Realtime API的客户端事件-大模型服务平台百炼(Model Studio)-阿里云帮助中心

Qwen-Omni-Realtime API的客户端事件参考。

session.update

建立 WebSocket 连接后，发送此事件更新会话的默认配置。服务端收到 session.update 事件后校验参数，若参数不合法则返回错误，若参数合法则应用更改并返回完整配置。

type string（必选）

事件类型，固定为 session.update。

{
    "event_id": "event_ToPZqeobitzUJnt3QqtWg",
    "type": "session.update",
    "session": {
        "modalities": [
            "text",
            "audio"
        ],
        "voice": "Chelsie",
        "input_audio_format": "pcm",
        "output_audio_format": "pcm",
        "instructions": "你是某五星级酒店的AI客服专员，请准确且友好地解答客户关于房型、设施、价格、预订政策的咨询。请始终以专业和乐于助人的态度回应，杜绝提供未经证实或超出酒店服务范围的信息。",
        "turn_detection": {
            "type": "server_vad",
            "threshold": 0.5,
            "silence_duration_ms": 800
        },
        "enable_search": true,
        "search_options": {
            "enable_source": true
        },
        "tools": [
            {
                "type": "function",
                "function": {
                    "name": "get_current_weather",
                    "description": "当你想查询指定城市的天气时非常有用。",
                    "parameters": {
                        "type": "object",
                        "properties": {
                            "location": {
                                "type": "string",
                                "description": "城市或县区，比如北京市、杭州市、余杭区等。"
                            }
                        },
                        "required": ["location"]
                    }
                }
            }
        ],
        "seed": 1314,
        "max_tokens": 16384,
        "repetition_penalty": 1.05,
        "presence_penalty": 0.0,
        "top_k": 50,
        "top_p": 1.0,
        "temperature": 0.9
    }
}

session object（可选）

会话配置。

属性

modalities array（可选）

模型输出模态设置，可选值：

["text"]

仅输出文本。
["text","audio"]（默认值）

同时输出文本和音频。

voice string（可选）

模型生成音频的音色，支持的音色参见音色列表。

默认音色：

Qwen3.5-Omni-Realtime 系列：Tina
Qwen3-Omni-Flash-Realtime：Cherry
Qwen-Omni-Turbo-Realtime：Chelsie

input_audio_format string（可选）

用户输入音频的格式，当前仅支持设为pcm。输入音频要求为16 kHz采样率的PCM音频流。

output_audio_format string（可选）

模型输出音频的格式，当前仅支持设为pcm。输出音频为24 kHz采样率的PCM音频流。当前不支持自定义输出采样率。

smooth_output boolean｜null（可选）

仅在使用 Qwen3-Omni-Flash-Realtime 系列模型时生效。

控制回复风格。可选值：

true（默认值）：口语化风格。
false：书面化、正式风格。

难以朗读的内容可能效果不好。
null：模型自动选择口语化或书面化风格。

instructions string（可选）

系统消息，用于设定模型的目标或角色。

turn_detection object（可选）

语音活动检测（VAD）配置。设为 null 可禁用 VAD，改为手动触发模型响应。若不提供此字段，系统将使用默认参数启用 VAD。

属性

type string（可选）

VAD 类型，可选值：

server_vad（默认值）：基于声学特征检测语音结束。
semantic_vad：基于语义有效性检测语音结束，可过滤回应语、背景音等无意义声音。仅 qwen3.5-omni-realtime 模型支持。

threshold float（可选）

VAD 灵敏度。值越低，VAD 越灵敏，越容易将微弱声音（包括背景噪音）识别为语音；值越高，越不灵敏，需要更清晰、音量更大的语音才能触发。

取值范围：[-1.0, 1.0]，默认值为 0.5。

silence_duration_ms integer（可选）

语音结束后需保持静音的最短时间（毫秒），超时即触发模型响应。值越低，响应越快，但可能在短暂停顿时误触发。

取值范围：[200, 6000]，默认值为 800。

idle_timeout_ms integer（可选）

仅在使用 qwen3.5-omni-plus-realtime 或 qwen3.5-omni-flash-realtime 模型且 VAD 类型为 server_vad 时生效。

