análise de música e sons, áudio misto, questões sobre imagens, OCR, localização de objetos, descrição de vídeo e diálogo audiovisual. Para um assistente de formação, forneça um excerto de demonstração e peça que explique o procedimento visível a um principiante. Para uma questão sobre um produto, combine uma fotografia com o pedido falado e identifique o detalhe a discutir. Indique o ouvinte a que se destina e o resultado pretendido: uma breve resposta falada, um resumo textual ou ambos. Conserve os nomes das fontes e as medidas que devem permanecer inalterados.
O fluxo de entrada do fabricante utiliza o processador, o modelo de formatação de chat e os utilitários de processamento multimédia correspondentes. O conteúdo multimédia pode ser intercalado com texto, e a descodificação é uma parte explícita da preparação de um pedido. Ao utilizar o áudio que acompanha um vídeo, mantenha use_audio_in_video consistente no pré-processamento, na geração e nos turnos sucessivos do diálogo. Uma questão audiovisual exige a inclusão da faixa de áudio; uma tarefa apenas visual deve indicar claramente esse âmbito. Selecione um excerto relevante e utilize imagens legíveis para que o assistente receba os detalhes necessários para a questão.
A saída de voz é controlável. A interface de geração publicada permite pedir apenas texto com return_audio=False, e desativar Talker remove esse componente do percurso de saída de voz do modelo carregado. O exemplo em lote do fabricante devolve texto em vez de áudio. O checkpoint Instruct documenta três opções de voz — Ethan, Chelsie e Aiden — sendo Ethan a predefinida. O exemplo guarda uma forma de onda a 24,000 Hz. A seleção de voz e o formato de saída deste exemplo descrevem o fluxo de trabalho do modelo publicado, não todas as possíveis interfaces de serviços que o integrem.
Para respostas faladas, o fabricante recomenda um estilo de conversa fácil de vocalizar em vez de formatação complexa. Um pedido pode solicitar uma explicação concisa na língua do ouvinte, conservando um resultado textual legível separado para revisão. Se a fonte contiver um nome, uma fórmula ou uma abreviatura pouco familiar, forneça o respetivo significado e a formulação preferida. Peça que a resposta distinga o conteúdo observado das suposições para que uma voz fluente não faça desaparecer a incerteza.
As configurações textuais de Thinker e Talker definem max_position_embeddings como 65,536. Os exemplos de vLLM da ficha partilhada escolhem separadamente uma definição de comprimento do modelo de 32,768 tokens e uma definição de geração de 16,384 tokens; estes valores continuam a ser exemplos, não limites universais independentes. O processamento visual e de áudio afeta a dimensão efetiva do pedido. O suporte da interface também varia: o exemplo de Transformers da ficha pode devolver voz, enquanto a discussão sobre disponibilização do modelo descreve um percurso orientado para Thinker e o tratamento separado de vídeo e áudio. Mantenha as capacidades de voz ao nível do modelo distintas do percurso de saída suportado por um ambiente de execução específico.
Um resultado útil combina a resposta com o material de origem necessário para a rever. Para uma demonstração, verifique a ação descrita em relação ao excerto; para uma questão de áudio, compare a resposta com as palavras ou os sons audíveis; para um cálculo visual, verifique as unidades e as etiquetas. A família inclui um guia prático de chamadas de funções através de áudio, mas é a aplicação que continua a definir e executar qualquer ação de ferramenta externa. Um pedido gerado para agir é diferente de um resultado confirmado. O ponto forte desta edição é a interação multimodal com uma resposta falada opcional, enquanto a verificação factual, as ações posteriores e a edição multimédia exigem as suas próprias evidências e o seu próprio fluxo de trabalho.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites Qwen/Qwen3-Omni-30B-A3B-Instruct | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites Exemplos: system, user, assistant, tool, function Condições: Estes papéis são representados explicitamente pelos tipos de compatibilidade do código-fonte; o conjunto exato de papéis continua específico do modelo. Depende do modelo | Predefinição— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: role=tool; use o ID realmente devolvido | Predefinição— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: Reintroduza o raciocínio realmente devolvido quando este modelo o utiliza | Predefinição— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores e limites function Depende do modelo | Predefinição— |
Campotools[].function.name | Tipostring | RequisitoObrigatório | Valores e limites Aplica-se quando: Função fornecida como ferramenta | Predefinição— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores e limites | Predefinição— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores e limites Campo de compatibilidade | Predefinição— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores e limites text | Predefinição— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores e limites Condições: provider.options é rejeitado nesta rota textual Ultra | Predefinição— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores e limites Condições: 1h é rejeitado nos locais efetivos da cache de prompts | Predefinição— |
Texto · Texto UTF8
messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages |
Parâmetromaterial_types | Contratotext |
Parâmetromessages | ContratoLista de mensagens com estrutura role/content |
Parâmetrofile_material | ContratoDocumento UTF-8 real inserido como texto literal; nenhum ID de ficheiro inferido |
Parâmetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parâmetrocontrol_scope | ContratoEspecífico do modelo; as ferramentas de funções do utilizador diferem das ferramentas alojadas |
Parâmetrooutput_modalities | Contratotext |
Parâmetrohosted_operations | Contratofalse |
Parâmetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envie o ID exato do modelo com messages.
