Prérequis
Démarrage rapide
Utilisez les mêmes exemples pour les modèles ci-dessous. Remplacez l’ID de modèle à l’aide de ce tableau.
| Modèle | ID de modèle dans l’exemple |
|---|---|
| Qwen-Audio-ASR-Streaming | qwen-audio-3.0-asr-flash-streaming |
| Qwen-Audio-ASR-Message | qwen-audio-3.1-asr-flash-message |
| Fun-ASR-Realtime | fun-asr-realtime |
- Appel synchrone : reconnaît un fichier local et retourne le résultat complet en une seule fois. Cette méthode convient particulièrement au traitement d'enregistrements audio préexistants.
- Appel en streaming bidirectionnel : reconnaît directement un flux audio et retourne les résultats en temps réel. Le flux audio peut provenir d'un périphérique externe, tel qu'un microphone, ou être lu depuis un fichier local. Recommandé pour les scénarios nécessitant un retour immédiat.
- Appel synchrone
- Appel en streaming bidirectionnel : basé sur les callbacks
- Appel en streaming bidirectionnel : basé sur Flowable
Soumettez une tâche unique de reconnaissance vocale en temps réel et obtenez le résultat de manière synchrone en transmettant un fichier local. L'appel bloque l'exécution jusqu'à ce que le résultat soit retourné.Instanciez la classe
Recognition, puis appelez la méthode call pour lier les paramètres de requête et le fichier à reconnaître. La méthode effectue la reconnaissance et retourne le résultat final.Appels à haute concurrence
Le SDK Java DashScope utilise le pool de connexions d'OkHttp3 pour réduire la surcharge liée à l'établissement répété de connexions. Pour plus de détails, consultez la rubrique Bonnes pratiques de forte concurrence.
Paramètres de requête
Qwen-Audio-ASR-Streaming
Référence commune
Utilisez les méthodes chaînées de RecognitionParam pour configurer le modèle, la fréquence d'échantillonnage, le format audio et d'autres paramètres. Transmettez l'objet de paramètres configuré à la méthode call/streamCall de la classe Recognition.
| Paramètre | Type | Obligatoire | Description |
|---|---|---|---|
model | String | Oui | Le nom du modèle. |
sampleRate | Integer | Oui | Le taux d’échantillonnage en Hz. Tous les taux sont pris en charge. |
format | String | Oui | Format audio.Valeurs valides :
|
keep_dialect | boolean | Non | S’applique uniquement à qwen-audio-3.1-asr-flash-streaming.false, pour transcrire les dialectes en chinois standard. Définissez sur true pour conserver les expressions dialectales. Définissez avec .parameter("keep_dialect", value). |
vad_model | String | Non | S’applique uniquement à qwen-audio-3.1-asr-flash-streaming.near_meeting_16k (champ proche) ou far_field_meeting_16k (champ lointain, par défaut). Définissez avec .parameter("vad_model", value). |
vocabularyId | String | Non | ID d'une liste de mots clés précompilée.Générez cet ID au préalable en appelant l'API de création de liste de mots clés. Transmettez l'ID 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 les requêtes.Pour plus de détails sur l'utilisation, consultez Mots clés précompilés. |
vocabulary | Map<String, Integer> | Non | 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 dans [1, 5] augmente la probabilité que le modèle produise 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 pas dépasser 50.Convient à l'optimisation temporaire des 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.Définissez vocabulary via la méthode parameter ou la méthode parameters de l'instance RecognitionParam : |
max_sentence_silence | Integer | Non | Seuil de silence VAD pour la segmentation, en ms. Lorsque le silence suivant un segment de parole dépasse ce seuil, le système considère que la phrase est terminée.Valeur par défaut : 800.Valeurs valides : [200, 6000].Définissez max_sentence_silence via la méthode parameter ou la méthode parameters de l'instance RecognitionParam : |
multi_threshold_mode_enabled | boolean | Non | Indique s'il faut activer le mode multi-seuil. Lorsqu'il est activé, ce mode empêche les segments VAD de devenir trop longs.Valeur par défaut : false.Définissez multi_threshold_mode_enabled via la méthode parameter ou la méthode parameters de l'instance RecognitionParam : |
punctuation_prediction_enabled | boolean | Non | Définit s'il faut ajouter automatiquement la ponctuation aux résultats de reconnaissance :
punctuation_prediction_enabled via la méthode parameter ou la méthode parameters de l'instance RecognitionParam : |
heartbeat | boolean | Non | Indique s'il faut activer les paquets de heartbeat.Valeur par défaut : false.
Pour utiliser ce champ, la version du SDK doit être 2.19.1 ou ultérieure. heartbeat via la méthode parameter ou la méthode parameters de l'instance RecognitionParam : |
language_hints | String[] | Non | Langue de l'audio à reconnaître. Il n'y a pas de valeur par défaut ; si ce paramètre n'est pas défini, le modèle détecte automatiquement la langue.Vous pouvez définir jusqu’à 4 valeurs. Au-delà, seules les 4 premières prennent effet.
