客户端事件 - 阿里云百炼

相关文档：实时语音/音视频翻译-千问。

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

modalitiesarray（可选）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。Qwen3.5-LiveTranslate-Flash-Realtime默认音色为： Tina。Qwen3-LiveTranslate-Flash-Realtime默认音色为： Cherry。

启用声音复刻（enable_voice_clone为true）时，voice的取值取决于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，模型会基于输入音频复刻音色用于翻译输出，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

voice_clone_options.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）输入音频的采样率，单位为Hz。可选值：

8000
16000（默认）

input_audio_transcriptionobject（可选）输入音频相关配置。

属性

modelstring（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）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）输出音频格式，当前仅支持设为pcm。turn_detectionobject（可选）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）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translation.language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"}

{
  "event_id": "event_ToPZqeobitzUJnt3QqtWg",
  "type": "session.update",
  "session": {
    "modalities": [
      "text",
      "audio"
    ],
    "voice": "Tina",
    "sample_rate": 16000,
    "input_audio_format": "pcm",
    "output_audio_format": "pcm",
    "input_audio_transcription": {
      "model": "qwen3-asr-flash-realtime",
      "language": "zh"
    },
    "translation": {
      "language": "en",
      "corpus": {
        "phrases": {
          "人工智能": "Artificial Intelligence",
          "机器学习": "Machine Learning"
        }
      }
    }
  }
}

启用声音复刻（frequency=once）的示例：

{
  "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",
    "translation": {
      "language": "en"
    }
  }
}

源语种和目标语种均为英语，并跳过文本和音频输出的示例：

{
  "event_id": "event_xxx",
  "type": "session.update",
  "session": {
    "input_audio_transcription": {
      "language": "en"
    },
    "translation": {
      "language": "en",
      "same_language_skip_options": {
        "skip_text": true,
        "skip_audio": true
      }
    }
  }
}

input_audio_buffer.append

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

用于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。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：

已检测到语音：服务端完成语音识别后，发送包含识别结果的conversation.item.input_audio_transcription.completed事件，随后发送session.finished事件作为会话结束标识。
未检测到语音：服务端直接发送session.finished事件。

客户端监听到session.finished事件后，需主动断开连接。

typestring(必选)事件类型，固定为session.finish。

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

​session.update

​input_audio_buffer.append

​input_audio_buffer.commit

​input_audio_buffer.clear