Skip to main content

Speech-to-text

La reconnaissance vocale Model Studio transcrit les flux audio et les enregistrements, avec prise en charge multilingue, dialectes, mots-clés, contexte, reformulation et diarisation.

Fonctionnalités

La reconnaissance vocale convertit la parole des fichiers audio ou vidéo en texte pour la saisie vocale, les sous-titres en direct, les comptes rendus et l’analyse des appels. Model Studio accepte les flux audio continus et les enregistrements complets. Les langues, dialectes et fonctions d’amélioration varient selon le modèle.

Choisir un modèle

Choisissez un modèle selon l’entrée audio, le cas d’utilisation et le mode de réception des résultats. Les recommandations suivantes utilisent la série Qwen-Audio 3.1.
TypeCas d’utilisationModèle recommandéDifférence principale
Temps réelTranscription continue, notamment les sous-titres en direct et les réunionsqwen-audio-3.1-asr-flash-streamingEnvoie l’audio en continu tout en recevant les résultats intermédiaires et finaux.
Énoncés courts, tels que la dictée ou les messages vocauxqwen-audio-3.1-asr-flash-messageRenvoie les résultats finaux des phrases par défaut. Les résultats intermédiaires et la reformulation s’activent séparément.
Non temps réelEnregistrements courts de 5 minutes maximumqwen-audio-3.1-asr-flashRenvoie les résultats dans la requête courante, avec une sortie SSE facultative.
Enregistrements longs et transcription audio/vidéo en arrière-planqwen-audio-3.1-asr-flash-filetransSoumet une tâche asynchrone. Les fichiers de transcription sont à télécharger après son achèvement.

Méthodes de reconnaissance

MéthodeEntrée audioRéception des résultats
Reconnaissance vocale en temps réelEnvoie des fragments audio en continu pour afficher la transcription pendant la capture de la parole.Reçoit les résultats pendant l’envoi audio. Les résultats intermédiaires et finaux dépendent du modèle.
Reconnaissance vocale non temps réelSoumet un fichier audio ou vidéo complet pour traiter un enregistrement existant.Les appels synchrones renvoient les résultats dans la requête courante, éventuellement par événements SSE si le modèle le permet. Les appels asynchrones renvoient d’abord un ID de tâche, puis des fichiers de résultat après l’achèvement.

Améliorer la reconnaissance et exploiter les résultats

Après avoir choisi un modèle, utilisez ses fonctions pour améliorer la reconnaissance des termes, la lisibilité et les résultats structurés. Pour les détails de configuration, consultez le guide de reconnaissance temps réel ou non temps réel.
  • Mots-clés et contexte: Les mots-clés indiquent l’orthographe attendue des noms, marques et autres termes. Le contexte ajoute les dialogues précédents et le contexte métier. Pour la configuration, la compatibilité et le réglage, consultez Améliorer la précision de reconnaissance.
  • Reformulation du texte: Organise les hésitations, répétitions et autocorrections. La reformulation native est disponible avec qwen-audio-3.1-asr-flash-message et qwen-audio-3.1-asr-flash.
  • Préserver les expressions dialectales: qwen-audio-3.1-asr-flash-streaming, qwen-audio-3.1-asr-flash-message, qwen-audio-3.1-asr-flash, qwen-audio-3.1-asr-flash-filetrans peuvent préserver les expressions propres aux dialectes. Reconnaître un dialecte et préserver ses expressions écrites sont deux capacités distinctes.
  • Diarisation des locuteurs: Attribue des identifiants aux locuteurs pour distinguer les participants d’une réunion ou d’un entretien. qwen-audio-3.1-asr-flash et qwen-audio-3.1-asr-flash-filetrans prennent cette fonction en charge.
  • Horodatages: Associent les phrases ou mots à leur position audio pour les sous-titres, la mise en évidence de termes et la navigation.
  • Filtrage des mots sensibles: Remplace certains mots par des astérisques ou les supprime du texte.
Pour la préparation audio, la gestion des connexions et de la concurrence, les tâches asynchrones et les erreurs, consultez les bonnes pratiques de reconnaissance vocale.

