Qwen3.5-Omni-Flash é o alias da família Qwen multimodal da Alibaba para criação de texto, assistentes de voz e análise multimédia. Aceita texto, imagens, áudio e vídeo numa entrada combinada e devolve texto ou texto com fala. O fabricante descreve atualmente o alias como funcionalmente equivalente a Qwen3.5-Omni-Flash 2026-03-15. O nome Flash, por si só, não estabelece uma garantia de tempo de resposta nem uma versão permanente específica.
A entrada pode juntar uma imagem a uma pergunta falada ou combinar os elementos visuais e o som de um vídeo com instruções escritas. Isto torna-o útil quando um resumo apenas textual perderia a ligação entre o que se vê e o que se ouve. Para um pedido sobre conteúdos multimédia, solicite separadamente a sequência visível, o texto no ecrã e o conteúdo falado, e peça marcas temporais relativas à fonte quando a ordem dos acontecimentos for relevante. Os efeitos sonoros e outros sons não verbais podem contribuir para a análise a par da fala.
Para uma resposta vocal, especifique a língua, o público e a forma de expressão da resposta. O guia da Qwen documenta instruções para volume, velocidade de fala e emoção. Apresenta 113 línguas e dialetos de entrada áudio e 36 línguas e dialetos de saída de fala, incluindo inglês, francês, alemão e russo. O catálogo de vozes identifica Tina como a voz predefinida e inclui opções como Serena e Ethan. Escolha a voz e peça uma explicação concisa a um ritmo moderado, em vez de depender da voz de entrada para determinar o estilo da saída.
O fluxo de fala HTTP documentado devolve texto em streaming e blocos de áudio codificados em Base64. O exemplo WAV usa 24 kHz, mono, PCM de 16 bits; uma aplicação pode reunir os blocos num ficheiro áudio ou descodificá-los para reprodução à medida que chegam. Trata-se de geração em streaming a partir de um pedido submetido. A deteção de turnos em direto, o tratamento de interrupções e a conversa por microfone pertencem a modelos em tempo real com designações separadas. A tabela da família Qwen3.5-Omni não oferece um modo de pensamento profundo.
A ficha do modelo Flash apresenta pesquisa Web e assinala Structured Outputs como não suportado em ambas as tabelas regionais. Pode pedir secções identificadas em texto normal, mas essa instrução é distinta de um modo JSON com restrições. Function Calling está documentado para a implementação Beijing Chat Completions da Alibaba com saída textual e não é suportado na tabela de Singapura; a aplicação realiza a ação selecionada da ferramenta. Conclusão de prefixo, cache de contexto e afinação não são suportadas. A tabela de Pequim do alias suporta inferência em lote, enquanto a tabela de Singapura não a suporta.
A janela de contexto publicada é de 262,144 tokens, com uma entrada máxima de 196,608 tokens e uma saída máxima de 65,536 tokens. Os conteúdos multimédia mistos e o texto partilham o orçamento de contexto. O guia HTTP da Alibaba permite até três horas de áudio ou uma hora de vídeo para esta série; apresenta áudio AMR, WAV, 3GP, 3GPP, AAC e MP3 e vídeo MP4, AVI, MKV, MOV, FLV e WMV. Os ficheiros áudio ou vídeo por URL podem ter até 2 GB, enquanto os conteúdos multimédia codificados em Base64 têm de ter menos de 10 MB. Estes são os limites do fluxo de ficheiros do fabricante, distintos da descrição, na apresentação do modelo, de compreensão de mais de dez horas de áudio ou mais de 400 segundos de vídeo 720p amostrado a 1 FPS.
As imagens têm limites de preparação próprios nesse guia: até 20 MB por imagem por URL, dimensões superiores a 10 píxeis em cada lado e uma proporção não mais extrema do que 200:1. O guia permite até 2,048 imagens ou ficheiros áudio por URL e 512 ficheiros vídeo por URL; a entrada Base64 permite até 250 ficheiros. Estes limites de transferência continuam sujeitos ao orçamento partilhado de tokens de entrada. A série pode combinar vários tipos de conteúdos multimédia num único pedido. Escolha o excerto relevante, torne legíveis as etiquetas pequenas e explique como se relacionam as entradas separadas. Os limites documentados de quantidade de ficheiros variam por modalidade e método de transferência, mas todas as entradas têm, ainda assim, de caber no orçamento partilhado de tokens.
