Skip to main content

Reconnaissance vocale en différé (Qwen-Audio-ASR) HTTP API

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

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 en streaming sont demandés. Définissez ce paramètre sur enable pour demander le streaming SSE. Définissez-le sur disable ou omettez-le pour ne renvoyer que le résultat final.
S’applique uniquement à qwen-audio-3.0-asr-flash : le streaming SSE est disponible uniquement pour les fichiers audio d’au moins 1 minute.

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
  • Mots-clés intégrés
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": "qwen-audio-3.0-asr-flash",
        "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 pour qwen-audio-3.0-asr-flash. qwen-audio-3.1-asr-flash prend en charge le lissage natif du texte.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

speaker_diarization_enabled boolean (Facultatif)
S’applique uniquement à qwen-audio-3.1-asr-flash.
Indique si la diarisation des locuteurs est activée. Valeur par défaut : false. Avec true, la réponse utilise speaker_id pour distinguer les locuteurs et inclut output.sentences. Si elle est activée, keep_dialect et language_hints sont ignorés.keep_dialect boolean (Facultatif)
S’applique uniquement à qwen-audio-3.1-asr-flash.
Indique si les expressions dialectales sont conservées. Valeur par défaut : false. Avec false, le dialecte est transcrit en mandarin standard ; avec true, les expressions dialectales sont conservées.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.vocabularyobject(Facultatif)Mots-clés instantanés.Transmis sous forme de paires clé-valeur, où la clé est le texte du mot-clé (string) et la valeur est le poids du mot-clé (integer). Aucune liste de mots-clés ne doit être créée au préalable. Le poids varie de [1, 5] ou est fixé à 50 : une valeur comprise dans [1, 5] augmente la probabilité que le modèle génère le mot à mesure que la valeur croît ; une valeur de 50 désigne un super mot-clé, ce qui améliore considérablement le rappel, mais le nombre de super mots-clés ne peut excéder 50.Adapté à l'optimisation temporaire de mots-clés au niveau de la session.Lorsqu'ils sont configurés conjointement avec des mots-clés précompilés, seuls les mots-clés instantanés prennent effet. Pour plus de détails sur l'utilisation, consultez Mots-clés instantanés.
Seul qwen-audio-3.0-asr-flash prend en charge les mots-clés intégrés.
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 4 valeurs. Au-delà, seules les 4 premières sont prises en compte.La spécification des codes de langue peut améliorer la précision de la reconnaissance.
  • 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
qwen-audio-3.1-asr-flash prend également en charge les codes de langue suivants :
  • tr: turc
  • fa: persan
  • mr: marathi
  • ml: malayalam
  • ne: népalais
  • ky: kirghize
  • az: azerbaïdjanais
  • ka: géorgien
  • hy: arménien
  • sl: slovène
  • sq: albanais
  • et: estonien
  • lv: letton
  • lt: lituanien
  • ca: catalan
  • eu: basque
  • gl: galicien
  • or: odia
  • dv: maldivien
  • as: assamais
  • kmr: kurde du Nord
  • tig: tigré
  • fy: frison occidental
  • ba: bachkir
  • be: biélorusse
  • tt: tatar
  • ia: interlingua
  • mhr: mari des prairies
  • tok: toki pona

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.sentences array[object]
S’applique uniquement à qwen-audio-3.1-asr-flash.
Renvoyé si la diarisation est activée. Contient les résultats de la phrase actuelle et des précédentes. Chaque élément a la même structure que sentence.sentenceobjectDétails de la phrase en cours.

Propriétés

speaker_id integer | null
S’applique uniquement à qwen-audio-3.1-asr-flash.
Identifiant permettant de distinguer les locuteurs. Contient un identifiant si la diarisation est activée, ou null sinon.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.
speaker_id integer | null
S’applique uniquement à qwen-audio-3.1-asr-flash.
Identifiant du locuteur pour ce mot. Contient un identifiant si la diarisation est activée, ou null sinon.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.input_tokens integer
S’applique uniquement à qwen-audio-3.1-asr-flash.
Nombre de tokens d’entrée consommés par cette requête.output_tokens integer
S’applique uniquement à qwen-audio-3.1-asr-flash.
Nombre de tokens de sortie consommés par cette requête.total_tokens integer
S’applique uniquement à qwen-audio-3.1-asr-flash.
Nombre total de tokens consommés par cette requête, égal à la somme de input_tokens et output_tokens.

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. Pour qwen-audio-3.0-asr-flash, 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. Pour qwen-audio-3.1-asr-flash, elles incluent également les nombres de tokens d’entrée, de sortie et totaux de la requête. Ce modèle est facturé selon l’utilisation des tokens.
Pour qwen-audio-3.1-asr-flash sans diarisation, l’horodatage d’un mot devient définitif uniquement lorsque output.sentence.words[i].fixed vaut true. Avant cela, il peut changer. Si la diarisation est activée, lisez les résultats de la phrase actuelle et des précédentes dans output.sentences.