Skip to main content

Qwen-Audio-ASR Node.js SDK

Requisitos previos

Obtenga una clave API en la consola y configúrela como variable de entorno DASHSCOPE_API_KEY.

Instalar el SDK

Requiere Node.js 18 o posterior. Descargue el paquete SDK 0.1.0 y ejecute en su proyecto:
npm install ./dashscope-sdk-nodejs-0.1.0.tgz

Inicio rápido

Use los mismos ejemplos para los modelos indicados. Sustituya el ID del modelo según la tabla.
ModeloID de modelo en el ejemplo
Qwen-Audio-ASR-Streamingqwen-audio-3.1-asr-flash-streaming
Qwen-Audio-ASR-Messageqwen-audio-3.1-asr-flash-message
Descargue el audio de ejemplo como input.mp3 y conviértalo a PCM mono de 16 kHz y 16 bits:
ffmpeg -i input.mp3 -f s16le -ac 1 -ar 16000 input.pcm
Guarde el ejemplo como example.mjs y ejecute node example.mjs.
import { readFile } from 'node:fs/promises'
import { setTimeout as sleep } from 'node:timers/promises'
import { RecognitionClient } from 'dashscope-sdk-nodejs/asr'

const pcm = await readFile('input.pcm')
const asr = new RecognitionClient({
  apiKey: process.env.DASHSCOPE_API_KEY,
  workspaceId: process.env.DASHSCOPE_WORKSPACE_ID,
  baseUrl: 'dashscope-intl.aliyuncs.com',
  model: 'qwen-audio-3.1-asr-flash-streaming',
  format: 'pcm',
  sampleRate: 16000,
})
asr.on('sentenceEnd', sentence => console.log('Final sentence:', sentence.text))
asr.on('error', err => console.error(err.code, err.message))

try {
  await asr.start()
  for (let offset = 0; offset < pcm.length; offset += 3200) {
    asr.sendAudio(pcm.subarray(offset, offset + 3200))
    await sleep(100)
  }
  await asr.finish()
} finally {
  asr.close()
}

Parámetros de solicitud

Qwen-Audio-ASR-Streaming

Referencia común Opciones del constructor de RecognitionClient:
ParámetroTipoObligatorioDescripción
apiKeystringNoClave API. Usa DASHSCOPE_API_KEY de forma predeterminada.
workspaceIdstringNoID del espacio de trabajo. Usa DASHSCOPE_WORKSPACE_ID de forma predeterminada.
baseUrlstringNoEstablezca el host en dashscope-intl.aliyuncs.com (Singapur).
modelstringNoID del modelo. Predeterminado: qwen-audio-3.1-asr-flash-streaming.
format'pcm' | 'wav' | 'mp3' | 'opus' | 'speex' | 'aac' | 'amr'NoFormato de audio. Predeterminado: pcm. WAV usa PCM, Opus/Speex usan contenedores Ogg y AMR usa AMR-NB.
sampleRatenumberNoFrecuencia de muestreo real en Hz. Predeterminado: 16000.
vocabularyIdstringNoID del vocabulario precompilado.
languageHintsstring[]NoIndicaciones del idioma de reconocimiento. Se aplican como máximo los primeros 4 valores. Detección automática si se omiten.
multiThresholdModeEnabledbooleanNoModo de múltiples umbrales para evitar segmentos VAD demasiado largos. Predeterminado: false.
maxSentenceSilencenumberNoUmbral de silencio de fin de frase VAD en ms: [200,6000]; predeterminado: 800.
heartbeatbooleanNoKeepalive en silencio. Predeterminado: false; siga enviando audio silencioso si se activa.
contextAsrContextMessage[]NoContexto de reconocimiento. Formato: { role, content: [{ type: "input_text", text }] }, con role igual a user o assistant. Hasta 5 mensajes por rol y menos de 400 caracteres en total, en orden de turnos.
parametersPartial<RecognitionParameters>NoParámetros adicionales, como vad_model, keep_dialect y vocabulary.
connectTimeoutMsnumberNoTiempo de conexión en ms. Predeterminado: 10000.
taskTimeoutMsnumberNoTiempo de confirmación de inicio/fin en ms. Predeterminado: 60000; 0 lo desactiva.
parameters.vad_model'near_meeting_16k' | 'far_field_meeting_16k'NoVAD de campo cercano o lejano. Predeterminado: far_field_meeting_16k.
parameters.keep_dialectbooleanNoConserva expresiones dialectales. Predeterminado: false.
parameters.vocabularyRecord<string, number>NoVocabulario instantáneo: palabras como claves y pesos en [1,5] o 50 como valores.
parameters.speech_noise_thresholdnumberNoUmbral de sensibilidad VAD: [-1,1].

