Skip to main content

Reconnaissance vocale non temps réel

Découvrez les fonctionnalités de reconnaissance vocale non temps réel, les appels sur fichiers audio et les méthodes d’amélioration des résultats.

Présentation des fonctionnalités

La reconnaissance vocale non temps réel convertit les fichiers audio et vidéo enregistrés en texte pour transcrire des réunions, analyser des appels et créer des sous-titres. Un enregistrement court peut renvoyer ses résultats dans une seule requête ; les enregistrements longs peuvent être traités par des tâches asynchrones.
  • Langues et dialectes : détection automatique de la langue et reconnaissance de plusieurs langues et dialectes chinois. Consultez la présentation de la reconnaissance vocale pour connaître la couverture.
  • Précision : utilisez des mots-clés pour les noms, marques et termes spécialisés, ou fournissez le contexte des échanges précédents.
  • Traitement du texte : reformulation du texte oral, conservation des expressions dialectales et filtrage des mots sensibles.
  • Diarisation : attribuez des identifiants aux locuteurs pour organiser les transcriptions de réunions et d’entretiens.
  • Résultats structurés : obtenez les phrases, mots et horodatages pour les sous-titres, la mise en évidence de mots-clés et la navigation audio.
  • Entrée audio : choisissez les formats audio et vidéo, fréquences d’échantillonnage et canaux pris en charge par le modèle.
  • Enregistrements longs : transcrivez de façon asynchrone un fichier audio ou vidéo de 12 heures et 2 GB maximum.
Les fonctionnalités prises en charge varient selon le modèle. Vérifiez le périmètre de chaque fonctionnalité. Pour envoyer du son en continu et recevoir les résultats pendant la parole, consultez Reconnaissance vocale en temps réel.
Cas d’utilisationModèle recommandéMéthode d’appel
Audio de 5 minutes maximum avec réponse directeqwen-audio-3.1-asr-flashAppel synchrone avec sortie en streaming SSE facultative.
Enregistrements longs ou traitement asynchrone de fichiers audio et vidéoqwen-audio-3.1-asr-flash-filetransSoumettez une tâche asynchrone et téléchargez la transcription à la fin.

Commencer

Obtenez une clé API dans la console et définissez la variable d’environnement DASHSCOPE_API_KEY. Les exemples utilisent un échantillon audio WAV anglais, mono, à 16 kHz, accessible publiquement.
  • Qwen-Audio-ASR
  • Qwen-Audio-ASR-Filetrans
Cet exemple utilise qwen-audio-3.1-asr-flash pour envoyer un fichier audio complet et obtenir la transcription finale dans la même requête.
cURL
curl \
  "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation" \
  -H "Authorization: Bearer $DASHSCOPE_API_KEY" \
  -H "Content-Type: application/json" \
  -H "X-DashScope-SSE: disable" \
  -d '{
  "model": "qwen-audio-3.1-asr-flash",
  "input": {
    "messages": [
      {
        "role": "user",
        "content": [
          {
            "type": "input_audio",
            "input_audio": {
              "data": "https://g-adoc.alcasset.com/media/maas_docs/sfm-cn/en/audios/6a4b3c2d1e0f9092.wav"
            }
          }
        ]
      }
    ]
  },
  "parameters": {
    "format": "wav",
    "sample_rate": "16000"
  }
}'

Traiter les résultats

  • Reconnaissance synchrone : dans Qwen-Audio-ASR, output.text contient le texte complet cumulé et output.sentence les détails de la phrase courante. Lisez output.text pour enregistrer la transcription complète.
  • Transcription asynchrone : après la réussite de la tâche, téléchargez le fichier de résultat. Utilisez transcripts[].text pour la transcription complète de chaque canal, ou transcripts[].sentences et ses words pour les sous-titres et la navigation audio.
  • Horodatages : les champs begin_time et end_time des phrases et mots indiquent des positions dans l’audio, en millisecondes. Le champ end_time de la requête d’état indique la date et l’heure de fin de la tâche.
    Les horodatages sont toujours activés et ne peuvent pas être désactivés pour Qwen-Audio-ASR, Qwen-Audio-ASR-Filetrans, Fun-ASR, Fun-ASR-Flash et Paraformer. Les appels asynchrones à Qwen3-ASR-Filetrans renvoient également toujours des horodatages. Pour ces appels, enable_words sélectionne les horodatages au niveau des phrases ou des mots, sans les désactiver.

Améliorer les résultats

Adaptez la lisibilité du texte, la reconnaissance des termes, les identifiants de locuteurs et le mode de restitution aux besoins de votre application.

Sortie en streaming

Après l’envoi du fichier audio complet, la sortie en streaming renvoie les résultats par événements SSE pour afficher la progression avant la fin de la reconnaissance. qwen-audio-3.1-asr-flash, Fun-ASR-Flash et Qwen3-ASR-Flash prennent en charge le streaming. Les modèles asynchrones, dont Qwen-Audio-ASR-Filetrans, Fun-ASR, Qwen3-ASR-Filetrans et Paraformer, fournissent un fichier de résultat à la fin et ne renvoient pas les résultats de reconnaissance par SSE.
Avec cURL, ajoutez --no-buffer pour que la mise en mémoire tampon ne retarde pas l’affichage des résultats SSE.
ModèleActivationTraitement des résultats et remarques
qwen-audio-3.1-asr-flashX-DashScope-SSE: enableoutput.text est cumulatif. Remplacez le texte affiché à chaque mise à jour. Un audio court peut ne produire qu’un seul résultat. Sans diarisation, les horodatages des mots sont stabilisés lorsque output.sentence.words[i].fixed vaut true. Avec diarisation, lisez les phrases courantes et précédentes dans output.sentences.
Qwen3-ASR-FlashAPI compatible OpenAI : stream: true. API HTTP native : X-DashScope-SSE: enable.Dans les réponses compatibles OpenAI, choices[].delta.content contient le texte incrémental. Concaténez-le dans l’ordre de réception.
Fun-ASR-FlashX-DashScope-SSE: enableFun-ASR-Flash renvoie plusieurs événements pour un audio d’au moins 1 minute.