Modèles et langues

Les listes suivantes indiquent les langues et dialectes pris en charge par famille et version de modèle.
  • qwen-audio-3.1-asr-flash-streaming, qwen-audio-3.0-asr-flash-streaming : chinois (mandarin, cantonais, wu, hokkien, hakka, gan, xiang, jin ; ainsi que les accents régionaux incluant les plaines centrales, le sud-ouest, ji-lu, jianghuai, lan-yin, jiao-liao, nord-est, Pékin et Hong Kong/Taïwan — couvrant les accents du Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu et Ningxia), anglais, japonais, coréen, vietnamien, thaï, indonésien, malais, filipino, hindi, arabe, français, allemand, espagnol, portugais, russe, italien, néerlandais, suédois, danois, finnois, norvégien, grec, polonais, tchèque, hongrois, roumain, bulgare, croate, slovaque
  • qwen-audio-3.1-asr-flash-message : chinois (mandarin, cantonais, wu, hokkien, hakka, gan, xiang, jin ; ainsi que les accents régionaux incluant les plaines centrales, le sud-ouest, ji-lu, jianghuai, lan-yin, jiao-liao, nord-est, Pékin et Hong Kong/Taïwan — couvrant les accents du Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu et Ningxia), anglais, japonais, coréen, vietnamien, thaï, indonésien, malais, filipino, hindi, arabe, français, allemand, espagnol, portugais, russe, italien, néerlandais, suédois, danois, finnois, norvégien, grec, polonais, tchèque, hongrois, roumain, bulgare, croate, slovaque
  • qwen-audio-3.1-asr-flash : chinois (mandarin, cantonais, wu, hokkien, hakka, gan, xiang, jin ; ainsi que les accents régionaux incluant les plaines centrales, le sud-ouest, ji-lu, jianghuai, lan-yin, jiao-liao, nord-est, Pékin et Hong Kong/Taïwan — couvrant les accents du Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu et Ningxia), anglais, japonais, coréen, vietnamien, thaï, indonésien, malais, filipino, hindi, arabe, français, allemand, espagnol, portugais, russe, italien, néerlandais, suédois, danois, finnois, norvégien, grec, polonais, tchèque, hongrois, roumain, bulgare, croate, slovaque, turc, persan, marathi, malayalam, népalais, kirghize, azerbaïdjanais, géorgien, arménien, slovène, albanais, estonien, letton, lituanien, catalan, basque, galicien, odia, maldivien, assamais, kurde du Nord, tigré, frison occidental, bachkir, biélorusse, tatar, interlingua, mari des prairies, toki pona
  • qwen-audio-3.0-asr-flash : chinois (mandarin, cantonais, wu, hokkien, hakka, gan, xiang, jin ; ainsi que les accents régionaux incluant les plaines centrales, le sud-ouest, ji-lu, jianghuai, lan-yin, jiao-liao, nord-est, Pékin et Hong Kong/Taïwan — couvrant les accents du Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu et Ningxia), anglais, japonais, coréen, vietnamien, thaï, indonésien, malais, filipino, hindi, arabe, français, allemand, espagnol, portugais, russe, italien, néerlandais, suédois, danois, finnois, norvégien, grec, polonais, tchèque, hongrois, roumain, bulgare, croate, slovaque
  • qwen-audio-3.1-asr-flash-filetrans, qwen-audio-3.0-asr-flash-filetrans : chinois (mandarin, cantonais, wu, hokkien, hakka, gan, xiang, jin ; ainsi que les accents régionaux incluant les plaines centrales, le sud-ouest, ji-lu, jianghuai, lan-yin, jiao-liao, nord-est, Pékin et Hong Kong/Taïwan — couvrant les accents du Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu et Ningxia), anglais, japonais, coréen, vietnamien, thaï, indonésien, malais, filipino, hindi, arabe, français, allemand, espagnol, portugais, russe, italien, néerlandais, suédois, danois, finnois, norvégien, grec, polonais, tchèque, hongrois, roumain, bulgare, croate, slovaque