O comprimento do contexto não é um limite de saída.
Um ficheiro de texto pode fornecer texto literal; as entradas de imagem/áudio/objeto de ficheiro exigem uma associação exata.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.0002 / 1K tokens Saída · Tokens de saída $0.0008 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "Qwen/Qwen3-Omni-30B-A3B-Instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='Qwen/Qwen3-Omni-30B-A3B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='Qwen/Qwen3-Omni-30B-A3B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve cada opção com o conteúdo, as chamadas de ferramentas e o raciocínio. Em SSE, junte os deltas por índice de opção e ferramenta e mantenha o motivo final de conclusão e os dados de utilização.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra Qwen/Qwen3-Omni-30B-A3B-Instruct
Use os caminhos dos métodos indicados acima.
Qwen/Qwen3-Omni-30B-A3B-InstructQwen3-Omni-30B-A3B-Instruct compreende texto, imagens, áudio e vídeo e pode responder com texto e voz natural. A sua arquitetura Thinker–Talker suporta diálogo multimodal, com controlo explícito sobre a devolução de voz e a escolha da voz documentada a utilizar.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Qwen3-Omni-30B-A3B-Instruct é o membro de Qwen3-Omni que segue instruções e gera voz. Compreende texto, imagens, áudio e vídeo, incluindo dados de entrada mistos, e pode devolver tanto texto como voz natural. A Qwen descreve a arquitetura da família como capaz de suportar respostas de texto e voz em fluxo contínuo. O checkpoint Instruct exato contém componentes Thinker e Talker: a compreensão e a formação da resposta textual estão ligadas ao percurso de geração de voz. Os checkpoints Thinking e Captioner têm componentes e funções de saída diferentes, pelo que continuam a ser escolhas de modelo separadas.
O âmbito multilingue publicado da família inclui 119 línguas de texto, 19 línguas de entrada de voz e 10 línguas de saída de voz. O russo está presente em ambas as listas de voz. O fabricante descreve uma conceção Thinker–Talker com mistura de especialistas, com processamento de áudio e visão para compreensão multimodal e geração de voz com múltiplos livros de códigos. As instruções de sistema podem moldar o papel do assistente e o estilo de resposta. Uma tarefa adequada é uma explicação com voz que dependa de um objeto visível e de uma questão falada do utilizador, em vez de uma conversão de texto em voz sem relação com estes elementos.
Os guias práticos abrangem reconhecimento de voz, tradução de voz, análise de música e sons, áudio misto, questões sobre imagens, OCR, localização de objetos, descrição de vídeo e diálogo audiovisual. Para um assistente de formação, forneça um excerto de demonstração e peça que explique o procedimento visível a um principiante. Para uma questão sobre um produto, combine uma fotografia com o pedido falado e identifique o detalhe a discutir. Indique o ouvinte a que se destina e o resultado pretendido: uma breve resposta falada, um resumo textual ou ambos. Conserve os nomes das fontes e as medidas que devem permanecer inalterados.
O fluxo de entrada do fabricante utiliza o processador, o modelo de formatação de chat e os utilitários de processamento multimédia correspondentes. O conteúdo multimédia pode ser intercalado com texto, e a descodificação é uma parte explícita da preparação de um pedido. Ao utilizar o áudio que acompanha um vídeo, mantenha use_audio_in_video consistente no pré-processamento, na geração e nos turnos sucessivos do diálogo. Uma questão audiovisual exige a inclusão da faixa de áudio; uma tarefa apenas visual deve indicar claramente esse âmbito. Selecione um excerto relevante e utilize imagens legíveis para que o assistente receba os detalhes necessários para a questão.