O modelo Flash sem data suporta clonagem de voz personalizada através de um fluxo separado de criação de voz. A referência tem de conter pelo menos três segundos de fala clara e ininterrupta, com pausas não superiores a dois segundos; use fala normal sem música, canto, ruído ou outro falante. Para WAV, use áudio de 16 bits. A referência produz uma voz associada a um modelo de destino identificado, e esse destino tem de corresponder ao modelo posteriormente usado para a fala. A Alibaba recomenda 10–20 segundos de fala mono limpa a pelo menos 24 kHz, com um máximo de 60 segundos e um ficheiro com menos de 10 MB. Os formatos de referência são WAV, MP3 e M4A. A versão Flash de 15 de março não suporta este fluxo de clonagem.
Para uma explicação de suporte com conteúdos multimédia mistos, forneça uma captura de ecrã, uma pergunta gravada e a terminologia do produto em texto. Um pedido ilustrativo é: «Use as etiquetas na captura de ecrã, responda à pergunta áudio em francês e dê uma explicação curta com uma expressão falada mais lenta e tranquilizadora.» Para análise, em vez de diálogo, peça observações cronológicas, texto visível exato e fala em secções separadas. Indique o público pretendido e se quer transcrição, interpretação ou um resumo conciso.
", "aboutText": "Qwen3.5-Omni-Flash é o alias da família Qwen multimodal da Alibaba para criação de texto, assistentes de voz e análise multimédia. Aceita texto, imagens, áudio e vídeo numa entrada combinada e devolve texto ou texto com fala. O fabricante descreve atualmente o alias como funcionalmente equivalente a Qwen3.5-Omni-Flash 2026-03-15. O nome Flash, por si só, não estabelece uma garantia de tempo de resposta nem uma versão permanente específica.\n\nA entrada pode juntar uma imagem a uma pergunta falada ou combinar os elementos visuais e o som de um vídeo com instruções escritas. Isto torna-o útil quando um resumo apenas textual perderia a ligação entre o que se vê e o que se ouve. Para um pedido sobre conteúdos multimédia, solicite separadamente a sequência visível, o texto no ecrã e o conteúdo falado, e peça marcas temporais relativas à fonte quando a ordem dos acontecimentos for relevante. Os efeitos sonoros e outros sons não verbais podem contribuir para a análise a par da fala.\n\nPara uma resposta vocal, especifique a língua, o público e a forma de expressão da resposta. O guia da Qwen documenta instruções para volume, velocidade de fala e emoção. Apresenta 113 línguas e dialetos de entrada áudio e 36 línguas e dialetos de saída de fala, incluindo inglês, francês, alemão e russo. O catálogo de vozes identifica Tina como a voz predefinida e inclui opções como Serena e Ethan. Escolha a voz e peça uma explicação concisa a um ritmo moderado, em vez de depender da voz de entrada para determinar o estilo da saída.\n\nO fluxo de fala HTTP documentado devolve texto em streaming e blocos de áudio codificados em Base64. O exemplo WAV usa 24 kHz, mono, PCM de 16 bits; uma aplicação pode reunir os blocos num ficheiro áudio ou descodificá-los para reprodução à medida que chegam. Trata-se de geração em streaming a partir de um pedido submetido. A deteção de turnos em direto, o tratamento de interrupções e a conversa por microfone pertencem a modelos em tempo real com designações separadas. A tabela da família Qwen3.5-Omni não oferece um modo de pensamento profundo.\n\nA ficha do modelo Flash apresenta pesquisa Web e assinala Structured Outputs como não suportado em ambas as tabelas regionais. Pode pedir secções identificadas em texto normal, mas essa instrução é distinta de um modo JSON com restrições. Function Calling está documentado para a implementação Beijing Chat Completions da Alibaba com saída textual e não é suportado na tabela de Singapura; a aplicação realiza a ação selecionada da ferramenta. Conclusão de prefixo, cache de contexto e afinação não são suportadas. A tabela de Pequim do alias suporta inferência em lote, enquanto a tabela de Singapura não a suporta.