Skip to main content

Reconnaissance vocale en différé (Fun-ASR-Flash) HTTP API

Cette rubrique détaille les paramètres et le fonctionnement de l'API HTTP de reconnaissance vocale en différé Fun-ASR-Flash.

Pour connaître les prérequis d'entrée (formats audio pris en charge, limites de taille de fichier et de durée), consultez Spécifications audio.

Endpoints du service

  • Singapore
  • China (Beijing)
POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generationRemplacez {WorkspaceId} par votre ID d'espace de travail réel.
Alibaba Cloud Model Studio a publié des domaines spécifiques à chaque espace de travail pour les régions China (Beijing) et Singapore. Ces nouveaux domaines dédiés offrent des performances supérieures et une stabilité accrue pour les requêtes d'inférence. Nous vous recommandons de migrer vers ces nouveaux domaines :
  • China (Beijing) : passez de dashscope.aliyuncs.com à {WorkspaceId}.cn-beijing.maas.aliyuncs.com
  • Singapore : passez de dashscope-intl.aliyuncs.com à {WorkspaceId}.ap-southeast-1.maas.aliyuncs.com

En-têtes de requête

ParamètreTypeObligatoireDescription
AuthorizationstringOuiJeton d'authentification au format Bearer <your_api_key>. Remplacez « <your_api_key> » par votre clé API réelle.
Content-TypestringOuiType MIME du corps de la requête. Valeur fixe : application/json.
X-DashScope-SSEstringNonDétermine si les résultats sont renvoyés sous forme de flux SSE. Définissez ce paramètre sur enable pour activer le streaming SSE ; le serveur renvoie alors les résultats intermédiaires et finaux dans plusieurs messages. Réglez-le sur disable ou omettez le paramètre pour obtenir uniquement le résultat final.

Corps de la requête

Les exemples suivants utilisent la configuration de la région Singapore. Remplacez « {WorkspaceId} » par votre ID d'espace de travail réel. La configuration varie selon les régions, et la clé API de la région Singapore diffère de celle de la région Beijing.
  • Sans streaming
  • Avec streaming
  • Avec contexte - sans streaming
  • Avec contexte - avec streaming
  • Base64
curl --location --request POST 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation' \
         --header "Authorization: Bearer $DASHSCOPE_API_KEY" \
         --header "Content-Type: application/json" \
         --header "X-DashScope-SSE: disable" \
         --data '{
        "model": "fun-asr-flash-2026-06-15",
        "input": {
            "messages": [
                {
                    "role": "user",
                    "content": [
                        {
                            "type": "input_audio",
                            "input_audio": {
                                "data": "{YOUR_AUDIO_URL}"
                            }
                        }
                    ]
                }
            ]
        },
        "parameters": {
            "format": "wav",
            "sample_rate": "16000"
        }
    }'
modelstring(Obligatoire)Le nom du modèle.
inputobject(Obligatoire)Informations d'entrée.

Propriétés

messagesarray(object)(Obligatoire)Liste des messages. Elle contient l'audio à reconnaître ainsi que, facultativement, un contexte de conversation améliorant la précision de la reconnaissance.
La fonctionnalité de contexte améliore la précision de reconnaissance des termes spécifiques à un domaine. Pour son utilisation, consultez Amélioration par contexte.une requête peut inclure au maximum 5 messages de contexte de chaque type (input_text et text). En cas de dépassement, seuls les 5 messages les plus récents sont conservés. Le texte total de contexte par tour (longueur combinée des champs text dans les messages user et assistant) ne doit pas excéder 400 caractères, chaque caractère comptant pour 1. Tout excédent est tronqué par la fin.
Lorsque vous incluez du contexte, l'ordre des messages dans messages est important : les messages de contexte doivent être organisés par tour de conversation. Au sein de chaque tour, le message user (de type input_text) doit précéder le message assistant correspondant (de type text). Le message user contenant input_audio doit constituer le dernier élément du tableau messages.

