Quincy Qwen3.5 Omni Flash Realtime

GET /v1/realtime

通过 OpenAI Realtime 风格的 WebSocket 调用 qwen3.5-omni-flash-realtime。画面以抽帧 JPEG 发送，不是整段视频流。

快照名 qwen3.5-omni-flash-realtime-2026-03-15 与别名能力相同。

使用本系统签发的 API Token。不要带 OpenAI 的 Sec-WebSocket-Protocol（openai-insecure-api-key.*）。本网关与上游均使用 Bearer。

建立连接

这是 WebSocket 接口（wss://），不是 HTTP GET。不要用普通 HTTPS curl 去调。

wss://open-api.fancyai.com/v1/realtime?model=qwen3.5-omni-flash-realtime

Authorization: Bearer YOUR_API_KEY

curl（需要 curl 8+ 且支持 WebSocket）：

curl --no-buffer \
  -H "Authorization: Bearer $API_KEY" \
  "wss://open-api.fancyai.com/v1/realtime?model=qwen3.5-omni-flash-realtime"

连接成功后，服务端会下发 session.created。

Python:

import os
import json
import websocket

WS_URL = "wss://open-api.fancyai.com/v1/realtime?model=qwen3.5-omni-flash-realtime"
API_KEY = os.environ["API_KEY"]

def on_open(ws):
    print("connected")

def on_message(ws, message):
    print(json.dumps(json.loads(message), ensure_ascii=False, indent=2))

ws = websocket.WebSocketApp(
    WS_URL,
    header=["Authorization: Bearer " + API_KEY],
    on_open=on_open,
    on_message=on_message,
)
ws.run_forever()

Request

Responses

Switching Protocols — WebSocket established

配置会话

连接后发送 session.update：

{
  "event_id": "event_001",
  "type": "session.update",
  "session": {
    "modalities": ["text", "audio"],
    "voice": "Tina",
    "instructions": "你是语音助手，用简洁口语回答。",
    "audio": {
      "input": { "format": { "type": "pcm", "sample_rate": 16000 } },
      "output": { "format": { "type": "pcm", "sample_rate": 24000 } }
    },
    "turn_detection": {
      "type": "semantic_vad",
      "threshold": 0.5,
      "silence_duration_ms": 800
    }
  }
}

字段	说明
`modalities`	`["text"]` 只出文本；`["text","audio"]` 出文本+语音
`voice`	输出音色，默认 `Tina`
`audio.input/output.format`	仅 3.5 Realtime 支持。输入默认 pcm/16000，输出默认 pcm/24000。采样率可选 8000/16000/24000/48000
`input_audio_format` / `output_audio_format`	旧字段，仍可用
`turn_detection`	`semantic_vad`（推荐）或 `server_vad`。设为 `null` 为手动模式
`enable_search`	联网搜索，默认关闭。不可与 `tools` 同时开启
`tools`	函数工具。不可与 `enable_search` 同时开启

配置成功后服务端返回 session.updated。

会话结束发送 session.finish，或直接断开 WebSocket。不关闭会导致上下文一直累积并持续计费。

发送音频

PCM/WAV 音频做 Base64 后发送：

{
  "type": "input_audio_buffer.append",
  "audio": "<base64>"
}

建议约 100ms 一包。

VAD 模式（semantic_vad / server_vad）：服务端检测到说完后自动提交并生成回复。

手动模式（turn_detection 为 null）：发完音频后自行提交并触发回复：

{ "type": "input_audio_buffer.commit" }

{ "type": "response.create" }

打断当前回复：

{ "type": "response.cancel" }

发送图片（视频抽帧）

模型不接收整段视频。从摄像头或视频里抽帧，按 JPEG 做 Base64 发送：

{
  "type": "input_image_buffer.append",
  "image": "<base64 jpeg>"
}

约束：

必须先至少发送过一次 input_audio_buffer.append
格式 JPG/JPEG；建议 480P 或 720P，最高 1080P
Base64 后单张不超过 256KB，编码前建议不超过 190KB
实时看画面建议 1 帧/秒（最多 2 帧/秒）
VAD 模式下，在 input_audio_buffer.speech_stopped 之前把当前帧发完

音频是时间轴，图片按发送时刻插入。可以随时打开或关闭画面。

纯文本输入

{
  "type": "conversation.item.create",
  "item": {
    "type": "message",
    "role": "user",
    "content": [{ "type": "input_text", "text": "现在外面天气怎么样？" }]
  }
}

手动模式随后再发 response.create。

接收回复

只出文本：

事件	含义
`response.text.delta`	增量文本
`response.text.done`	完整文本

出文本+音频：

事件	含义
`response.audio_transcript.delta`	语音对应的增量文本
`response.audio_transcript.done`	完整转写
`response.audio.delta`	Base64 增量音频，解码后播放
`response.audio.done`	本段音频结束
`response.done`	本轮结束，带 `usage`

其它常用事件：

事件	含义
`session.created`	连接就绪
`session.updated`	会话配置已生效
`input_audio_buffer.speech_started`	检测到用户开始说话（可在此取消当前回复）
`input_audio_buffer.speech_stopped`	检测到用户说完
`conversation.item.input_audio_transcription.completed`	用户语音转写完成（需开启输入转录）
`error`	错误

计费

按每轮 response.done 里的 Token 计费，不按连接时长。多轮对话时，窗口内的历史音频/图片/文本会再次计入本轮输入。

出语音时，输出文本不再另计（与网关结算一致）。

单价按新加坡地域原价、人民币兑美元 6.8 折算：

计费项	flash-realtime
输入：文本 / 图片 / 视频帧	$0.606 / M
输入：音频	$4.959 / M
输出：仅文本	$3.637 / M
输出：文本 + 音频（输出文本不计费）	$19.507 / M

音频折算（不足 1 秒按 1 秒）：

输入：秒数 × 7
输出：秒数 × 12.5

图片 / 视频帧：每 32×32 像素约 1 Token，单张最少 4、最多 1280。

联网搜索另计，默认关闭。tools 与 enable_search 不能同时开。

限制

	flash-realtime
音频最大轮次	80
视频（帧）最大轮次	50
音频最大时长	480 s
视频（帧）最大时长	120 s
单次会话	最长 120 分钟

超时后服务端会断开。更早的历史会被丢掉。 Prefer flash for latency-sensitive voice.

选型

语音助手、偶尔看一眼画面请用 flash。更强理解、更长上下文请用 qwen3.5-omni-plus-realtime。本接口不提供 WebRTC / AOQ。

官方能力说明见 Qwen-Omni 实时模型。客户端只连本系统 /v1/realtime。

Quincy Qwen3.5 Omni Flash Realtime

/v1/realtime

建立连接​

Request​

Responses​

配置会话​

发送音频​

发送图片（视频抽帧）​

纯文本输入​

接收回复​

计费​

限制​

选型​