\n\nA janela de contexto publicada é de 262,144 tokens, com uma entrada máxima de 196,608 tokens e uma saída máxima de 65,536 tokens. Os conteúdos multimédia mistos e o texto partilham o orçamento de contexto. O guia HTTP da Alibaba permite até três horas de áudio ou uma hora de vídeo para esta série; apresenta áudio AMR, WAV, 3GP, 3GPP, AAC e MP3 e vídeo MP4, AVI, MKV, MOV, FLV e WMV. Os ficheiros áudio ou vídeo por URL podem ter até 2 GB, enquanto os conteúdos multimédia codificados em Base64 têm de ter menos de 10 MB. Estes são os limites do fluxo de ficheiros do fabricante, distintos da descrição, na apresentação do modelo, de compreensão de mais de dez horas de áudio ou mais de 400 segundos de vídeo 720p amostrado a 1 FPS.\n\nAs imagens têm limites de preparação próprios nesse guia: até 20 MB por imagem por URL, dimensões superiores a 10 píxeis em cada lado e uma proporção não mais extrema do que 200:1. O guia permite até 2,048 imagens ou ficheiros áudio por URL e 512 ficheiros vídeo por URL; a entrada Base64 permite até 250 ficheiros. Estes limites de transferência continuam sujeitos ao orçamento partilhado de tokens de entrada. A série pode combinar vários tipos de conteúdos multimédia num único pedido. Escolha o excerto relevante, torne legíveis as etiquetas pequenas e explique como se relacionam as entradas separadas. Os limites documentados de quantidade de ficheiros variam por modalidade e método de transferência, mas todas as entradas têm, ainda assim, de caber no orçamento partilhado de tokens.\n\nO modelo Flash sem data suporta clonagem de voz personalizada através de um fluxo separado de criação de voz. A referência tem de conter pelo menos três segundos de fala clara e ininterrupta, com pausas não superiores a dois segundos; use fala normal sem música, canto, ruído ou outro falante. Para WAV, use áudio de 16 bits. A referência produz uma voz associada a um modelo de destino identificado, e esse destino tem de corresponder ao modelo posteriormente usado para a fala. A Alibaba recomenda 10–20 segundos de fala mono limpa a pelo menos 24 kHz, com um máximo de 60 segundos e um ficheiro com menos de 10 MB. Os formatos de referência são WAV, MP3 e M4A. A versão Flash de 15 de março não suporta este fluxo de clonagem.\n\nPara uma explicação de suporte com conteúdos multimédia mistos, forneça uma captura de ecrã, uma pergunta gravada e a terminologia do produto em texto. Um pedido ilustrativo é: «Use as etiquetas na captura de ecrã, responda à pergunta áudio em francês e dê uma explicação curta com uma expressão falada mais lenta e tranquilizadora.» Para análise, em vez de diálogo, peça observações cronológicas, texto visível exato e fala em secções separadas. Indique o público pretendido e se quer transcrição, interpretação ou um resumo conciso.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Organize a transcribed demonstration brief\n\nUse these text notes from a demonstration: 00:03 visible label 'Add water'; narration says 'Use cold water'; 00:09 visible label 'Stir'; narration says 'Stir for ten seconds'. Prepare separate sections for visible instructions, spoken instructions and their combined chronological procedure. Use only the notes and do not generate speech or infer unseen actions.Three text sections preserving timestamps and separating visible wording from spoken content.The combined procedure retains the cold-water condition and the ten-second duration with their stated source.qwen3.5-omni-flashQwen3.5-Omni-Flash combina texto, imagens, áudio e vídeo e responde com texto ou fala. Suporta explicações de conteúdos multimédia mistos e respostas vocais com forma de expressão instruída, com um contexto de 262,144 tokens e um perfil próprio de ferramentas e formato de saída.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Qwen3.5-Omni-Flash é o alias da família Qwen multimodal da Alibaba para criação de texto, assistentes de voz e análise multimédia. Aceita texto, imagens, áudio e vídeo numa entrada combinada e devolve texto ou texto com fala. O fabricante descreve atualmente o alias como funcionalmente equivalente a Qwen3.5-Omni-Flash 2026-03-15. O nome Flash, por si só, não estabelece uma garantia de tempo de resposta nem uma versão permanente específica.