Propriétés

rolestring(Obligatoire)Rôle du message. Valeurs valides :
  • user (Obligatoire) : message utilisateur. Lorsque le type est input_audio, il contient l'audio à reconnaître. Lorsque le type est input_text, il contient les résultats de reconnaissance des tours précédents ou une liste de mots spécifiques au domaine (facultatif, utilisé comme contexte).
  • assistant (Facultatif, contexte) : réponses du grand modèle linguistique lors des tours précédents.
contentarray(object)(Obligatoire)Liste du contenu des messages.

Propriétés

typestring(Obligatoire)Type de contenu. Chaque requête nécessite au moins un message de type input_audio. Valeurs valides :
  • input_audio (Obligatoire) : entrée audio à reconnaître (le rôle est user). Vous devez également transmettre l'objet input_audio.
  • input_text (Facultatif, contexte) : résultats de reconnaissance de la parole utilisateur des tours précédents, ou liste de mots spécifiques au domaine (le rôle est user). Vous devez également transmettre le champ text.
  • text (Facultatif, contexte) : réponses du grand modèle linguistique lors des tours précédents (le rôle est assistant). Vous devez également transmettre le champ text.
input_audioobject(Conditionnellement obligatoire)Obligatoire lorsque type vaut input_audio.

Propriétés

datastring(Obligatoire)Données audio à reconnaître. Pour connaître les prérequis d'entrée (formats audio pris en charge, limites de taille de fichier et de durée), consultez Spécifications audio. Deux méthodes sont prises en charge :
  • URL de fichier audio : transmettez une URL accessible publiquement pointant vers le fichier audio.
  • Data URI Base64 : transmettez les données audio encodées en Base64 sous forme de Data URI. La valeur correspond au préfixe data:{MIME_TYPE};base64, concaténé aux données audio encodées en Base64. Les types MIME pris en charge incluent audio/wav et audio/mp3.
Exemple (URL) : https://example.com/audio/sample.wavExemple (Base64) : data:audio/wav;base64,{BASE64_ENCODED_DATA}
textstring(Conditionnellement obligatoire)Lorsque type vaut input_text, saisissez les résultats de reconnaissance de la parole utilisateur des tours précédents ou une liste de mots spécifiques au domaine. Lorsque type vaut text, saisissez les réponses du grand modèle linguistique des tours précédents. La longueur du texte est mesurée en caractères, chaque caractère comptant pour 1. La longueur combinée des champs text dans tous les messages d'un même tour de contexte ne peut excéder 400 caractères. Tout excédent est tronqué par la fin.
parametersobject(Obligatoire)Paramètres du modèle.
Le lissage du texte est désactivé par défaut et n’est pas encore disponible.Lissage du texte : Pendant la transcription, le modèle supprime les mots de remplissage sans signification et les répétitions dues au bégaiement, traite les autocorrections, améliore les expressions orales et normalise la ponctuation et la mise en forme. Le résultat est plus concis, fluide et lisible, tout en préservant autant que possible l’intention finale et les informations essentielles du locuteur.

Propriétés

formatstring(Obligatoire)Format audio. Définissez cette valeur pour qu'elle corresponde à votre format audio réel. Les valeurs prises en charge incluent wav, mp3 et opus. Pour plus de détails, consultez Spécifications audio.sample_ratestring(Facultatif)Fréquence d'échantillonnage audio, en Hz. Par exemple, 16000 correspond à une fréquence d'échantillonnage de 16 kHz. Pour plus de détails, consultez Spécifications audio.vocabulary_idstring(Facultatif)Identifiant d'une liste de mots-clés précompilée.Générez cet identifiant au préalable en appelant l'API de création de liste de mots-clés. Transmettez l'identifiant lors de la reconnaissance pour utiliser les mots-clés de la liste.Convient aux scénarios où le vocabulaire est connu et relativement stable, et où vous devez réutiliser la même liste de mots entre plusieurs requêtes.Pour plus de détails sur l'utilisation, consultez Mots-clés précompilés.language_hints array[string](Facultatif)Les codes des langues à reconnaître. Si la langue est inconnue, omettez ce paramètre pour que le modèle la détecte automatiquement. Vous pouvez définir jusqu’à 1 valeur. Au-delà, seules les 1 premières sont prises en compte.
  • zh: Chinois
  • en: Anglais
  • ja: Japonais
  • ko: Coréen
  • vi: Vietnamien
  • th: Thaï
  • id: Indonésien
  • ms: Malais
  • tl: Filipino
  • hi: Hindi
  • ar: Arabe
  • fr: Français
  • de: Allemand
  • es: Espagnol
  • pt: Portugais
  • ru: Russe
  • it: Italien
  • nl: Néerlandais
  • sv: Suédois
  • da: Danois
  • fi: Finnois
  • no: Norvégien
  • el: Grec
  • pl: Polonais
  • cs: Tchèque
  • hu: Hongrois
  • ro: Roumain
  • bg: Bulgare
  • hr: Croate
  • sk: Slovaque