静默超时时间（毫秒）。服务端完成音频播报且用户持续静默超过该时间（未触发 speech.started）后，模型将主动触发一轮响应，基于当前上下文引导用户继续对话。超时计时从上一条模型响应的音频播放完毕后开始。

取值范围：[5000, 30000]。

enable_search boolean（可选）

仅在使用 Qwen3.5-Omni-Realtime 模型时生效。

是否启用联网搜索。设为 true 启用，默认为 false。启用后，模型可自主判断是否需要联网搜索来回答用户问题。

search_options object（可选）

联网搜索选项配置，需先启用 enable_search 才生效。

属性

enable_source boolean（可选）

是否在响应中返回搜索结果来源列表。设为 true 启用。

tools array（可选）

工具定义列表。配置后模型可根据用户输入自主决定是否调用工具。

属性

type string（必选）

固定为 function。

function.name string（必选）

工具函数名称，建议与函数名保持一致，例如 get_current_weather 或 get_current_time。

function.description string（可选）

对工具函数功能的描述，模型据此判断是否调用该工具。

function.parameters object（可选）

对工具函数入参的描述，模型据此提取所需入参。若函数无需入参，可不指定。

属性

type string（必选）

固定为 object。

properties object（可选）

描述各入参的名称、数据类型与说明。Key 为入参名称，Value 为包含数据类型（type）和描述（description）的对象。

required array（可选）

指定哪些入参为必填项。

temperature float（可选）

采样温度，控制输出内容的多样性。值越高，输出越多样；值越低，输出越确定。

取值范围：[0, 2)。

由于 temperature 和 top_p 均可控制多样性，建议只设置其中一个。

默认值：

qwen3.5-omni-realtime 系列：0.7
qwen3-omni-flash-realtime 系列：0.9
qwen-omni-turbo-realtime 系列：1.0

top_p float（可选）

核采样概率阈值，控制输出内容的多样性。值越高，输出越多样；值越低，输出越确定。

取值范围：(0, 1.0]。

由于 temperature 和 top_p 均可控制多样性，建议只设置其中一个。

默认值：

qwen3.5-omni-realtime 系列：0.8
qwen3-omni-flash-realtime 系列：1.0
qwen-omni-turbo-realtime 系列：0.01

top_k integer（可选）

采样候选集大小。例如设为 50 时，每步生成仅从得分最高的 50 个 Token 中采样。值越大，随机性越高；值越小，确定性越高。设为 null 或大于 100 时，禁用 top_k 策略，仅 top_p 生效。

取值需大于或等于 0。

默认值：

qwen3.5-omni-realtime 系列：20
qwen3-omni-flash-realtime 系列：50
qwen-omni-turbo-realtime 系列：20

max_tokens integer（可选）

本次请求返回的最大 Token 数。

默认值和最大值均为模型的最大输出长度，各模型的最大输出长度参见模型列表。

适用于需要限制输出长度的场景，如生成摘要或关键词、控制成本、缩短响应时间等。

repetition_penalty float（可选）

控制生成内容中连续序列的重复度。值越高，重复惩罚越强；1.0 表示不做惩罚。取值需大于 0，无严格上限。

默认值：

qwen3.5-omni-realtime 系列：1.0
qwen3-omni-flash-realtime 系列：1.05
qwen-omni-turbo-realtime 系列：1.05

presence_penalty float（可选）

控制生成内容的重复度。

取值范围：[-2.0, 2.0]。正数降低重复度，负数增加重复度。

默认值：

qwen3.5-omni-realtime 系列：1.5
qwen3-omni-flash-realtime 系列：0.0
qwen-omni-turbo-realtime 系列：0.0

适用场景：

较高值适合创意写作、头脑风暴等需要多样性和创造性的场景。

较低值适合技术文档等需要一致性和专业术语的场景。

seed integer（可选）

提高生成过程的确定性，常用于在相同参数下复现相同结果。

每次调用时传入相同的 seed 值并保持其他参数不变，模型将尽可能返回相同的结果。

取值范围：0 到 2³¹−1，默认值为 -1。

response.create

response.create 事件用于指示服务端生成模型响应。VAD 模式下，服务端会自动生成响应，无需发送此事件。工具调用场景中，客户端通过 conversation.item.create 回传工具结果后，需发送此事件触发模型生成最终响应。

