Qwen-Audio 实时语音对话客户端事件

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

说明：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。

typestring（必选）事件类型，固定为 session.update。sessionobject（可选）会话配置。

属性

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。

voicestring（可选）TTS 音色名称，默认值为 longanqian。支持两种类型，仅可在第一次 session.update 中设置，后续传入将被忽略。

系统音色：可选值：longanqian、longanlingxin、longanlingxi、longanxiaoxin、longanlufeng。
声音复刻音色：通过声音复刻 API 创建，将返回的 voice_id 填入此参数。详见音色配置。

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：true。可选值：true、false。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。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。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。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。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。

search_optionsobject（可选）联网搜索配置，仅在 enable_search 为 true 时生效。

属性

enable_sourceboolean（可选）是否返回搜索结果来源。设置为 true 时返回。

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。

属性

typestring（必选）固定为 function。function.namestring（必选）工具函数名称。function.descriptionstring（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.parametersobject（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

typestring（必选）固定为 object。propertiesobject（可选）描述各入参的名称、数据类型与说明。requiredarray（可选）指定哪些入参为必填项。

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。

属性

typestring（可选）VAD 类型，可选值：

server_vad（默认值）：基于声学特征检测语音起止，自动触发推理。
smart_turn：融合声学感知与语义理解的智能轮次检测，通过声学与语义双重判断轮次边界。无语义的声音（如”嗯”、”啊”）不会触发对话轮或打断模型播报。

thresholdfloat（可选）VAD灵敏度，仅在 server_vad 模式下生效（smart_turn 模式下无效）。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。silence_duration_msinteger（可选）语音结束后需保持静音的最短时间（毫秒），仅在 server_vad 模式下生效（smart_turn 模式下无效）。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。对话场景推荐 400-800。voiceprint_audio_urlsarray（可选）仅在 smart_turn 模式下生效。目标用户预录音频的公网可访问 URL 列表，用于说话人增强。传入后，模型将在双工对话中精准锁定目标说话人，有效忽略旁人声音与背景噪声。最多支持 5 个 URL。音频格式要求：16kHz PCM 或 WAV。

该参数仅在第一次发送 session.update 事件时可配置，后续传入该字段将被忽略。

{
    "type": "session.update",
    "session": {
        "modalities": [
            "text",
            "audio"
        ],
        "voice": "longanqian",
        "turn_detection": {
            "type": "server_vad",
            "threshold": 0.5,
            "silence_duration_ms": 800
        }
    }
}

Function Calling：

{
    "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）：

{
    "type": "session.update",
    "session": {
        "turn_detection": {
            "type": "smart_turn",
            "voiceprint_audio_urls": [
                "https://example.com/speaker1.pcm",
                "https://example.com/speaker2.wav"
            ]
        }
    }
}

input_audio_buffer.append

说明：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。

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

说明：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 / smart_turn 模式下此事件被忽略。

typestring（必选）事件类型，固定为 input_audio_buffer.commit。

{
    "type": "input_audio_buffer.commit"
}

input_audio_buffer.clear

说明：仅 push-to-talk 模式。清空缓冲区中尚未提交的音频。server_vad / smart_turn 模式下此事件被忽略。服务端以 input_audio_buffer.cleared 事件响应。

typestring（必选）事件类型，固定为 input_audio_buffer.clear。

{
    "type": "input_audio_buffer.clear"
}

conversation.item.create

说明：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。

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。

属性

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。typestring（必选）对话项类型，可选值：

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。

rolestring（message 类型必选）消息角色，可选值：system、user、assistant。contentarray（message 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。

各 role 支持的 content 类型

systeminput_text：系统消息，必填字段 text。user

input_text：用户文本输入，必填字段 text。
input_audio：用户音频输入，必填字段 audio（Base64 编码）。

assistantoutput_text：助手文本输出，必填字段 text。

call_idstring（function_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。namestring（function_call 类型必选）要调用的函数名称。argumentsstring（function_call 类型必选）函数调用参数，JSON 字符串格式。outputstring（function_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

说明：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。

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

说明：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。

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

说明：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。
smart_turn 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 / smart_turn 模式下，手动触发的推理仍可能被新语音打断。

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。

属性

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。voicestring（可选）覆盖本轮的 TTS 音色。

{
    "type": "response.create",
    "response": {
        "modalities": ["audio", "text"]
    }
}

response.cancel

说明：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。

typestring（必选）事件类型，固定为 response.cancel。

{
    "type": "response.cancel"
}

​session.update

​input_audio_buffer.append

​input_audio_buffer.commit

​input_audio_buffer.clear

​conversation.item.create

​conversation.item.retrieve

​conversation.item.delete

​response.create

​response.cancel

session.update

input_audio_buffer.append

input_audio_buffer.commit

input_audio_buffer.clear

conversation.item.create

conversation.item.retrieve

conversation.item.delete

response.create

response.cancel