Skip to main content

Guía de conexión WebSocket

Qwen-ASR-Realtime recibe flujos de audio y transcribe el habla en tiempo real a través de WebSocket. El servicio admite dos modos de interacción: modo VAD y modo manual.

Guía del usuario: Para obtener descripciones generales de modelos y orientación sobre selección, consulte Voz a texto. Para ver código de ejemplo, consulte Reconocimiento de voz en tiempo real. Límites de velocidad: Las llamadas al modelo están sujetas a límites de velocidad. Cuando se supera un límite, el servidor devuelve el error Requests rate limit exceeded, please try again later. Reduzca su tasa de solicitudes o concurrencia y vuelva a intentarlo. Para conocer los límites de velocidad de cada modelo, consulte Limitación de velocidad.

Endpoint de servicio

Utilice la siguiente URL de WebSocket. El parámetro de consulta model especifica el modelo. Reemplace <model_name> con el nombre del modelo:
  • Singapore
  • China (Beijing)
wss://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api-ws/v1/realtime?model=<model_name>Reemplace {WorkspaceId} con su ID de espacio de trabajo real.
Alibaba Cloud Model Studio ha lanzado dominios específicos del espacio de trabajo para las regiones China (Pekín) y Singapore. Los nuevos dominios dedicados ofrecen un rendimiento superior y una mayor estabilidad para las solicitudes de inferencia. Recomendamos migrar a los nuevos dominios:
  • China (Pekín): de dashscope.aliyuncs.com a {WorkspaceId}.cn-beijing.maas.aliyuncs.com
  • Singapur: de dashscope-intl.aliyuncs.com a {WorkspaceId}.ap-southeast-1.maas.aliyuncs.com
Reemplace {WorkspaceId} con su ID de espacio de trabajo real. Los dominios existentes permanecen totalmente funcionales.
Utilice el esquema wss://. Establezca la autorización en los encabezados de la solicitud (consulte Encabezados de solicitud). Especifique el modelo mediante el parámetro de consulta model.

Encabezados de solicitud

Incluya los siguientes campos en los encabezados de la solicitud:

Parámetro

Tipo

Obligatorio

Descripción

Authorization

string

Sí

Token de autenticación en el formato Bearer <your_api_key>. Reemplace <your_api_key> con su clave de API.

user-agent

string

No

Identificador de cliente que ayuda al servidor a rastrear el origen de las solicitudes.

X-DashScope-WorkSpace

string

No

El ID de espacio de trabajo de Alibaba Cloud Model Studio.

X-DashScope-DataInspection

string

No

Indica si se debe habilitar la inspección de datos. Omita este encabezado a menos que se requiera la inspección de datos; si es así, establezca el valor en enable.

La autorización se verifica durante el protocolo de enlace de WebSocket. Si la clave de API no es válida o falta, el protocolo de enlace falla con un error HTTP 401 o 403.

Flujos de interacción

Para obtener detalles sobre los eventos de cliente y servidor, consulte Eventos de cliente para Qwen-ASR-Realtime y Eventos de servidor. Qwen-ASR-Realtime admite dos modos de interacción:
  • Modo VAD (predeterminado): El servidor utiliza la detección de actividad de voz (VAD) para detectar automáticamente el inicio y el final de cada expresión. Utilice este modo para conversaciones en tiempo real, transcripción de reuniones y escenarios similares.
  • Modo manual: El cliente controla los límites de las expresiones. Utilice este modo cuando el cliente pueda determinar explícitamente dichos límites, como al enviar un mensaje de voz en una aplicación de mensajería.

Modo VAD (predeterminado)

El servidor detecta automáticamente el inicio y el final de cada expresión. Envíe el flujo de audio de forma continua; el servidor devuelve la transcripción final de cada expresión una vez que detecta el final. Utilice este modo para conversaciones en tiempo real, transcripción de reuniones y escenarios similares. Para habilitar: Configure el parámetro session.turn_detection en el evento session.update del cliente.
imagen
  • El cliente envía eventos input_audio_buffer.append para agregar audio al búfer.
  • El servidor devuelve un evento input_audio_buffer.speech_started cuando se detecta voz. Nota: Si el cliente envía session.finish para finalizar la sesión antes de que llegue este evento, el servidor devuelve inmediatamente un evento session.finished. A continuación, el cliente debe cerrar la conexión.
  • El cliente continúa enviando eventos input_audio_buffer.append para enviar audio.
  • Después de enviar todo el audio, el cliente envía un evento session.finish para finalizar la sesión.
    En modo VAD, el cliente debe enviar un evento session.finish antes de cerrar la conexión. Si el cliente cierra la conexión WebSocket sin enviar primero session.finish, el servidor descarta el elemento actual en curso y no se entregarán eventos como conversation.item.input_audio_transcription.completed. Envíe {"type":"session.finish"} antes de llamar a ws.Close() y espere al evento session.finished antes de cerrar la conexión.
  • El servidor devuelve un evento input_audio_buffer.speech_stopped cuando detecta el final del habla.
  • El servidor devuelve un evento input_audio_buffer.committed.
  • El servidor devuelve un evento conversation.item.created.
  • El servidor devuelve un evento conversation.item.input_audio_transcription.text que contiene resultados de transcripción parciales.
  • El servidor devuelve un evento conversation.item.input_audio_transcription.completed que contiene el resultado final de la transcripción.
  • El servidor devuelve un evento session.finished para indicar que el reconocimiento ha finalizado. A continuación, el cliente debe cerrar la conexión.

Modo manual

El cliente controla los límites de las expresiones. Después de enviar el audio correspondiente a una expresión completa, el cliente envía un evento input_audio_buffer.commit para notificar al servidor. Utilice este modo cuando el cliente pueda determinar explícitamente dichos límites, como al enviar un mensaje de voz en una aplicación de mensajería. Para habilitar: Establezca session.turn_detection en null en el evento session.update del cliente.
imagen