A entrada pode juntar uma imagem a uma pergunta falada ou combinar os elementos visuais e o som de um vídeo com instruções escritas. Isto torna-o útil quando um resumo apenas textual perderia a ligação entre o que se vê e o que se ouve. Para um pedido sobre conteúdos multimédia, solicite separadamente a sequência visível, o texto no ecrã e o conteúdo falado, e peça marcas temporais relativas à fonte quando a ordem dos acontecimentos for relevante. Os efeitos sonoros e outros sons não verbais podem contribuir para a análise a par da fala.
Para uma resposta vocal, especifique a língua, o público e a forma de expressão da resposta. O guia da Qwen documenta instruções para volume, velocidade de fala e emoção. Apresenta 113 línguas e dialetos de entrada áudio e 36 línguas e dialetos de saída de fala, incluindo inglês, francês, alemão e russo. O catálogo de vozes identifica Tina como a voz predefinida e inclui opções como Serena e Ethan. Escolha a voz e peça uma explicação concisa a um ritmo moderado, em vez de depender da voz de entrada para determinar o estilo da saída.
O fluxo de fala HTTP documentado devolve texto em streaming e blocos de áudio codificados em Base64. O exemplo WAV usa 24 kHz, mono, PCM de 16 bits; uma aplicação pode reunir os blocos num ficheiro áudio ou descodificá-los para reprodução à medida que chegam. Trata-se de geração em streaming a partir de um pedido submetido. A deteção de turnos em direto, o tratamento de interrupções e a conversa por microfone pertencem a modelos em tempo real com designações separadas. A tabela da família Qwen3.5-Omni não oferece um modo de pensamento profundo.
A ficha do modelo Flash apresenta pesquisa Web e assinala Structured Outputs como não suportado em ambas as tabelas regionais. Pode pedir secções identificadas em texto normal, mas essa instrução é distinta de um modo JSON com restrições. Function Calling está documentado para a implementação Beijing Chat Completions da Alibaba com saída textual e não é suportado na tabela de Singapura; a aplicação realiza a ação selecionada da ferramenta. Conclusão de prefixo, cache de contexto e afinação não são suportadas. A tabela de Pequim do alias suporta inferência em lote, enquanto a tabela de Singapura não a suporta.
A janela de contexto publicada é de 262,144 tokens, com uma entrada máxima de 196,608 tokens e uma saída máxima de 65,536 tokens. Os conteúdos multimédia mistos e o texto partilham o orçamento de contexto. O guia HTTP da Alibaba permite até três horas de áudio ou uma hora de vídeo para esta série; apresenta áudio AMR, WAV, 3GP, 3GPP, AAC e MP3 e vídeo MP4, AVI, MKV, MOV, FLV e WMV. Os ficheiros áudio ou vídeo por URL podem ter até 2 GB, enquanto os conteúdos multimédia codificados em Base64 têm de ter menos de 10 MB. Estes são os limites do fluxo de ficheiros do fabricante, distintos da descrição, na apresentação do modelo, de compreensão de mais de dez horas de áudio ou mais de 400 segundos de vídeo 720p amostrado a 1 FPS.
As imagens têm limites de preparação próprios nesse guia: até 20 MB por imagem por URL, dimensões superiores a 10 píxeis em cada lado e uma proporção não mais extrema do que 200:1. O guia permite até 2,048 imagens ou ficheiros áudio por URL e 512 ficheiros vídeo por URL; a entrada Base64 permite até 250 ficheiros. Estes limites de transferência continuam sujeitos ao orçamento partilhado de tokens de entrada. A série pode combinar vários tipos de conteúdos multimédia num único pedido. Escolha o excerto relevante, torne legíveis as etiquetas pequenas e explique como se relacionam as entradas separadas. Os limites documentados de quantidade de ficheiros variam por modalidade e método de transferência, mas todas as entradas têm, ainda assim, de caber no orçamento partilhado de tokens.
