Diffusez des flux audio vers Qwen-ASR-Realtime via WebSocket et obtenez des résultats de transcription en temps réel grâce au SDK Python DashScope.
Consultez la documentation Qwen-ASR-Realtime Python SDK actuelle.
Avant de commencer, assurez-vous de disposer des éléments suivants :
Les paramètres suivants se configurent avec
Après la connexion, appelez
Définissez les paramètres de reconnaissance vocale via le dictionnaire
Une session de reconnaissance en temps réel se crée avec
Le serveur renvoie les réponses et les données au client sous forme d'événements. Itérez sur les
Prérequis
Avant de commencer, assurez-vous de disposer des éléments suivants :
- SDK DashScope version 2.0.1 ou ultérieure
- Une clé API
- Une bonne compréhension du flux d'interaction
Exemple complet
Le code d'exemple lit le fichier
your_audio_file.pcm (PCM16, 16 kHz, mono). Si vous disposez uniquement d'un fichier MP3, WAV ou d'un format similaire, convertissez-le avec ffmpeg :Python
Paramètres de requête
client.audio.realtime.connect
Les paramètres suivants se configurent avec client.audio.realtime.connect.
Cliquez pour afficher l'exemple de code
Cliquez pour afficher l'exemple de code
| Paramètre | Type | Obligatoire | Description |
|---|---|---|---|
model | str | Oui | Modèle à utiliser. |
ws_url | str | Non | Endpoint WebSocket complet. S'il n'est pas spécifié, l'endpoint est déterminé automatiquement d'après le workspace et la region du Client : Chine (Pékin) : wss://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api-ws/v1/realtime Singapour : wss://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api-ws/v1/realtime. Remplacez {WorkspaceId} par votre véritable ID d'espace de travail. |
Configuration de session
Après la connexion, appelez update_session pour définir les paramètres de session.
Cliquez pour afficher l'exemple de code
Cliquez pour afficher l'exemple de code
| Paramètre | Type | Obligatoire | Description |
|---|---|---|---|
output_modalities | List[str] | Oui | Modalité de sortie. Valeur fixe : ["text"]. |
enable_turn_detection | bool | Non | Active la détection d'activité vocale (VAD) côté serveur. Valeur par défaut : True. Si défini sur False, appelez manuellement commit() pour déclencher la reconnaissance. |
turn_detection_type | str | Non | Type de VAD côté serveur. Valeur fixe : server_vad. |
turn_detection_threshold | float | Non | Seuil de sensibilité du VAD. Valeur par défaut : 0.2. Recommandé : 0.0. Plage valide : [-1, 1]. Des valeurs plus basses = sensibilité accrue (risque de déclenchement sur le bruit ambiant). Des valeurs plus élevées = moins de faux positifs dans les environnements bruyants. |
turn_detection_silence_duration_ms | int | Non | Durée de silence (ms) marquant la fin d'une phrase. Valeur par défaut : 800. Recommandé : 400. Plage valide : [200, 6000]. Une valeur faible (ex. : 300 ms) = réponse plus rapide mais peut scinder les pauses naturelles. Une valeur élevée (ex. : 1200 ms) = mieux adaptée aux pauses dans les phrases longues mais latence accrue. |
transcription_params | dict | Non | Paramètres de reconnaissance vocale. Consultez transcription_params. |
transcription_params
Définissez les paramètres de reconnaissance vocale via le dictionnaire transcription_params de update_session.
Cliquez pour afficher l'exemple de code
Cliquez pour afficher l'exemple de code
| Paramètre | Type | Obligatoire | Description |
|---|---|---|---|
language | str | Non | Langue source de l'audio. Valeurs prises en charge : zh (chinois : mandarin, sichuanais, minnan, wu), yue (cantonais), en (anglais), ja (japonais), ko (coréen), de (allemand), fr (français), es (espagnol), pt (portugais), it (italien), ru (russe), ar (arabe), hi (hindi), id (indonésien), th (thaï), tr (turc), uk (ukrainien), vi (vietnamien), cs (tchèque), da (danois), fi (finnois), fil (filipino), is (islandais), ms (malais), no (norvégien), pl (polonais), sv (suédois) |
sample_rate | int | Non | Taux d'échantillonnage audio en Hz. Valeur par défaut : 16000. Valeurs prises en charge : 16000, 8000. Avec 8000, le serveur rééchantillonne à 16 000 Hz avant la reconnaissance, ce qui peut ajouter une légère latence. N'utilisez 8000 que pour un audio source à 8 kHz, comme les enregistrements téléphoniques. |
input_audio_format | str | Non | Format audio. Valeur par défaut : pcm. Formats pris en charge : pcm, opus. |
corpus_text | str | Non | Texte contextuel, vocabulaire d'entités ou autres informations de référence pour le biaisage contextuel. Maximum : 10 000 tokens. Pour plus de détails, consultez Biaisage contextuel. |
Interfaces clés
Classe RealtimeSession
Une session de reconnaissance en temps réel se crée avec client.audio.realtime.connect(model=...) : la connexion est établie à l'entrée dans le contexte with (ou lors de l'appel de la méthode connect() de la session).
| Méthode | Événement de réponse serveur (délivré via events()) | Description |
|---|---|---|
connect() | session.created, session.updated | Ouvre une connexion WebSocket avec le serveur. Appelée automatiquement à l'entrée dans le contexte with ; n'appelez pas connect() puis entrez dans le contexte with de la même session. |
update_session(...) | session.updated | Configure la session. À appeler après connect(). Si omis, les valeurs par défaut s'appliquent. Consultez la section Configuration de session pour les paramètres. |
append_audio(audio: Union[str, bytes]) | None | Ajoute un fragment audio au tampon d'entrée du serveur. Une valeur str est considérée comme déjà encodée en Base64 ; les bytes sont automatiquement encodés en Base64. Avec enable_turn_detection=True, le serveur détecte les limites de parole et valide automatiquement. Avec enable_turn_detection=False, le client contrôle le moment de la validation (max. 15 Mio par événement). Des fragments plus petits améliorent la réactivité du VAD. |
commit() | input_audio_buffer.committed | Valide l'audio mis en tampon pour la reconnaissance. Renvoie une erreur si le tampon est vide. Désactivé lorsque enable_turn_detection=True. |
end_session() | session.finished | Termine la session une fois la reconnaissance finale effectuée par le serveur. En mode VAD (par défaut), appelez cette méthode après l'envoi de tout l'audio. En mode manuel, appelez-la après commit(). |
close() | None | Arrête la tâche et ferme la connexion (idempotent, n'envoie pas session.finish). |
events() | Événements du serveur (le type d'événement est dans event["type"]) | Lit en continu les événements du serveur. L'itération se termine après le renvoi de session.finished ; consommez les événements depuis un unique thread récepteur et ne créez pas plusieurs lecteurs concurrents. |
session.session_id, session.last_response_id | None | L'ID de session de la tâche en cours et l'ID de réponse le plus récent (attributs). |
Itération d'événements (events())
Le serveur renvoie les réponses et les données au client sous forme d'événements. Itérez sur les events() de la session dans un thread récepteur et répartissez selon event["type"] (liste complète des événements : consultez Événements du serveur).
| Méthode | Paramètres | Description |
|---|---|---|
events() | event : un événement serveur | Lit et renvoie en continu les événements du serveur (dict). L'itération se termine à la fermeture de la connexion ou à la réception de session.finished. |
recv_event() | None | Lecture bloquante d'un événement serveur unique sans itération ; renvoie None en l'absence d'événement (connexion fermée). |