Qwen-Audio est un modèle d'interaction vocale en temps réel de bout en bout qui utilise le protocole de streaming WebSocket pour des conversations vocales à faible latence. Les cas d'usage incluent les assistants vocaux, le service client intelligent et les compagnons IA.
Vue d’ensemble
Qwen-Audio assure la conversion audio en temps réel en parole et en texte, avec prise en charge d'une entrée audio en streaming et d'une sortie vocale et textuelle en streaming.
Outre WebSocket, ce modèle prend en charge AOQ et WebRTC. Pour une intégration côté client donnant la priorité à une latence stable, aux interactions sur réseau dégradé et à la réduction du bruit et de l’écho en communication duplex intégral en temps réel, envisagez d’abord AOQ. Pour comparer les protocoles et choisir, consultez la Référence de l’API.
- Prise en charge du Function Calling pour l'appel d'outils ; le modèle peut décider de manière autonome s'il convient d'appeler des outils externes pour obtenir des informations
- Prise en charge de la recherche Web ; le modèle peut décider de manière autonome s'il faut effectuer une recherche en fonction des questions en temps réel et renvoyer les sources des résultats de recherche ; elle peut être activée en même temps que le Function Calling
- Gestion du contexte de conversation : créez, récupérez et supprimez des éléments de conversation pour ajouter un historique ou retirer les éléments sans rapport
- Sortie vocale expressive qui adapte dynamiquement le ton, le rythme et l’émotion au contexte de la conversation
- Prise en charge des voix système et des voix clonées ; utilisez le clonage de voix pour créer une voix IA personnalisée pour la sortie vocale
qwen-audio-3.1-realtime-plus, qwen-audio-3.1-realtime-flash, qwen-audio-3.0-realtime-plus et qwen-audio-3.0-realtime-flash.
- Prise en charge de trois modes d'interaction : VAD acoustique (server_vad), tours de parole sémantiques intelligents (smart_turn et smart_turn_v2, ce dernier étant recommandé) et contrôle manuel (push-to-talk)
- Les modes smart_turn / smart_turn_v2 combinent la perception acoustique et la compréhension sémantique pour déterminer les limites des tours de parole ; les sons d'acquiescement sans signification (comme « euh » ou « ah ») n'interrompent donc pas la conversation
- L'amélioration du locuteur est prise en charge en modes smart_turn / smart_turn_v2 ; après avoir fourni un audio préenregistré de l'utilisateur cible, le modèle peut se verrouiller précisément sur ce locuteur lors de conversations duplex intégral, en bloquant efficacement les autres voix et le bruit de fond
Fonctionnement
Qwen-Audio utilise une connexion full-duplex WebSocket reposant sur une architecture orientée événements. Le client et le serveur échangent des données simultanément via une connexion persistante : le client diffuse en continu l'audio du microphone tandis que le serveur renvoie des réponses vocales et textuelles en temps réel. L'ensemble de l'interaction est piloté par des événements : le client envoie des événements tels que session.update et input_audio_buffer.append, et le serveur répond par des événements tels que response.audio.delta et response.done. Aucune interrogation (polling) n'est nécessaire.
Le cycle de vie typique d'une connexion comprend les étapes suivantes : établissement de la connexion WebSocket, envoi de session.update pour configurer les paramètres de session, streaming audio et réception des réponses, puis fermeture de la connexion.
Format audio
Direction | Format | Spécification |
|---|---|---|
Entrée (client vers serveur) | PCM | Taux d'échantillonnage de 16 kHz, profondeur de 16 bits, mono |
Sortie (serveur vers client) | PCM | Taux d'échantillonnage de 24 kHz, profondeur de 16 bits, mono |
Langues prises en charge
Les conversations vocales en temps réel prennent en charge les langues et variantes du chinois suivantes :
- Langues de
qwen-audio-3.1-realtime-plusetqwen-audio-3.1-realtime-flash: allemand (de), anglais (en), espagnol (es), français (fr), indonésien (id), italien (it), japonais (ja), coréen (ko), portugais (pt), russe (ru), chinois (zh), thaï (th), vietnamien (vi) et arabe (ar). - Langues de
qwen-audio-3.0-realtime-plusetqwen-audio-3.0-realtime-flash: allemand (de), anglais (en), espagnol (es), français (fr), indonésien (id), italien (it), japonais (ja), coréen (ko), portugais (pt), russe (ru) et chinois (zh). - Variantes du chinois : mandarin, cantonais, Chongqing, Nord-Est, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, shanghaïen, Sichuan et Yunnan.