Mots-clés et enrichissement contextuel

Utilisez des mots-clés pour préciser l’orthographe des noms, produits ou termes techniques susceptibles d’être confondus avec des mots de sonorité proche. Utilisez le contexte pour fournir les échanges précédents, le contexte métier ou du vocabulaire associé. Pour la compatibilité des modèles, la configuration et les exemples, consultez Améliorer la précision de reconnaissance.

Reformulation et expressions dialectales

qwen-audio-3.1-asr-flash intègre une reformulation qui organise les hésitations, répétitions et autocorrections pour améliorer la lisibilité. qwen-audio-3.1-asr-flash et qwen-audio-3.1-asr-flash-filetrans transcrivent par défaut les dialectes chinois en mandarin. Définissez keep_dialect: true pour conserver les expressions propres au dialecte.

Diarisation

Activez la diarisation pour distinguer les intervenants d’une réunion ou d’un entretien. Le champ speaker_id des résultats identifie les différents locuteurs.
ModèleActivationEmplacement du résultat
qwen-audio-3.1-asr-flashspeaker_diarization_enabled: trueoutput.sentences[].speaker_id
Qwen-Audio-ASR-Filetrans, Fun-ASR、Paraformerdiarization_enabled: truetranscripts[].sentences[].speaker_id
La diarisation nécessite un audio mono. Pour la transcription asynchrone avec diarisation, utilisez de préférence un audio de 2 heures maximum afin de limiter les échecs ou dépassements de délai. Lorsque la diarisation est activée dans qwen-audio-3.1-asr-flash, keep_dialect et language_hints sont sans effet.

Filtrage des mots sensibles

Utilisez le filtrage pour masquer ou supprimer des mots définis dans les transcriptions. Qwen-Audio-ASR-Filetrans, Fun-ASR et Paraformer utilisent special_word_filter pour configurer les listes de remplacement, de suppression et la liste intégrée.

Utilisation en production

La transcription par lots nécessite de gérer le stockage audio, les fréquences de soumission et de requête, les notifications de fin et la conservation des résultats. Pour la préparation des entrées, les rappels, la limitation de débit et les nouvelles tentatives, consultez les bonnes pratiques de reconnaissance vocale.

Modèles et régions pris en charge

  • Singapore
  • US (Virginia)
  • China (Beijing)
  • Qwen-Audio-ASR: qwen-audio-3.1-asr-flash, qwen-audio-3.0-asr-flash
  • Qwen-Audio-ASR-Filetrans: qwen-audio-3.1-asr-flash-filetrans, qwen-audio-3.0-asr-flash-filetrans
  • Qwen3-ASR-Flash: qwen3-asr-flash (version stable)
  • Qwen3-ASR-Filetrans: qwen3-asr-flash-filetrans (version stable)
  • Fun-ASR-Flash: fun-asr-flash-2026-06-15
  • Fun-ASR: fun-asr (version stable)

Limites d’utilisation

Choisissez une méthode d’entrée, un format et une fréquence d’échantillonnage pris en charge par le modèle. Les paramètres format et sample_rate, entre autres, doivent correspondre au fichier réel.
Lorsque la diarisation est activée avec Qwen-Audio-ASR-Filetrans, Fun-ASR ou Paraformer, utilisez de préférence un audio de 2 heures maximum pour limiter les échecs ou dépassements de délai.
ModèleMéthode d’entréeFormats audioFréquence d’échantillonnageTaille et durée
qwen-audio-3.1-asr-flash, qwen-audio-3.0-asr-flashURL ou Base64 Data URI ; une par requêteaac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmvToutes≤2 GB ; ≤5 minutes
qwen-audio-3.1-asr-flash-filetrans, qwen-audio-3.0-asr-flash-filetransURL publique de fichier ; une par requêteaac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmvToutes≤2 GB ; ≤12 heures
qwen3-asr-flashURL ou Base64 Data URI ; une par requêteaac, amr, avi, aiff, flac, flv, mkv, mp3, mpeg, ogg, opus, wav, webm, wma, wmv16 kHz pour PCM ; toutes pour les autres formats, rééchantillonnés à 16 kHz par le service≤10 MB ; ≤5 minutes
qwen3-asr-flash-filetransURL publique de fichier ; une par requêteaac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmv16 kHz pour PCM ; toutes pour les autres formats, rééchantillonnés à 16 kHz par le service≤2 GB ; ≤12 heures
fun-asr-flash-2026-06-15URL ou Base64 Data URI ; une par requêteaac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmvToutes≤2 GB ; ≤5 minutes
fun-asrURL publique de fichier ; une par requêteaac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmvToutes≤2 GB ; ≤12 heures
paraformer-v2URL publique de fichier ; une par requêteaac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmvToutes≤2 GB ; ≤12 heures
paraformer-8k-v2URL publique de fichier ; une par requêteaac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmv8 kHz≤2 GB ; ≤12 heures
Utilisez un audio mono pour la diarisation. Le modèle Paraformer paraformer-8k-v2 accepte uniquement 8 kHz. Les fichiers locaux destinés à Qwen3-ASR-Flash doivent être encodés ou téléversés par le client ; un chemin local ne peut pas servir directement d’URL audio HTTP.

Référence API