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。
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 output_modalities array（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 input object输入音频配置。
属性 turn_detection object（可选）语音检测配置。
属性 type string（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。array（可选）适用于 qwen3.5-livetranslate-flash-realtime。模型输出模态设置，可选值：
string（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。启用声音复刻（enable_voice_clone boolean（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 frequency string（可选）音色复刻频率，可选值：
integer（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：
object（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 model string|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。string（可选）适用于 qwen3.5-livetranslate-flash-realtime。用户输入音频格式，可选值：
string（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：
属性 type string（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。object（可选）翻译配置。
属性 language string（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_text boolean（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。object（可选）热词配置，用于提升特定词汇的翻译准确性。
属性 phrases object（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"} |
|
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。 |
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。 |
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。 |
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。 |
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：服务端完成剩余翻译；启用原文识别时，通过 conversation.item.input_audio_transcription.completed 事件返回完整原文。所有音频翻译完成后，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。
session.finished事件后，需主动断开连接。
typestring(必选)事件类型，固定为session.finish。 |