qwen-audio-3.1-realtime-plus ou qwen-audio-3.1-realtime-flash, utilisez respectivement session.input_audio_transcription.language et session.output_audio.language pour indiquer la langue source de l’audio d’entrée et la langue cible de l’audio de sortie. Pour les codes de langue valides de chaque paramètre, consultez Événements client. Le paramètre session.output_audio.language s’applique à la synthèse vocale (TTS) : le modèle tente de produire la parole dans la langue cible, sans le garantir, et la langue du texte de la réponse reste inchangée.
Capacité du contexte
Le modèle conserve l'historique de la conversation. Lorsque le nombre de tours ou la durée cumulée de l'audio dépasse les limites suivantes, l'historique le plus ancien est automatiquement supprimé. La durée maximale correspond à la limite supérieure de l'audio cumulé que le contexte du modèle peut conserver.
Modèle | Nombre max. de tours audio | Durée audio max. |
|---|---|---|
qwen-audio-3.1-realtime-plus | 50 | 300 secondes |
qwen-audio-3.1-realtime-flash | 50 | 300 secondes |
qwen-audio-3.0-realtime-plus | 50 | 300 secondes |
qwen-audio-3.0-realtime-flash | 50 | 300 secondes |
max_history_turns contrôle le nombre de tours de questions-réponses de l’historique utilisés par le modèle pour l’inférence. La valeur par défaut est 20 et la plage valide est 1–50. Pour la configuration, consultez Contrôle des tours de l’historique.
Pour obtenir des conseils sur le choix entre les modèles multimodaux, consultez Omni-modal.
Prérequis
- Obtenez une clé API et configurez-la comme variable d’environnement.
- Pour utiliser le protocole AOQ, téléchargez et intégrez le SDK client AOQ. Pour plus de détails, consultez Présentation du SDK.
Démarrage rapide
Les exemples WebSocket de base ci-dessous utilisent qwen-audio-3.1-realtime-plus et définissent explicitement la voix système longanqian_v3.1. Pour migrer depuis 3.0 Plus, mettez à jour le paramètre de requête model dans l’URL et choisissez une voice compatible dans Configuration de la voix. Le protocole d’événements WebSocket reste inchangé.
Suivez ces étapes pour démarrer une conversation vocale en temps réel avec le modèle Qwen-Audio.
- WebSocket native
server_vad. Avant l'exécution, installez les dépendances requises :realtime_quickstart.py :python realtime_quickstart.py et parlez dans votre microphone pour démarrer une conversation en temps réel. Le serveur détecte automatiquement l'activité vocale et déclenche les réponses.Exemple completL'exemple suivant étend la conversation de base avec la gestion des interruptions vocales et l'annulation de l'écho. Créez les deux fichiers dans le même répertoire :B64PCMPlayer.py
B64PCMPlayer.py
realtime_demo.py
realtime_demo.py
websockets est antérieure à la version 11, remplacez additional_headers par extra_headers dans le code, ou mettez à jour le package : pip install --upgrade websockets.python realtime_demo.py et parlez dans votre microphone pour démarrer une conversation en temps réel. Le système détecte automatiquement l'activité vocale et déclenche les réponses.Configuration de la session
Modes d’interaction
Qwen-Audio prend en charge trois modes d’interaction : server_vad (la VAD acoustique détecte automatiquement le début et la fin de la parole), smart_turn (la détection sémantique intelligente des tours combine signaux acoustiques et sémantiques ; smart_turn_v2 est recommandé) et push-to-talk (contrôle manuel du client). Pour les détails et les séquences d’interaction, y compris les diagrammes de séquence, consultez Modes d’interaction.
turn_detection ne peut être défini qu'avant l'envoi du premier flux audio (état IDLE). Pour changer de mode d'interaction en cours de session, fermez et rétablissez la connexion.turn_detection dans un événement session.update :
- server_vad :
- smart_turn / smart_turn_v2 :
smart_turn_v2 (recommandé) : s’appuie sur smart_turn pour mieux comprendre le contexte de conversation et l’intention d’interaction en présence de plusieurs locuteurs. Il réduit les réponses ou interruptions involontaires provoquées par des personnes à proximité ou des interventions sans rapport. Définissez type sur smart_turn pour conserver le mode de détection intelligente des tours d’origine.