服务端以 response.created 事件开始响应，随后发送一个或多个项和内容事件（如 conversation.item.created 和 response.content_part.added），最后以 response.done 事件表示响应完成。

type string（必选）

事件类型，固定为 response.create。

{
    "type": "response.create",
    "event_id": "event_1718624400000"
}

response.cancel

客户端发送此事件取消正在进行的响应。若当前无响应可取消，服务端将返回错误事件。

type string（必选）

事件类型，固定为 response.cancel。

{
    "event_id": "event_B4o9RHSTWobB5OQdEHLTo",
    "type": "response.cancel"
}

input_audio_buffer.append

将音频字节追加到输入音频缓冲区。

type string（必选）

事件类型，固定为 input_audio_buffer.append。

{
    "event_id": "event_B4o9RHSTWobB5OQdEHLTo",
    "type": "input_audio_buffer.append",
    "audio": "UklGR..."
}

audio string（必选）

Base64 编码的音频数据。

input_audio_buffer.commit

提交输入音频缓冲区，在对话中创建新的用户消息项。若音频缓冲区为空，服务端将返回错误事件。

VAD 模式：服务端自动提交音频缓冲区，客户端无需发送此事件。
Manual 模式：客户端必须提交音频缓冲区才能创建用户消息项。

提交音频缓冲区不会触发模型响应，服务端将以 input_audio_buffer.committed 事件响应。

type string（必选）

事件类型，固定为 input_audio_buffer.commit。

{
    "event_id": "event_B4o9RHSTWobB5OQdEHLTo",
    "type": "input_audio_buffer.commit"
}

input_audio_buffer.clear

清除音频缓冲区中的字节。服务端以 input_audio_buffer.cleared 事件响应。

type string（必选）

事件类型，固定为 input_audio_buffer.clear。

{
    "event_id": "event_xxx",
    "type": "input_audio_buffer.clear"
}

input_image_buffer.append

将图像数据添加到图像缓冲区。图像可来自本地文件，也可从视频流实时采集。

图片输入限制如下：

图像格式必须为 JPG 或 JPEG。建议分辨率为 480p 或 720p 以获得最佳性能，最高不超过 1080p。
单张图片经Base64编码后不得超过256KB，建议编码前原始图片大小不超过190KB。
图片数据需经过 Base64 编码。
建议以 1 张/秒的频率向服务端发送图像。
发送 input_image_buffer.append 事件前，至少已发送过一次 input_audio_buffer.append 事件。

type string（必选）

事件类型，固定为 input_image_buffer.append。

{
    "event_id": "event_xxx",
    "type": "input_image_buffer.append",
    "image": "xxx"
}

image string（必选）

Base64 编码的图像数据。

conversation.item.create

客户端发送此事件，将工具函数的执行结果回传给服务端。模型触发工具调用后，客户端在本地执行工具函数，通过此事件将结果发回，再发送 response.create 触发模型生成最终响应。

说明

当前仅支持 function_call_output 类型的 item。

type string（必选）

事件类型，固定为 conversation.item.create。

{
    "event_id": "event_55099cddb51b4f208cb95d1a994eef80",
    "type": "conversation.item.create",
    "item": {
        "id": "item_2a80d7682b4e473c9c2154da135041e9",
        "type": "function_call_output",
        "call_id": "call_62c24725afdb4c2680ac54",
        "output": "北京今天天气为霾转晴，气温4/-4℃，微风"
    }
}

item object（必选）

要创建的对话项，不能为空。

属性

id string（可选）

对话项 ID。可预先指定以对齐本地状态；若未提供，由服务端生成。

type string（必选）

对话项类型，当前仅支持 function_call_output。

call_id string（必选）

response.function_call_arguments.done 事件中返回的 call_id。

output string（必选）

工具函数的执行结果。