Corps de la réponse

  • Sans streaming
  • Avec streaming
{
    "output": {
        "sentence": {
            "begin_time": 760,
            "channel_id": 0,
            "end_time": 3800,
            "sentence_end": true,
            "sentence_id": 1,
            "text": "Hello World, this is Alibaba Speech Lab.",
            "words": [
                {"begin_time": 760, "end_time": 1040, "fixed": true, "punctuation": "", "text": "Hello"},
                {"begin_time": 1040, "end_time": 1240, "fixed": true, "punctuation": ",", "text": " World"},
                {"begin_time": 1360, "end_time": 1880, "fixed": true, "punctuation": "", "text": "this is"},
                {"begin_time": 1880, "end_time": 2520, "fixed": true, "punctuation": "", "text": "Alibaba"},
                {"begin_time": 2520, "end_time": 2840, "fixed": true, "punctuation": "", "text": "Speech"},
                {"begin_time": 2840, "end_time": 3800, "fixed": true, "punctuation": ".", "text": "Lab"}
            ]
        },
        "text": "Hello World, this is Alibaba Speech Lab."
    },
    "usage": {
        "duration": 4
    },
    "request_id": "40e0734d-096f-9ae3-86c1-a8c013287561"
}
request_idstringIdentifiant unique de cette requête.
outputobjectRésultat de sortie.

Propriétés

textstringTexte reconnu complet accumulé jusqu'à présent.sentenceobjectDétails de la phrase en cours.

Propriétés

sentence_idintegerNuméro de la phrase, commençant à 1.sentence_endbooleanIndique s'il s'agit du résultat final pour la phrase. La valeur true signifie que la reconnaissance de la phrase est terminée.begin_timeintegerHeure de début de la phrase, en millisecondes.end_timeintegerHeure de fin de la phrase, en millisecondes. Renvoyé uniquement lorsque sentence_end vaut true.textstringTexte reconnu de la phrase en cours.channel_idintegerNuméro du canal, commençant à 0.wordsarrayListe des horodatages au niveau des mots.
textstringTexte du mot.begin_timeintegerHeure de début du mot, en millisecondes.end_timeintegerHeure de fin du mot, en millisecondes.punctuationstringSigne de ponctuation suivant le mot. Chaîne vide en l'absence de ponctuation.fixedbooleanIndique si le mot est stabilisé. La valeur false indique que l'horodatage du mot peut être ajusté dans les événements ultérieurs.
usageobjectInformations d'utilisation. Renvoyé uniquement lorsque sentence_end vaut true.
durationintegerDurée audio traitée, en secondes.

Logique de traitement des résultats de streaming SSE

En mode streaming, le client doit gérer les éléments suivants :
  1. Pour chaque événement SSE reçu, analysez le JSON contenu dans le champ data.
  2. Utilisez output.sentence.sentence_end pour déterminer si la phrase actuelle est terminée. Si la valeur est true, la reconnaissance est terminée et les horodatages des mots sont stabilisés ; le résultat peut être utilisé comme résultat final. Si elle est false, la reconnaissance est en cours et le texte ainsi que les horodatages peuvent être mis à jour dans les événements suivants.
  3. Les informations usage sont renvoyées uniquement dans les événements de fin de phrase et incluent la durée audio traitée.