O modelo Flash sem data suporta clonagem de voz personalizada através de um fluxo separado de criação de voz. A referência tem de conter pelo menos três segundos de fala clara e ininterrupta, com pausas não superiores a dois segundos; use fala normal sem música, canto, ruído ou outro falante. Para WAV, use áudio de 16 bits. A referência produz uma voz associada a um modelo de destino identificado, e esse destino tem de corresponder ao modelo posteriormente usado para a fala. A Alibaba recomenda 10–20 segundos de fala mono limpa a pelo menos 24 kHz, com um máximo de 60 segundos e um ficheiro com menos de 10 MB. Os formatos de referência são WAV, MP3 e M4A. A versão Flash de 15 de março não suporta este fluxo de clonagem.
Para uma explicação de suporte com conteúdos multimédia mistos, forneça uma captura de ecrã, uma pergunta gravada e a terminologia do produto em texto. Um pedido ilustrativo é: «Use as etiquetas na captura de ecrã, responda à pergunta áudio em francês e dê uma explicação curta com uma expressão falada mais lenta e tranquilizadora.» Para análise, em vez de diálogo, peça observações cronológicas, texto visível exato e fala em secções separadas. Indique o público pretendido e se quer transcrição, interpretação ou um resumo conciso.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen3.5-omni-flash | 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 $0.00069 / 1K tokens Saída · Tokens de saída $0.00418 / 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": "qwen3.5-omni-flash", "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',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',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 qwen3.5-omni-flash
Use os caminhos dos métodos indicados acima.
qwen3.5-omni-flashQwen3.5-Omni-Flash combina texto, imagens, áudio e vídeo e responde com texto ou fala. Suporta explicações de conteúdos multimédia mistos e respostas vocais com forma de expressão instruída, com um contexto de 262,144 tokens e um perfil próprio de ferramentas e formato de saída.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Qwen3.5-Omni-Flash é o alias da família Qwen multimodal da Alibaba para criação de texto, assistentes de voz e análise multimédia. Aceita texto, imagens, áudio e vídeo numa entrada combinada e devolve texto ou texto com fala. O fabricante descreve atualmente o alias como funcionalmente equivalente a Qwen3.5-Omni-Flash 2026-03-15. O nome Flash, por si só, não estabelece uma garantia de tempo de resposta nem uma versão permanente específica.
A entrada pode juntar uma imagem a uma pergunta falada ou combinar os elementos visuais e o som de um vídeo com instruções escritas. Isto torna-o útil quando um resumo apenas textual perderia a ligação entre o que se vê e o que se ouve. Para um pedido sobre conteúdos multimédia, solicite separadamente a sequência visível, o texto no ecrã e o conteúdo falado, e peça marcas temporais relativas à fonte quando a ordem dos acontecimentos for relevante. Os efeitos sonoros e outros sons não verbais podem contribuir para a análise a par da fala.
Para uma resposta vocal, especifique a língua, o público e a forma de expressão da resposta. O guia da Qwen documenta instruções para volume, velocidade de fala e emoção. Apresenta 113 línguas e dialetos de entrada áudio e 36 línguas e dialetos de saída de fala, incluindo inglês, francês, alemão e russo. O catálogo de vozes identifica Tina como a voz predefinida e inclui opções como Serena e Ethan. Escolha a voz e peça uma explicação concisa a um ritmo moderado, em vez de depender da voz de entrada para determinar o estilo da saída.
O fluxo de fala HTTP documentado devolve texto em streaming e blocos de áudio codificados em Base64. O exemplo WAV usa 24 kHz, mono, PCM de 16 bits; uma aplicação pode reunir os blocos num ficheiro áudio ou descodificá-los para reprodução à medida que chegam. Trata-se de geração em streaming a partir de um pedido submetido. A deteção de turnos em direto, o tratamento de interrupções e a conversa por microfone pertencem a modelos em tempo real com designações separadas. A tabela da família Qwen3.5-Omni não oferece um modo de pensamento profundo.
