全部产品
Search
文档中心

大模型服务平台百炼:Qwen-LiveTranslate-Realtime 客户端事件

更新时间:Nov 16, 2026

本文介绍千问实时语音/音视频翻译 API 的客户端事件,包括事件类型、参数和示例。

相关文档:实时语音/音视频翻译-千问。

说明本页为 Qwen-LiveTranslate-Realtime 的事件参考,事件定义以 WebSocket 接入为基础。AOQ、WebRTC 通过各自的数据通道收发模型事件,媒体通过媒体轨道传输。请先阅读WebSocket 接入、WebRTC 接入或AOQ 接入。

WebSocket SDK 用法参见 Python SDK和 Java SDK。型号与协议选择参见概述。

session.update

客户端建立 WebSocket 连接后,需首先发送该事件,用于更新会话的默认配置。

服务端收到 session.update 事件后,会校验参数。如果参数不合法,则返回错误;如果参数合法,则更新并返回完整的配置。

typestring(必选)

事件类型,固定为session.update。

sessionobject(可选)

会话配置。

属性

input_modalitiesarray(可选)

适用于 WebSocket 接入的 qwen3.8-livetranslate-flash-realtime。可设为 ["audio"](仅音频,默认)或 ["audio", "video"](音频和图片)。包含 video 时,模型才会处理 input_image_buffer.append 发送的图片。

output_modalitiesarray(可选)

适用于 qwen3.8-livetranslate-flash-realtime。输出模态,可设置为 ["text"](仅文本)或 ["text", "audio"](文本和音频,默认值)。

audioobject(可选)

适用于 qwen3.8-livetranslate-flash-realtime。音频配置。

属性

inputobject

输入音频配置。

属性

formatobject(可选)

输入音频格式。

属性

typestring(可选)

音频格式,可选值为 pcm(默认)和 opus。

sample_rateinteger(可选)

输入音频的采样率,单位为 Hz,默认为 16000。

turn_detectionobject(可选)

语音检测配置。

属性

typestring(可选)

可选值:speaker_detection(默认,开启实时说话人分离)、server_vad(语音活动检测)。

thresholdnumber(可选)

检测阈值。使用 speaker_detection 时,用于区分静音和有效人声,低于阈值的声音会被过滤,不输入模型;取值固定为 0.5。

outputobject(可选)

译音配置。

属性

voicestring(可选)

译音音色。未启用声音复刻时,默认使用 Tina。启用实时声音复刻且 voice_clone_options.frequency 为 once 或 always 时,设为 default。

modalitiesarray(可选)

适用于 qwen3.5-livetranslate-flash-realtime。

模型输出模态设置,可选值:

  • ["text"]

    仅输出文本。

  • ["text","audio"](默认值)

    输出文本与音频。

voicestring(可选)

生成音频的音色。未启用声音复刻时,可设置为系统预设音色,可选值参见支持的音色。qwen3.8-livetranslate-flash-realtime 和 qwen3.5-livetranslate-flash-realtime 的默认音色为 Tina;qwen3-livetranslate-flash-realtime 的默认音色为 Cherry。

3.8 也支持在 audio 对象的 output 中设置音色。

启用声音复刻(enable_voice_clone为true)时,voice的取值取决于voice_clone_options.frequency:当frequency为once或always时,必须设置为default;当frequency为never时,设置为用户预先复刻的音色 ID。此时不可设置为系统预设音色,否则服务端会返回错误。

enable_voice_cloneboolean(可选)

是否启用声音复刻。默认值为false。启用后,可在翻译时实时复刻输入音频的音色,也可使用预先复刻的音色。此时voice不再使用系统预设音色,需设置为default或用户预先通过声音复刻 API复刻的音色 ID。

voice_clone_optionsobject(可选)

声音复刻控制参数,仅在enable_voice_clone为true时生效。

属性

frequencystring(可选)

音色复刻频率,可选值:

  • never

    不在服务端进行音色复刻,使用用户预先复刻好的音色。此时voice需设置为用户的复刻音色 ID。

  • once

    会话开始时基于输入音频进行一次音色复刻,后续输出复用该音色。适合单人演讲场景。此时voice需设置为default。

  • always

    每次输出前基于输入音频进行实时音色复刻,音色跟随输入动态变化。适合多人对话场景。此时voice需设置为default。

sample_rateinteger(可选)

适用于 qwen3.5-livetranslate-flash-realtime。

输入音频的采样率,单位为Hz。可选值:

  • 8000
  • 16000(默认)
input_audio_transcriptionobject(可选)

适用于 qwen3.5-livetranslate-flash-realtime。

qwen3.8-livetranslate-flash-realtime 的 ASR 始终开启,不支持关闭,识别结果免费。

输入音频相关配置。

属性

modelstring|null(可选)

语音识别模型,默认值为 qwen3-asr-flash-realtime,ASR 默认启用。服务端会在翻译的同时返回输入音频的语音识别结果(源语言原文),通过conversation.item.input_audio_transcription.text和conversation.item.input_audio_transcription.completed事件返回。如需关闭 ASR,请将此参数显式设置为 null。

可选值:qwen3-asr-flash-realtime(默认,启用 ASR)、null(关闭 ASR)。

languagestring(可选)

翻译源语种,可选值:支持的语种。默认不填写,此时模型会自动识别源语种。

input_audio_formatstring(可选)

适用于 qwen3.5-livetranslate-flash-realtime。

用户输入音频格式,可选值:

  • pcm(默认)

    未压缩的原始音频数据。

  • opus

    有损压缩音频编码,支持低延迟传输,适用于网络语音场景。

output_audio_formatstring(可选)