- push-to-talk :
manual_realtime.py
manual_realtime.py
Instructions système
Utilisez le paramètre instructions pour définir le rôle du modèle, son style de réponse et ses préférences comportementales. Configurez ce paramètre dans session.update pour l'appliquer à l'ensemble de la session.
- Définissez une identité de rôle claire (par exemple, « Vous êtes un assistant vocal intelligent » ou « Vous êtes un tuteur de conversation en anglais ») et incluez éventuellement des détails tels que le nom ou le genre.
- Spécifiez un ton conversationnel et un style de formulation, tout en précisant qu'un ton naturel ne doit pas compromettre l'exhaustivité du contenu : les détails, les chiffres et les recommandations spécifiques doivent toujours être inclus, mais exprimés de manière détendue et naturelle.
- Demandez au modèle de prendre en compte toutes les contraintes contextuelles de la conversation (telles que le budget, les préférences, les restrictions ou les accords préalables). Lorsque plusieurs conditions s'appliquent, traitez chacune d'elles sans omettre d'information critique.
- Contrôlez le format de sortie : sauf demande contraire de l'utilisateur, évitez les émojis, les caractères spéciaux et le formatage Markdown. Privilégiez le texte brut pour garantir une lecture TTS naturelle.
- Définissez une stratégie de réponse : gardez les salutations simples et les échanges informels brefs et naturels ; pour les raisonnements, les problèmes à conditions multiples, les listes de recommandations ou les conseils de sécurité, privilégiez l'exhaustivité. Assurez-vous que les informations clés (prix, lieux, conditions) sont entièrement présentes, sans préambule inutile, répétition ou remplissage.
- Établissez une stratégie de relance : suivez le principe « répondre d'abord pleinement à la question actuelle de l'utilisateur, puis poser naturellement une question de suivi à la fin pour faire avancer la conversation ». Ne posez qu'une seule question à la fois ; évitez les questions en série ou les confirmations répétées.
instructions recommandée pour les scénarios généraux de conversation vocale. Elle couvre la définition du rôle, le style conversationnel, le contrôle du format et la stratégie de relance. Utilisez-la directement ou adaptez-la à vos besoins :
instructions suivants couvrent une variété de styles de personas. Choisissez celui qui correspond à votre cas d'usage ou personnalisez-le davantage :
- Daisy (Compagne douce & cool) :
- Len (Cool & langue acérée) :
- Mochen (Calme & charismatique) :
- Hannibal (Élégant & incisif) :
- Heizi (Pote du Nord-Est) :
Configuration de la voix
Utilisez le paramètre voice pour définir la voix TTS des réponses du modèle. Les voix système et les voix clonées sont prises en charge. La voix par défaut est longanqian_v3.1 pour 3.1 Plus/Flash et longanqian pour 3.0 Plus/Flash.
Voix système : sélectionnez un ID de voix pour le modèle.
| Modèle | ID des voix système |
|---|---|
qwen-audio-3.1-realtime-plus, qwen-audio-3.1-realtime-flash | Prend en charge longanqian_v3.1 et l’ensemble des voix des listes qwen-audio-3.1-tts-plus et qwen-audio-3.1-tts-flash. Consultez ces listes pour les ID de voix et les extraits audio. |
qwen-audio-3.0-realtime-plus, qwen-audio-3.0-realtime-flash | longanqian, longanlingxin, longanlingxi, longanxiaoxin, longanlufeng |
target_model sur qwen-audio-3.1-realtime-plus, qwen-audio-3.1-realtime-flash, qwen-audio-3.0-realtime-plus ou qwen-audio-3.0-realtime-flash. Renseignez ensuite le voice_id renvoyé par l'API dans le paramètre voice.