Cliquez pour afficher les codes de langue pris en charge
language_hints via la méthode parameter ou la méthode parameters de l'instance RecognitionParam : |
speech_noise_threshold | float | Non | Seuil de distinction entre la parole et le bruit, utilisé pour ajuster la sensibilité de la détection d'activité vocale (VAD).Valeurs valides : [-1.0, 1.0].Description des valeurs :
speech_noise_threshold via la méthode parameter ou la méthode parameters de l'instance RecognitionParam : |
special_word_filter | String | Non | Spécifie les mots sensibles à traiter lors de la reconnaissance vocale et permet de définir différentes méthodes de traitement pour différents mots sensibles. Pour plus de détails, consultez Filtrage des mots sensibles.Définissez special_word_filter via la méthode parameter ou la méthode parameters de l'instance RecognitionParam : |
input | Map<String, Object> | Non | Objet d'entrée qui transmet le contexte de conversation. Le contexte aide à la reconnaissance et améliore la précision de reconnaissance des termes spécifiques. Pour l'utilisation, consultez Démarrage rapide.La Map doit contenir une clé context dont la valeur est un tableau de messages de type List<Map<String, Object>>. Chaque message contient les champs suivants :
Pour utiliser ce champ, la version du SDK doit être 2.22.23 ou ultérieure. input via la méthode input de l'instance RecognitionParam : |
apiKey | String | Non | Votre clé API. |
Qwen-Audio-ASR-Message
Référence commune
Utilisez les méthodes chaînées de RecognitionParam pour configurer le modèle, la fréquence d'échantillonnage, le format audio et d'autres paramètres. Transmettez l'objet de paramètres configuré à la méthode call/streamCall de la classe Recognition.
| Paramètre | Type | Obligatoire | Description |
|---|---|---|---|
model | String | Oui | Le nom du modèle. |
sampleRate | Integer | Oui | Le taux d’échantillonnage en Hz. Seule la valeur 16000 est prise en charge. |
format | String | Oui | Format audio.Valeurs valides :
|
keep_dialect | boolean | Non | Par défaut : false, pour transcrire les dialectes en chinois standard. Définissez sur true pour conserver les expressions dialectales. Définissez avec .parameter("keep_dialect", value).Ce paramètre s’applique uniquement aux résultats finaux (sentence_end=true) et n’est pas pris en charge pour les résultats intermédiaires (sentence_end=false). |
vad_model | String | Non | Modèle VAD : near_meeting_16k (champ proche) ou far_field_meeting_16k (champ lointain, par défaut). Définissez avec .parameter("vad_model", value). |
disfluency_removal_enabled | boolean | Non | Indique s’il faut supprimer les mots de remplissage et améliorer le texte produit. Par défaut : false. Définissez sur true pour activer. Définissez avec .parameter("disfluency_removal_enabled", value). |
intermediate_result_enabled | boolean | Non | Indique s’il faut renvoyer les résultats intermédiaires en streaming. Par défaut : false. Définissez sur true pour les recevoir. Définissez avec .parameter("intermediate_result_enabled", value). |
vocabularyId | String | Non | ID d'une liste de mots clés précompilée.Générez cet ID au préalable en appelant l'API de création de liste de mots clés. Transmettez l'ID 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 les requêtes.Pour plus de détails sur l'utilisation, consultez Mots clés précompilés. |
vocabulary | Map<String, Integer> | Non | 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 dans [1, 5] augmente la probabilité que le modèle produise 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 pas dépasser 50.Convient à l'optimisation temporaire des 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.Définissez vocabulary via la méthode parameter ou la méthode parameters de l'instance RecognitionParam : |
language_hints | String[] | Non | Langue de l'audio à reconnaître. Il n'y a pas de valeur par défaut ; si ce paramètre n'est pas défini, le modèle détecte automatiquement la langue.Vous pouvez définir jusqu’à 4 valeurs. Au-delà, seules les 4 premières prennent effet.
Cliquez pour afficher les codes de langue pris en charge
.parameter("language_hints", new String[]{"zh"}) sur RecognitionParam.Ce paramètre s’applique uniquement aux résultats finaux (sentence_end=true) et n’est pas pris en charge pour les résultats intermédiaires (sentence_end=false). |
max_sentence_silence | Integer | Non | Seuil de silence VAD pour la segmentation, en millisecondes. La phrase est considérée comme terminée si le silence après la parole dépasse ce seuil. Par défaut : 800. Plage valide : [200, 6000]. |
heartbeat | boolean | Non | Indique s'il faut activer les paquets de heartbeat.Valeur par défaut : false.
