跳转到主要内容
千问AI平台 home page
文档
Qwen-Audio-Realtime

Qwen-Audio-Realtime 客户端事件

Qwen-Audio-Realtime API 客户端事件参考

客户端事件由客户端发送到服务端，用于配置会话、发送音频、管理对话和控制推理。 用户指南：实时语音对话（Qwen-Audio-Realtime）。如需了解事件交互时序，请参见 WebSocket API。

session.update

建立连接后，发送此事件更新会话的默认配置。仅包含需要变更的字段，未传字段保持原值。服务端收到后校验参数，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。
turn_detection 仅在首次发送音频之前（IDLE 状态）允许修改。
字段类型必选/可选描述
typestring必选事件类型，固定为 session.update。
sessionobject可选会话配置。
session.modalitiesarray可选模型输出模态设置。可选值：["text"]（仅输出文本）；["audio", "text"]（默认值，同时输出文本和音频）。
session.voicestring可选TTS 音色名称，默认值为 longanqian。仅可在第一次 session.update 中设置，后续传入将被忽略。支持系统音色（longanqian、longanlingxin、longanlingxi、longanxiaoxin、longanlufeng）和声音复刻音色（通过声音复刻 API 创建的 voice_id）。
session.enable_speech_emotionboolean可选是否开启情绪增强功能。开启后，回复音色的情绪变化更明显。默认值为 true。可选值：true、false。
session.instructionsstring可选系统指令，用于设定模型的角色身份、回答风格和行为偏好。对整个会话生效。
session.input_audio_formatstring可选输入音频格式。当前仅支持 pcm（16kHz 16bit 单声道），为默认值。仅在首次发送音频之前（IDLE 状态）允许修改。
session.output_audio_formatstring可选输出音频格式。当前仅支持 pcm（24kHz 16bit 单声道），为默认值。
session.max_history_turnsinteger可选允许单次请求的最大历史 QA 轮数。取值范围为 1-50，默认值为 20。
session.toolsarray可选Function Calling 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。每个工具包含 type（固定为 function）、function.name（必选）、function.description（可选）、function.parameters（可选，包含 type、properties、required）。tools 和 enable_search 不兼容，不可同时开启。
session.enable_searchboolean可选仅适用于 qwen-audio-3.0-realtime-plus 和 qwen-audio-3.0-realtime-flash 模型。是否开启联网搜索。默认值：false。开启后，模型可根据实时问题自主判断是否进行联网搜索。tools 与 enable_search 不可同时启用。
session.search_optionsobject可选联网搜索选项配置，需先启用 enable_search 才生效。
session.search_options.enable_sourceboolean可选是否在响应中返回搜索结果来源列表。设为 true 启用。
session.turn_detectionobject|null可选轮次检测配置。设为 null 可切换为 push-to-talk 模式（手动提交音频并触发推理）。若不提供此字段，系统将使用默认参数启用 VAD。
session.turn_detection.typestring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 系列模型支持。
session.turn_detection.thresholdfloat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。取值范围为 [-1.0, 1.0]，默认值为 0.5。
session.turn_detection.silence_duration_msinteger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。取值范围为 [200, 6000]，默认值为 800。
session.turn_detection.idle_timeout_msinteger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。取值范围为 [5000, 30000]。
基本配置示例： 
{
    "type": "session.update",
    "session": {
        "modalities": [
            "text",
            "audio"
        ],
        "voice": "longanqian",
        "turn_detection": {
            "type": "server_vad",
            "threshold": 0.5,
            "silence_duration_ms": 800
        }
    }
}
Function Calling 示例： 
{
    "type": "session.update",
    "session": {
        "modalities": [
            "text",
            "audio"
        ],
        "voice": "longanqian",
        "tools": [
            {
                "type": "function",
                "function": {
                    "name": "get_weather",
                    "description": "查询指定城市天气",
                    "parameters": {
                        "type": "object",
                        "properties": {
                            "city": {
                                "type": "string",
                                "title": "城市"
                            }
                        },
                        "required": ["city"]
                    }
                }
            }
        ],
        "turn_detection": {
            "type": "server_vad",
            "threshold": 0.5,
            "silence_duration_ms": 800
        }
    }
}
声纹注册（voiceprint_audio_urls）示例： 
{
    "type": "session.update",
    "session": {
        "turn_detection": {
            "type": "semantic_vad",
            "voiceprint_audio_urls": [
                "https://example.com/speaker1.pcm",
                "https://example.com/speaker2.wav"
            ]
        }
    }
}

input_audio_buffer.append

追加音频数据到输入缓冲区。应持续、高频发送（如每 20~40 ms 一帧）。此事件无服务端确认回包。
字段类型必选/可选描述
typestring必选事件类型，固定为 input_audio_buffer.append。
audiostring必选Base64 编码的音频数据。
{
    "type": "input_audio_buffer.append",
    "audio": "<base64 编码的音频数据>"
}