Débit de parole de la sortie audio
Dans session.update, définissez speech_rate dans l’objet session pour contrôler le débit de parole de la sortie audio du modèle. Plage : [0.5, 2.0]. Valeur par défaut : 1.0. Les valeurs inférieures ralentissent la parole ; les valeurs supérieures l’accélèrent. Pris en charge par qwen-audio-3.1-realtime-plus, qwen-audio-3.1-realtime-flash, qwen-audio-3.0-realtime-plus et qwen-audio-3.0-realtime-flash. Cet exemple définit le paramètre sur 1.2 :
Modalités de sortie
Utilisez le paramètre modalities pour contrôler les types de sortie du modèle :
["audio", "text"](par défaut) : génère à la fois la parole et le texte.["text"]: génère uniquement du texte, sans parole. Adapté pour le débogage, la journalisation ou les scénarios ne nécessitant que des réponses textuelles.
response.modalities dans response.create pour remplacer le paramètre de modalité pour une seule réponse.
Configuration du VAD
Définissez les paramètres VAD dans session.turn_detection. threshold s’applique à server_vad, smart_turn et smart_turn_v2. silence_duration_ms s’applique uniquement à server_vad.
Paramètre | Type | Description |
|---|---|---|
| float | Sensibilité du VAD. Les valeurs inférieures augmentent la sensibilité et facilitent la détection des sons faibles, y compris le bruit de fond, comme de la parole. Les valeurs supérieures réduisent la sensibilité et exigent une parole plus claire et plus forte pour déclencher la détection. Plage: [-1.0, 1.0]. Valeur par défaut: 0.5. |
| integer | Durée minimale de silence, en millisecondes, après la fin de la parole avant de déclencher une réponse du modèle. Les valeurs inférieures accélèrent les réponses, mais peuvent provoquer des déclenchements intempestifs lors de courtes pauses. Plage: [200, 6000]. Valeur par défaut: 800. Plage recommandée pour les conversations: 400-800. |
Contrôle des tours de l'historique
Cette section s’applique à qwen-audio-3.1-realtime-plus, qwen-audio-3.1-realtime-flash, qwen-audio-3.0-realtime-plus et qwen-audio-3.0-realtime-flash.
Utilisez le paramètre max_history_turns pour contrôler le nombre de tours de questions-réponses historiques auxquels le modèle se réfère lors de l'inférence. Des valeurs plus élevées permettent au modèle d'examiner un historique de conversation plus large pour une meilleure compréhension du contexte, mais augmentent la consommation de tokens et la latence d'inférence.
max_history_turns : 1-50. Par défaut : 20.
Conseils d'ajustement :
- Conversations courtes (comme des Q&R rapides) : définissez une valeur plus basse (par exemple, 5-10) pour réduire la latence.
- Conversations longues (comme un service client multi-tours) : définissez une valeur plus élevée (par exemple, 30-50) pour aider le modèle à comprendre l'ensemble du contexte.
Fonctionnalités avancées
Function Calling
Qwen-Audio prend en charge le Function Calling, ce qui permet au modèle de décider quand invoquer des outils externes en fonction du contexte de la conversation.
1. Enregistrer des outils
Configurez les tools via session.update :
response.function_call_arguments.done, exécutez l'outil côté client et renvoyez le résultat via conversation.item.create :
response.create pour que le modèle génère une réponse basée sur ce résultat :
function_call et inclure à la fois des messages classiques et des appels de fonction. Le contenu des appels de fonction n'est pas envoyé au TTS pour la lecture audio.realtime_demo.py du démarrage rapide. Assurez-vous que B64PCMPlayer.py se trouve dans le même répertoire avant l'exécution.
realtime_fc_demo.py
realtime_fc_demo.py
python realtime_fc_demo.py et parlez dans votre microphone pour tester des conversations en temps réel avec Function Calling. Par exemple, demandez « Quel temps fait-il à Hangzhou ? » ou « Combien coûte un billet de train de Pékin à Shanghai ? », et le modèle invoquera automatiquement l'outil correspondant pour répondre avec le résultat.
Recherche Web
Lorsque vous interrogez des informations en temps réel telles que la météo ou l'actualité, vous pouvez activer la recherche Web afin que le modèle récupère des informations à jour avant de générer une réponse. La recherche Web est désactivée par défaut ; une fois activée, le modèle décide de manière autonome si une recherche est nécessaire, et elle n'est pas déclenchée à chaque tour de conversation.