A saída de voz é controlável. A interface de geração publicada permite pedir apenas texto com return_audio=False, e desativar Talker remove esse componente do percurso de saída de voz do modelo carregado. O exemplo em lote do fabricante devolve texto em vez de áudio. O checkpoint Instruct documenta três opções de voz — Ethan, Chelsie e Aiden — sendo Ethan a predefinida. O exemplo guarda uma forma de onda a 24,000 Hz. A seleção de voz e o formato de saída deste exemplo descrevem o fluxo de trabalho do modelo publicado, não todas as possíveis interfaces de serviços que o integrem.
Para respostas faladas, o fabricante recomenda um estilo de conversa fácil de vocalizar em vez de formatação complexa. Um pedido pode solicitar uma explicação concisa na língua do ouvinte, conservando um resultado textual legível separado para revisão. Se a fonte contiver um nome, uma fórmula ou uma abreviatura pouco familiar, forneça o respetivo significado e a formulação preferida. Peça que a resposta distinga o conteúdo observado das suposições para que uma voz fluente não faça desaparecer a incerteza.
As configurações textuais de Thinker e Talker definem max_position_embeddings como 65,536. Os exemplos de vLLM da ficha partilhada escolhem separadamente uma definição de comprimento do modelo de 32,768 tokens e uma definição de geração de 16,384 tokens; estes valores continuam a ser exemplos, não limites universais independentes. O processamento visual e de áudio afeta a dimensão efetiva do pedido. O suporte da interface também varia: o exemplo de Transformers da ficha pode devolver voz, enquanto a discussão sobre disponibilização do modelo descreve um percurso orientado para Thinker e o tratamento separado de vídeo e áudio. Mantenha as capacidades de voz ao nível do modelo distintas do percurso de saída suportado por um ambiente de execução específico.
Um resultado útil combina a resposta com o material de origem necessário para a rever. Para uma demonstração, verifique a ação descrita em relação ao excerto; para uma questão de áudio, compare a resposta com as palavras ou os sons audíveis; para um cálculo visual, verifique as unidades e as etiquetas. A família inclui um guia prático de chamadas de funções através de áudio, mas é a aplicação que continua a definir e executar qualquer ação de ferramenta externa. Um pedido gerado para agir é diferente de um resultado confirmado. O ponto forte desta edição é a interação multimodal com uma resposta falada opcional, enquanto a verificação factual, as ações posteriores e a edição multimédia exigem as suas próprias evidências e o seu próprio fluxo de trabalho.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites Qwen/Qwen3-Omni-30B-A3B-Instruct | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites user, assistant | Predefinição— |
Campomessages[].content | Tipostring | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoObrigatório | Valores e limites | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Texto · Texto UTF-8
Cadeia de caracteres messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages, max_tokens |
Parâmetrooptional_controls | Contratostream |
Parâmetromaterial_types | Contratotext |
Parâmetrotext_file_material | ContratoLeia o documento UTF-8 real e coloque o texto na entrada indicada ou na cadeia de conteúdo da mensagem. |
Ciclo de vida: synchronous_or_streamed
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.0002 / 1K tokens Saída · Tokens de saída $0.0008 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "Qwen/Qwen3-Omni-30B-A3B-Instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen3-Omni-30B-A3B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen3-Omni-30B-A3B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve todos os blocos de conteúdo, as assinaturas de raciocínio e os ID reais de utilização de ferramentas. Junte todos os deltas de blocos SSE; o primeiro bloco de texto não é a saída completa.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra Qwen/Qwen3-Omni-30B-A3B-Instruct
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
Explain a supplied procedure to a novice\n\nWrite a text-only explanation for a novice using this supplied procedure: turn the dial to zero; insert the sample tray until it clicks; close the cover; press Start once; wait for the green completion light before opening. Keep the sequence and stopping condition exact. Use short conversational sentences and explain only what the supplied procedure establishes.A concise, easy-to-read textual procedure with the original action order and completion condition.Check opening the cover is never instructed before the green completion light.