适用于 qwen3.5-livetranslate-flash-realtime。

输出音频格式,当前仅支持设为pcm。

turn_detectionobject|null(可选)

适用于 qwen3.5-livetranslate-flash-realtime。

语音活动检测(VAD,Voice Activity Detection)配置,用于控制语音起止的检测方式:

  • 设为配置对象(默认值):启用 VAD 模式。服务端自动检测语音起止,自动提交音频缓冲区并触发翻译响应,客户端无需发送input_audio_buffer.commit事件。
  • 设为null:启用 Manual 模式。由客户端通过input_audio_buffer.commit事件手动提交音频缓冲区,服务端收到后自动开始生成翻译响应。

属性

typestring(可选)

VAD 类型,固定为server_vad。

thresholdfloat(可选)

VAD 检测灵敏度。值越低,越容易将微弱声音(包括背景噪音)识别为语音;值越高,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 0.2。

silence_duration_msinteger(可选)

语音结束后需保持静音的最短时长(毫秒)。超过该时长后判定语音结束,服务端自动提交音频缓冲区并触发翻译响应。

取值范围:[200, 6000],默认值为 1000。

translationobject(可选)

翻译配置。

属性

languagestring(可选)

翻译目标语种,可选值:支持的语种。默认值为en。

same_language_skip_optionsobject(可选)

qwen3.8-livetranslate-flash-realtime 不支持此参数。

同语种输出配置。当源语种与目标语种相同时,可跳过文本输出、音频输出或两者。仅当翻译目标语种为zh或en时生效。

属性

skip_textboolean(可选)

是否在源语种与目标语种相同时跳过文本输出。

skip_audioboolean(可选)

是否在源语种与目标语种相同时跳过音频输出。

corpusobject(可选)

热词配置,用于提升特定词汇的翻译准确性。

属性

phrasesobject(可选)

热词映射表。key 为源语言词汇,value 为目标语言对应翻译。

示例:{"人工智能": "Artificial Intelligence"}

qwen3.8-livetranslate-flash-realtime

{
  "type": "session.update",
  "session": {
    "input_modalities": [
      "audio",
      "video"
    ],
    "output_modalities": [
      "text",
      "audio"
    ],
    "audio": {
      "input": {
        "format": {
          "type": "pcm",
          "sample_rate": 16000
        },
        "turn_detection": {
          "type": "speaker_detection",
          "threshold": 0.5
        }
      },
      "output": {
        "voice": "default"
      }
    },
    "enable_voice_clone": true,
    "voice_clone_options": {
      "frequency": "once"
    },
    "translation": {
      "language": "en",
      "corpus": {
        "phrases": {
          "人工智能": "Artificial Intelligence",
          "机器学习": "Machine Learning"
        }
      }
    }
  }
}

qwen3.5-livetranslate-flash-realtime

{
  "event_id": "event_ToPZqeobitzUJnt3QqtWg",
  "type": "session.update",
  "session": {
    "modalities": [
      "text",
      "audio"
    ],
    "voice": "default",
    "enable_voice_clone": true,
    "voice_clone_options": {
      "frequency": "once"
    },
    "sample_rate": 16000,
    "input_audio_format": "pcm",
    "output_audio_format": "pcm",
    "input_audio_transcription": {
      "model": "qwen3-asr-flash-realtime",
      "language": "zh"
    },
    "turn_detection": {
      "type": "server_vad",
      "threshold": 0.2,
      "silence_duration_ms": 1000
    },
    "translation": {
      "language": "en",
      "same_language_skip_options": {
        "skip_text": false,
        "skip_audio": false
      },
      "corpus": {
        "phrases": {
          "人工智能": "Artificial Intelligence",
          "机器学习": "Machine Learning"
        }
      }
    }
  }
}

input_audio_buffer.append

WebSocket 接入时,向输入音频缓冲区追加音频字节。服务端使用此缓冲区检测并决定语音提交时机。

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。

{
    "event_id": "event_xxx",
    "type": "input_audio_buffer.append",
    "audio": "xxx"
}

input_audio_buffer.commit

提交输入音频缓冲区。仅在 Manual 模式(turn_detection设为null)下需要发送此事件;VAD 模式下服务端会自动提交,客户端无需发送。

服务端收到该事件后,会返回input_audio_buffer.committed事件确认,并自动开始生成翻译响应(无需再发送其他事件触发响应)。若音频缓冲区为空,服务端将返回错误事件。

typestring(必选)

事件类型,固定为input_audio_buffer.commit。

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

input_audio_buffer.clear

清空输入音频缓冲区中尚未提交的音频数据。

typestring(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

WebSocket 接入时,将图像数据添加到图像缓冲区。图像可来自本地文件,或从视频流实时采集。

使用 qwen3.8-livetranslate-flash-realtime 时,先在 session.update 中将 session.input_modalities 设为 ["audio", "video"]。旧请求省略此字段时仍可上传图片,但模型不会处理。

目前对图片输入有以下限制:

  • 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;
  • 单张图片大小不大于500KB(Base64编码前);
  • 图片数据需要经过Base64编码;
  • 以不超过每秒 2 张的频率向缓冲区添加图像;
  • 发送 input_image_buffer.append 事件前,至少发送过一次 input_audio_buffer.append 事件。
typestring(必选)

事件类型,固定为input_image_buffer.append。

imagestring(必选)

Base64 编码的图像数据。

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

session.finish

用于结束当前会话。发送此事件后,服务端响应流程:

客户端监听到 session.finished 事件后,如需播放剩余译音,应先完成本地播放,再主动断开连接。

typestring(必选)

事件类型,固定为session.finish。

{
    "event_id": "event_xxx",
    "type": "session.finish"
}