La recherche Web et le Function Calling peuvent être activés dans la même session. Cela s'applique à qwen-audio-3.1-realtime-plus, qwen-audio-3.1-realtime-flash, qwen-audio-3.0-realtime-plus et qwen-audio-3.0-realtime-flash.
agent. Pour les informations de facturation, consultez Détails de la facturation.session.update pour définir les paramètres suivants dans session :
enable_search: définissez-le surtruepour activer la recherche Web.search_options.enable_source: définissez-le surtruepour renvoyer les sources des résultats de recherche.
tools à l'objet session ci-dessus. Pour savoir comment définir des outils et renvoyer les résultats des appels, consultez Function Calling.
Pour les détails des paramètres, consultez session.update.
2. Lire les sources de recherche et l'utilisation
Les réponses du modèle sont toujours reçues via les événements texte et audio. Après l'exécution d'une recherche, vous pouvez lire les informations suivantes dans l'objet response de l'événement response.done :
search_info.search_results: la liste des sources des résultats de recherche, chacune contenant l'index de la sourceindex, le titretitleet le lienurl.usage.plugins.search.count: le nombre de recherches, qui ne doit pas être confondu avec le nombre de sources.usage.plugins.search.strategy: la stratégie de recherche, dont la valeur estagent.
Gestion du contexte de conversation
Qwen-Audio vous permet de gérer les éléments de conversation dans le contexte via des événements client. Utilisez cette fonctionnalité pour injecter un historique, ajouter des informations textuelles ou supprimer des éléments de conversation non pertinents.
-
Créer un élément de conversation (
conversation.item.create) : insère un élément de conversation dans le contexte. Trois valeursitem.typesont prises en charge :message: un message de conversation standard. Spécifiez lerole(system,userouassistant) et un tableaucontent. Utilisez ceci pour injecter un historique de conversation ou des instructions système.function_call: une demande d'appel de fonction. Spécifiezcall_id,nameetarguments(chaîne JSON). Généralement créé par le serveur, mais le client peut aussi l'utiliser pour injecter des historiques d'appels de fonction.function_call_output: un résultat d'exécution d'outil. Spécifiezcall_idetoutput(chaîne JSON). Après avoir reçu unfunction_call, exécutez l'outil côté client et renvoyez le résultat avec ce type.
previous_item_idspécifie l'élément de conversation existant après lequel insérer le nouvel élément. Cela permet d'insérer du contenu à n'importe quelle position dans l'historique de la conversation. S'il est omis, le nouvel élément est ajouté à la fin.- Insérer un message utilisateur à une position spécifique :
- Renvoyer un résultat de Function Calling :
item.id spécifié dans conversation.item.create existe déjà dans la conversation, une erreur est renvoyée.- Récupérer un élément de conversation (
conversation.item.retrieve) : interroge un élément de conversation stocké sur le serveur. Pour le contenu de type audio, seul le texte de transcription est renvoyé, et non les données audio brutes.
- Supprimer un élément de conversation (
conversation.item.delete) : retire un élément spécifique du contexte de conversation.
Mots-clés instantanés
La reconnaissance vocale peut confondre des noms de personnes, des noms de produits ou des termes métier avec des mots de prononciation proche. Une fois les mots-clés instantanés configurés, le modèle privilégie la reconnaissance de ces mots lors de la transcription de l’audio d’entrée. Par exemple, le nom de projet contenu dans un même enregistrement audio était transcrit « projet 7yuan » avant la configuration des mots-clés ; après avoir défini « Qiyuan » comme mot-clé, la transcription devient « projet Qiyuan ».
Les variantes Plus et Flash de Qwen-Audio-Realtime 3.0 et 3.1 prennent en charge les mots-clés instantanés en WebSocket, WebRTC et AOQ dans les régions de Pékin et de Singapour. Avant d’envoyer l’audio, configurez les mots-clés avec l’événement session.update suivant.
session.updated avant d’envoyer l’audio. La transcription finale figure dans le champ transcript de l’événement conversation.item.input_audio_transcription.completed. Pour mettre à jour les mots-clés dans la même session, renvoyez session.update avec la nouvelle liste complète. Pour effacer les mots-clés, définissez vocabulary sur {}.
