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’utilisation | Modèle recommandé | Méthode d’appel |
|---|---|---|
| Audio de 5 minutes maximum avec réponse directe | qwen-audio-3.1-asr-flash | Appel synchrone avec sortie en streaming SSE facultative. |
| Enregistrements longs ou traitement asynchrone de fichiers audio et vidéo | qwen-audio-3.1-asr-flash-filetrans | Soumettez 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
Traiter les résultats
-
Reconnaissance synchrone : dans Qwen-Audio-ASR,
output.textcontient le texte complet cumulé etoutput.sentenceles détails de la phrase courante. Lisezoutput.textpour enregistrer la transcription complète. -
Transcription asynchrone : après la réussite de la tâche, téléchargez le fichier de résultat. Utilisez
transcripts[].textpour la transcription complète de chaque canal, outranscripts[].sentenceset seswordspour les sous-titres et la navigation audio. -
Horodatages : les champs
begin_timeetend_timedes phrases et mots indiquent des positions dans l’audio, en millisecondes. Le champend_timede 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_wordssélectionne 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.
| Modèle | Activation | Traitement des résultats et remarques |
|---|---|---|
| qwen-audio-3.1-asr-flash | X-DashScope-SSE: enable | output.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-Flash | API 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-Flash | X-DashScope-SSE: enable | Fun-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.
| Modèle | Activation | Emplacement du résultat |
|---|---|---|
| qwen-audio-3.1-asr-flash | speaker_diarization_enabled: true | output.sentences[].speaker_id |
| Qwen-Audio-ASR-Filetrans, Fun-ASR、Paraformer | diarization_enabled: true | transcripts[].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.
| Modèle | Méthode d’entrée | Formats audio | Fréquence d’échantillonnage | Taille et durée |
|---|---|---|---|---|
| qwen-audio-3.1-asr-flash, qwen-audio-3.0-asr-flash | URL ou Base64 Data URI ; une par requête | aac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmv | Toutes | ≤2 GB ; ≤5 minutes |
| qwen-audio-3.1-asr-flash-filetrans, qwen-audio-3.0-asr-flash-filetrans | URL publique de fichier ; une par requête | aac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmv | Toutes | ≤2 GB ; ≤12 heures |
| qwen3-asr-flash | URL ou Base64 Data URI ; une par requête | aac, amr, avi, aiff, flac, flv, mkv, mp3, mpeg, ogg, opus, wav, webm, wma, wmv | 16 kHz pour PCM ; toutes pour les autres formats, rééchantillonnés à 16 kHz par le service | ≤10 MB ; ≤5 minutes |
| qwen3-asr-flash-filetrans | URL publique de fichier ; une par requête | aac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmv | 16 kHz pour PCM ; toutes pour les autres formats, rééchantillonnés à 16 kHz par le service | ≤2 GB ; ≤12 heures |
| fun-asr-flash-2026-06-15 | URL ou Base64 Data URI ; une par requête | aac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmv | Toutes | ≤2 GB ; ≤5 minutes |
| fun-asr | URL publique de fichier ; une par requête | aac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmv | Toutes | ≤2 GB ; ≤12 heures |
| paraformer-v2 | URL publique de fichier ; une par requête | aac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmv | Toutes | ≤2 GB ; ≤12 heures |
| paraformer-8k-v2 | URL publique de fichier ; une par requête | aac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmv | 8 kHz | ≤2 GB ; ≤12 heures |
Référence API
- Reconnaissance vocale non temps réel : Qwen-Audio-ASR — référence API
- Reconnaissance vocale non temps réel : Qwen-Audio-ASR-Filetrans — référence API
- Reconnaissance vocale non temps réel : Fun-ASR — référence API
- Reconnaissance vocale non temps réel : Fun-ASR-Flash — référence API
- Reconnaissance vocale non temps réel : Qwen3-ASR — référence API
- Reconnaissance vocale non temps réel : Paraformer — référence API