A ficha do modelo Flash apresenta pesquisa Web e assinala Structured Outputs como não suportado em ambas as tabelas regionais. Pode pedir secções identificadas em texto normal, mas essa instrução é distinta de um modo JSON com restrições. Function Calling está documentado para a implementação Beijing Chat Completions da Alibaba com saída textual e não é suportado na tabela de Singapura; a aplicação realiza a ação selecionada da ferramenta. Conclusão de prefixo, cache de contexto e afinação não são suportadas. A tabela de Pequim do alias suporta inferência em lote, enquanto a tabela de Singapura não a suporta.
A janela de contexto publicada é de 262,144 tokens, com uma entrada máxima de 196,608 tokens e uma saída máxima de 65,536 tokens. Os conteúdos multimédia mistos e o texto partilham o orçamento de contexto. O guia HTTP da Alibaba permite até três horas de áudio ou uma hora de vídeo para esta série; apresenta áudio AMR, WAV, 3GP, 3GPP, AAC e MP3 e vídeo MP4, AVI, MKV, MOV, FLV e WMV. Os ficheiros áudio ou vídeo por URL podem ter até 2 GB, enquanto os conteúdos multimédia codificados em Base64 têm de ter menos de 10 MB. Estes são os limites do fluxo de ficheiros do fabricante, distintos da descrição, na apresentação do modelo, de compreensão de mais de dez horas de áudio ou mais de 400 segundos de vídeo 720p amostrado a 1 FPS.
As imagens têm limites de preparação próprios nesse guia: até 20 MB por imagem por URL, dimensões superiores a 10 píxeis em cada lado e uma proporção não mais extrema do que 200:1. O guia permite até 2,048 imagens ou ficheiros áudio por URL e 512 ficheiros vídeo por URL; a entrada Base64 permite até 250 ficheiros. Estes limites de transferência continuam sujeitos ao orçamento partilhado de tokens de entrada. A série pode combinar vários tipos de conteúdos multimédia num único pedido. Escolha o excerto relevante, torne legíveis as etiquetas pequenas e explique como se relacionam as entradas separadas. Os limites documentados de quantidade de ficheiros variam por modalidade e método de transferência, mas todas as entradas têm, ainda assim, de caber no orçamento partilhado de tokens.
O modelo Flash sem data suporta clonagem de voz personalizada através de um fluxo separado de criação de voz. A referência tem de conter pelo menos três segundos de fala clara e ininterrupta, com pausas não superiores a dois segundos; use fala normal sem música, canto, ruído ou outro falante. Para WAV, use áudio de 16 bits. A referência produz uma voz associada a um modelo de destino identificado, e esse destino tem de corresponder ao modelo posteriormente usado para a fala. A Alibaba recomenda 10–20 segundos de fala mono limpa a pelo menos 24 kHz, com um máximo de 60 segundos e um ficheiro com menos de 10 MB. Os formatos de referência são WAV, MP3 e M4A. A versão Flash de 15 de março não suporta este fluxo de clonagem.
Para uma explicação de suporte com conteúdos multimédia mistos, forneça uma captura de ecrã, uma pergunta gravada e a terminologia do produto em texto. Um pedido ilustrativo é: «Use as etiquetas na captura de ecrã, responda à pergunta áudio em francês e dê uma explicação curta com uma expressão falada mais lenta e tranquilizadora.» Para análise, em vez de diálogo, peça observações cronológicas, texto visível exato e fala em secções separadas. Indique o público pretendido e se quer transcrição, interpretação ou um resumo conciso.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen3.5-omni-flash | 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 $0.00069 / 1K tokens Saída · Tokens de saída $0.00418 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "qwen3.5-omni-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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 qwen3.5-omni-flash
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
Organize a transcribed demonstration brief\n\nUse these text notes from a demonstration: 00:03 visible label 'Add water'; narration says 'Use cold water'; 00:09 visible label 'Stir'; narration says 'Stir for ten seconds'. Prepare separate sections for visible instructions, spoken instructions and their combined chronological procedure. Use only the notes and do not generate speech or infer unseen actions.Three text sections preserving timestamps and separating visible wording from spoken content.The combined procedure retains the cold-water condition and the ten-second duration with their stated source.