  • fun-asr-realtime : chinois (mandarin, cantonais, wu, hokkien, hakka, gan, xiang, jin ; ainsi que les accents régionaux incluant les plaines centrales, le sud-ouest, ji-lu, jianghuai, lan-yin, jiao-liao, nord-est, Pékin et Hong Kong/Taïwan — couvrant les accents du Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu et Ningxia), anglais, japonais, coréen, vietnamien, thaï, indonésien, malais, filipino, hindi, arabe, français, allemand, espagnol, portugais, russe, italien, néerlandais, suédois, danois, finnois, norvégien, grec, polonais, tchèque, hongrois, roumain, bulgare, croate, slovaque
  • fun-asr-realtime-2026-02-28 : chinois (mandarin, cantonais, wu, hokkien, hakka, gan, xiang, jin ; ainsi que les accents régionaux incluant les plaines centrales, le sud-ouest, ji-lu, jianghuai, lan-yin, jiao-liao, nord-est, Pékin et Hong Kong/Taïwan — couvrant les accents du Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu et Ningxia), anglais, japonais
  • fun-asr-flash-8k-realtime, fun-asr-flash-8k-realtime-2026-01-28 : chinois
  • fun-asr : chinois (mandarin, cantonais, wu, hokkien, hakka, gan, xiang, jin ; ainsi que les accents régionaux incluant les plaines centrales, le sud-ouest, ji-lu, jianghuai, lan-yin, jiao-liao, nord-est, Pékin et Hong Kong/Taïwan — couvrant les accents du Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu et Ningxia), anglais, japonais, coréen, vietnamien, thaï, indonésien, malais, filipino, hindi, arabe, français, allemand, espagnol, portugais, russe, italien, néerlandais, suédois, danois, finnois, norvégien, grec, polonais, tchèque, hongrois, roumain, bulgare, croate, slovaque
  • fun-asr-flash-2026-06-15 : chinois (mandarin, cantonais, wu, hokkien, hakka, gan, xiang, jin ; ainsi que les accents régionaux incluant les plaines centrales, le sud-ouest, ji-lu, jianghuai, lan-yin, jiao-liao, nord-est, Pékin et Hong Kong/Taïwan — couvrant les accents du Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu et Ningxia), anglais, japonais, coréen, vietnamien, thaï, indonésien, malais, filipino, hindi, arabe, français, allemand, espagnol, portugais, russe, italien, néerlandais, suédois, danois, finnois, norvégien, grec, polonais, tchèque, hongrois, roumain, bulgare, croate, slovaque
  • qwen3-asr-flash-realtime, qwen3-asr-flash-filetrans, qwen3-asr-flash: chinois (mandarin, sichuanais, hokkien, wu, cantonais), anglais, japonais, allemand, coréen, russe, français, portugais, arabe, italien, espagnol, hindi, indonésien, thaï, turc, ukrainien, vietnamien, tchèque, danois, filipino, finnois, islandais, malais, norvégien, polonais, suédois.
  • paraformer-realtime-v2, paraformer-v2 : chinois (mandarin, cantonais, wu, hokkien, nord-est, Gansu, Guizhou, Henan, Hubei, Hunan, Ningxia, Shanxi, Shaanxi, Shandong, Sichuan, Tianjin, Jiangxi, Yunnan, Shanghai), anglais, japonais, coréen, allemand, français, russe
  • paraformer-realtime-8k-v2, paraformer-8k-v2 : chinois (mandarin)

Exigences relatives à l’entrée audio

Pour les formats audio, fréquences d’échantillonnage, canaux, tailles et durées, consultez les limites du guide temps réel ou non temps réel.