Qwen-Audio-ASR-Message

Referencia común Opciones del constructor de RecognitionClient:
ParámetroTipoObligatorioDescripción
apiKeystringNoClave API. Usa DASHSCOPE_API_KEY de forma predeterminada.
workspaceIdstringNoID del espacio de trabajo. Usa DASHSCOPE_WORKSPACE_ID de forma predeterminada.
baseUrlstringNoEstablezca el host en dashscope-intl.aliyuncs.com (Singapur).
modelstringSíEstablezca el ID en qwen-audio-3.1-asr-flash-message.
format'pcm' | 'wav' | 'mp3' | 'opus' | 'speex' | 'aac' | 'amr'NoFormato de audio. Predeterminado: pcm. WAV usa PCM, Opus/Speex usan contenedores Ogg y AMR usa AMR-NB.
sampleRatenumberNoFrecuencia de muestreo de audio. Use 16000 Hz.
vocabularyIdstringNoID del vocabulario precompilado.
languageHintsstring[]NoIndicaciones del idioma de reconocimiento. Se aplican como máximo los primeros 4 valores. Detección automática si se omiten.
disfluencyRemovalEnabledbooleanNoElimina disfluencias y mejora el texto. Predeterminado: false.
maxSentenceSilencenumberNoUmbral de silencio de fin de frase VAD en ms: [200,6000]; predeterminado: 800.
heartbeatbooleanNoKeepalive en silencio. Predeterminado: false; siga enviando audio silencioso si se activa.
contextAsrContextMessage[]NoContexto de reconocimiento. Formato: { role, content: [{ type: "input_text", text }] }, con role igual a user o assistant. Hasta 5 mensajes por rol y menos de 400 caracteres en total, en orden de turnos.
parametersPartial<RecognitionParameters>NoParámetros adicionales, como vad_model, keep_dialect y vocabulary.
connectTimeoutMsnumberNoTiempo de conexión en ms. Predeterminado: 10000.
taskTimeoutMsnumberNoTiempo de confirmación de inicio/fin en ms. Predeterminado: 60000; 0 lo desactiva.
parameters.vad_model'near_meeting_16k' | 'far_field_meeting_16k'NoVAD de campo cercano o lejano. Predeterminado: far_field_meeting_16k.
parameters.keep_dialectbooleanNoConserva expresiones dialectales. Predeterminado: false.
parameters.vocabularyRecord<string, number>NoVocabulario instantáneo: palabras como claves y pesos en [1,5] o 50 como valores.
parameters.speech_noise_thresholdnumberNoUmbral de sensibilidad VAD: [-1,1].
parameters.intermediate_result_enabledbooleanNoDevuelve resultados intermedios de reconocimiento. Predeterminado: false.

Referencia de la API

Qwen-Audio-ASR-Streaming

Métodos principales

MétodoValor de retornoDescripción
start()Promise<void>Inicia el reconocimiento; envíe audio tras resolverse.
sendAudio(audio: Buffer | Uint8Array)voidEnvía tramas de audio con el formato y la frecuencia configurados.
finish()Promise<void>Termina la entrada y espera a la finalización. El texto llega por callbacks.
close(code?: number, reason?: string)voidCierra la conexión y libera los recursos de la tarea.

Eventos de callback

Registre callbacks con on(event, listener). Consulte los campos completos en eventos del servidor.
EventoCarga útilDescripción
started{ taskId: string }La tarea ha comenzado y acepta entrada.
result{ text: string; sentence_end: boolean; sentence_begin?: boolean; words?: RecognitionWord[] }Frase intermedia o final, excluidos los resultados de heartbeat.
sentenceEnd{ text: string; sentence_end: boolean; sentence_begin?: boolean; words?: RecognitionWord[] }Frase final con sentence_end === true.
finished{ taskId: string; duration?: number; usage?: RecognitionUsage }La tarea ha terminado y el estado local se ha borrado.
failed / errorDashScopeErrorError con code, message e identificadores de solicitud.
close{ code: number; reason: string }Notificación de cierre de la conexión subyacente.
eventServerEventMensaje JSON original del servicio.

Qwen-Audio-ASR-Message

Métodos principales

MétodoValor de retornoDescripción
start()Promise<void>Inicia el reconocimiento; envíe audio tras resolverse.
sendAudio(audio: Buffer | Uint8Array)voidEnvía tramas de audio con el formato y la frecuencia configurados.
updateContext(context: AsrContextMessage[])voidActualiza el contexto tras el inicio y antes de terminar la entrada.
finish()Promise<void>Termina la entrada y espera a la finalización. El texto llega por callbacks.
close(code?: number, reason?: string)voidCierra la conexión y libera los recursos de la tarea.

Eventos de callback

Registre callbacks con on(event, listener). Consulte los campos completos en eventos del servidor.
EventoCarga útilDescripción
started{ taskId: string }La tarea ha comenzado y acepta entrada.
result{ text: string; sentence_end: boolean; sentence_begin?: boolean; words?: RecognitionWord[] }Frase intermedia o final, excluidos los resultados de heartbeat.
sentenceEnd{ text: string; sentence_end: boolean; sentence_begin?: boolean; words?: RecognitionWord[] }Frase final con sentence_end === true.
finished{ taskId: string; duration?: number; usage?: RecognitionUsage }La tarea ha terminado y el estado local se ha borrado.
failed / errorDashScopeErrorError con code, message e identificadores de solicitud.
close{ code: number; reason: string }Notificación de cierre de la conexión subyacente.
eventServerEventMensaje JSON original del servicio.