Transcription audio ambiante
Modes smart_turn / smart_turn_v2 uniquement. Lorsque le VAD détecte une activité vocale mais que l'analyse sémantique détermine qu'il ne s'agit pas d'un tour de parole valide (comme du bruit ou des sons d'hésitation tels que « euh » ou « hmm »), le serveur ne déclenche pas de tour de conversation. À la place, il envoie le résultat ASR au client sous forme d'événement ambient_audio_transcription. Cette transcription n'est pas écrite dans le contexte de la conversation.
delta et completed. Utilisez cet événement pour mettre en œuvre une surveillance audio ambiante ou une conscience de la scène de conversation.
Renforcement du locuteur
Modes smart_turn / smart_turn_v2 uniquement. Transmettez des URL d'audio préenregistré de l'utilisateur cible dans session.update. Le modèle se verrouillera sur ce locuteur lors des conversations duplex, ignorant efficacement les autres voix et le bruit ambiant, ce qui permet des interactions duplex fluides dans des environnements ouverts.
Configuration : transmettez des URL d'audio d'empreinte vocale accessibles publiquement dans turn_detection.voiceprint_audio_urls lors du premier appel session.update.
- Jusqu'à 5 URL. L'audio doit être au format PCM 16 kHz ou WAV.
- Ce paramètre ne prend effet que lors du premier appel
session.update. Le champ est ignoré dans les appels suivants.
voiceprint_audio_list.in_progress: l'enregistrement a commencé. Envoyé avantsession.updated, portant l'identifiantitem_id.voiceprint_audio_list.completed: l'enregistrement a réussi. L'identifiantitem_idcorrespond à celui dein_progress.voiceprint_audio_list.failed: l'enregistrement a échoué, avec un champreasondécrivant l'erreur (par exemple, l'URL audio n'est pas accessible). Un échec d'enregistrement ne bloque pas la conversation en cours.
Mise en production
Configurer la tolérance aux pannes
- Reconnexion client : mettez en œuvre une reconnexion automatique pour gérer l'instabilité du réseau. Définissez un signal de reconnexion dans le callback
on_erroret utilisez un backoff exponentiel (par exemple, attendre 1s, 2s, 4s) pour les nouvelles tentatives. - Classification des erreurs : les erreurs client (
invalid_request_error) ne déconnectent pas la session ; journalisez-les ou ajustez les paramètres. Les erreurs serveur (server_error) interrompent la connexion et nécessitent une reconnexion. - Gestion des interruptions : en modes server_vad / smart_turn / smart_turn_v2, toute nouvelle parole de l'utilisateur interrompt automatiquement la réponse en cours du modèle (
response.donerenvoiestatus=cancelled). Lors de la réception deinput_audio_buffer.speech_started, videz immédiatement le tampon de lecture local pour éviter le chevauchement audio.
Cycle de vie de la connexion
Une session WebSocket typique suit le cycle de vie suivant :
- Connexion : le client initie une connexion WebSocket et le serveur renvoie un événement
session.created. - Configuration : le client envoie
session.updatepour définir le mode d'interaction, la voix, les outils et d'autres paramètres. Effectuez cette étape avant d'envoyer tout flux audio. - Interaction : le client diffuse en continu l'audio (
input_audio_buffer.append). Le serveur effectue l'inférence en fonction de la détection VAD ou des déclenchements manuels, et renvoie la parole et le texte en streaming. - Fermeture : le client ferme la connexion WebSocket. Le serveur peut également se déconnecter si la connexion reste inactive trop longtemps.
item_id correspondant avant de fermer la connexion. response.done marque la fin de la réponse du modèle ; la transcription peut arriver plus tard.Optimisation de la latence
- Taille des chunks audio : envoyez environ 100 ms de données audio par chunk (16 kHz x 16 bits x mono = 3 200 octets par chunk). Cela permet d'équilibrer les performances en temps réel et l'efficacité réseau.
- Lecture en streaming : commencez à lire l'audio dès que
response.audio.deltaarrive. N'attendez pasresponse.donepour lire la réponse complète. - Vider le tampon lors d'une interruption : lorsque
input_audio_buffer.speech_startedest reçu, videz immédiatement le tampon de lecture local pour empêcher la poursuite de la lecture d'un audio obsolète.
Modèles et régions pris en charge
- Singapour
- Chine (Pékin)
- qwen-audio-3.1-realtime-plus
- qwen-audio-3.1-realtime-flash
- qwen-audio-3.0-realtime-plus
- qwen-audio-3.0-realtime-flash