input_audio_buffer.commit

仅 push-to-talk 模式。 将缓冲区音频提交为一条用户消息。提交后不会自动触发推理，需要发送 response.create 手动触发。 server_vad / semantic_vad 模式下此事件被忽略。
字段类型必选/可选描述
typestring必选事件类型，固定为 input_audio_buffer.commit。
{
    "type": "input_audio_buffer.commit"
}

input_audio_buffer.clear

仅 push-to-talk 模式。 清空缓冲区中尚未提交的音频。server_vad / semantic_vad 模式下此事件被忽略。服务端以 input_audio_buffer.cleared 事件响应。
字段类型必选/可选描述
typestring必选事件类型，固定为 input_audio_buffer.clear。
{
    "type": "input_audio_buffer.clear"
}

conversation.item.create

手动向对话上下文插入一条对话项。可用于注入历史上下文、补充文本信息，或写回 Function Calling 的工具执行结果。
若 item.id 已存在于对话中，会返回错误并拒绝创建。
字段类型必选/可选描述
typestring必选事件类型，固定为 conversation.item.create。
previous_item_idstring可选指定新项插入到哪条对话项之后。不传时追加到对话末尾。
itemobject必选要创建的对话项。
item.idstring可选对话项的唯一标识符。不传时由服务端自动生成。若指定的 ID 已存在于对话中，会返回错误。
item.typestring必选对话项类型。message：普通对话消息；function_call：函数调用请求（通常由服务端生成，客户端也可用于补充历史上下文）；function_call_output：工具执行结果（客户端收到 function_call 后执行工具，并用该类型写回结果）。
item.rolestringmessage 类型必选消息角色，可选值：system、user、assistant。
item.contentarraymessage 类型必选消息内容列表。每个元素包含 type 和对应的数据字段。system 支持 input_text（必填字段 text）；user 支持 input_text（必填字段 text）和 input_audio（必填字段 audio，Base64 编码）；assistant 支持 output_text（必填字段 text）。
item.call_idstringfunction_call/function_call_output 类型必选函数调用的唯一标识符，用于关联请求和结果。
item.namestringfunction_call 类型必选要调用的函数名称。
item.argumentsstringfunction_call 类型必选函数调用参数，JSON 字符串格式。
item.outputstringfunction_call_output 类型必选工具执行结果，JSON 字符串格式。
注入用户文本消息： 
{
    "type": "conversation.item.create",
    "previous_item_id": "item_xxx",
    "item": {
        "id": "my_item_001",
        "type": "message",
        "role": "user",
        "content": [
            {
                "type": "input_text",
                "text": "请帮我总结一下上次的对话"
            }
        ]
    }
}
写回 Function Calling 结果： 
{
    "type": "conversation.item.create",
    "item": {
        "type": "function_call_output",
        "call_id": "call_xxx",
        "output": "{\"temperature\":18,\"condition\":\"晴\"}"
    }
}

conversation.item.retrieve

查询服务端存储的某条对话项。返回的音频类型 content 仅包含转写文本（transcript），不包含原始音频数据。
字段类型必选/可选描述
typestring必选事件类型，固定为 conversation.item.retrieve。
item_idstring必选要查询的对话项 ID。服务端以 conversation.item.retrieved 事件返回查询结果。
{
    "type": "conversation.item.retrieve",
    "item_id": "item_xxx"
}

conversation.item.delete

从对话上下文中删除指定对话项。服务端以 conversation.item.deleted 事件确认。
字段类型必选/可选描述
typestring必选事件类型，固定为 conversation.item.delete。
item_idstring必选要删除的对话项 ID。
{
    "type": "conversation.item.delete",
    "item_id": "item_xxx"
}

response.create

显式触发一次模型推理。各模式下的行为如下：
  • push-to-talk 模式：必须手动调用，需先通过 input_audio_buffer.commit 提交缓冲区音频或写入 function_call_output 后触发。当前有响应正在生成时不允许重复触发。
  • server_vad 模式：通常由服务端自动触发。当前无响应正在生成时，客户端也允许手动调用；有响应正在生成时不允许重复触发。
  • semantic_vad 模式：等待用户下一轮输入时允许调用。当前处于一个 turn 内时（收到 input_audio_buffer.speech_started 到 response.done 期间）不允许重复触发。
response 字段可选，用于覆盖本轮推理的会话默认配置。Function Calling 场景下，客户端写入 function_call_output 后也通过该事件触发二轮推理。
server_vad / semantic_vad 模式下，手动触发的推理仍可能被新语音打断。
字段类型必选/可选描述
typestring必选事件类型，固定为 response.create。
responseobject可选用于覆盖本轮推理的会话默认配置。不传时使用当前会话配置。
response.modalitiesarray可选覆盖本轮的输出模态设置。可选值与 session.update 中的 modalities 一致。
response.voicestring可选覆盖本轮的 TTS 音色。
{
    "type": "response.create",
    "response": {
        "modalities": ["audio", "text"]
    }
}

response.cancel

取消当前正在进行的推理。已输出的部分文本会写入 item 链表，服务端返回 status=cancelled 的 response.done。 若当前无进行中的推理，返回错误。
字段类型必选/可选描述
typestring必选事件类型，固定为 response.cancel。
{
    "type": "response.cancel"
}