Pour utiliser ce champ, la version du SDK doit être 2.19.1 ou ultérieure. heartbeat via la méthode parameter ou la méthode parameters de l'instance RecognitionParam : |
speech_noise_threshold | float | Non | Seuil de distinction entre la parole et le bruit, utilisé pour ajuster la sensibilité de la détection d'activité vocale (VAD).Valeurs valides : [-1.0, 1.0].Description des valeurs :
speech_noise_threshold via la méthode parameter ou la méthode parameters de l'instance RecognitionParam : |
input | Map<String, Object> | Non | Objet d'entrée qui transmet le contexte de conversation. Le contexte aide à la reconnaissance et améliore la précision de reconnaissance des termes spécifiques. Pour l'utilisation, consultez Démarrage rapide.La Map doit contenir une clé context dont la valeur est un tableau de messages de type List<Map<String, Object>>. Chaque message contient les champs suivants :
Pour utiliser ce champ, la version du SDK doit être 2.22.23 ou ultérieure. input via la méthode input de l'instance RecognitionParam : |
apiKey | String | Non | Votre clé API. |
Fun-ASR-Realtime
Référence commune
Utilisez les méthodes chaînées de RecognitionParam pour configurer le modèle, la fréquence d'échantillonnage, le format audio et d'autres paramètres. Transmettez l'objet de paramètres configuré à la méthode call/streamCall de la classe Recognition.
| Paramètre | Type | Obligatoire | Description |
|---|---|---|---|
model | String | Oui | Le nom du modèle. |
sampleRate | Integer | Oui | Fréquence d'échantillonnage, en Hz.Valeurs valides : les modèles 8 kHz ne prennent en charge que 8000 Hz ; les autres modèles acceptent n'importe quelle fréquence d'échantillonnage. |
format | String | Oui | Format audio.Valeurs valides :
|
vocabularyId | String | Non | ID d'une liste de mots clés précompilée.Générez cet ID au préalable en appelant l'API de création de liste de mots clés. Transmettez l'ID 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 les requêtes.Pour plus de détails sur l'utilisation, consultez Mots clés précompilés. |
max_sentence_silence | Integer | Non | Seuil de silence VAD pour la segmentation, en ms. Lorsque le silence suivant un segment de parole dépasse ce seuil, le système considère que la phrase est terminée.Valeur par défaut : 1300.Valeurs valides : [200, 6000].Définissez max_sentence_silence via la méthode parameter ou la méthode parameters de l'instance RecognitionParam : |
multi_threshold_mode_enabled | boolean | Non | Indique s'il faut activer le mode multi-seuil. Lorsqu'il est activé, ce mode empêche les segments VAD de devenir trop longs.Valeur par défaut : false.Définissez multi_threshold_mode_enabled via la méthode parameter ou la méthode parameters de l'instance RecognitionParam : |
punctuation_prediction_enabled | boolean | Non | Définit s'il faut ajouter automatiquement la ponctuation aux résultats de reconnaissance :
punctuation_prediction_enabled via la méthode parameter ou la méthode parameters de l'instance RecognitionParam : |
heartbeat | boolean | Non | Indique s'il faut activer les paquets de heartbeat.Valeur par défaut : false.
Pour utiliser ce champ, la version du SDK doit être 2.19.1 ou ultérieure. heartbeat via la méthode parameter ou la méthode parameters de l'instance RecognitionParam : |
language_hints | String[] | Non | Langue de l'audio à reconnaître. Il n'y a pas de valeur par défaut ; si ce paramètre n'est pas défini, le modèle détecte automatiquement la langue.Vous pouvez définir une seule valeur. Si vous en définissez plusieurs, seule la première prend effet.
Cliquez pour afficher les codes de langue pris en charge
language_hints via la méthode parameter ou la méthode parameters de l'instance RecognitionParam : |
speech_noise_threshold | float | Non | Seuil de distinction entre la parole et le bruit, utilisé pour ajuster la sensibilité de la détection d'activité vocale (VAD).Valeurs valides : [-1.0, 1.0].Description des valeurs :
speech_noise_threshold via la méthode parameter ou la méthode parameters de l'instance RecognitionParam : |
special_word_filter | String | Non | Spécifie les mots sensibles à traiter lors de la reconnaissance vocale et permet de définir différentes méthodes de traitement pour différents mots sensibles. Pour plus de détails, consultez Filtrage des mots sensibles.Définissez special_word_filter via la méthode parameter ou la méthode parameters de l'instance RecognitionParam : |
input | Map<String, Object> | Non | Objet d'entrée qui transmet le contexte de conversation. Le contexte aide à la reconnaissance et améliore la précision de reconnaissance des termes spécifiques. Pour l'utilisation, consultez Démarrage rapide.La Map doit contenir une clé context dont la valeur est un tableau de messages de type List<Map<String, Object>>. Chaque message contient les champs suivants :
Pour utiliser ce champ, la version du SDK doit être 2.22.23 ou ultérieure. input via la méthode input de l'instance RecognitionParam : |
apiKey | String | Non | Votre clé API. |
Référence de l’API
Interfaces communes
La classe Recognition
Importez Recognition avec import com.alibaba.dashscope.audio.asr.recognition.Recognition;. Ses interfaces clés sont les suivantes :
| Interface/Méthode | Paramètre | Valeur de retour | Description |
|---|---|---|---|
| Aucune | Reconnaissance en temps réel en streaming basée sur les callbacks. Cette méthode ne bloque pas le thread actuel. | |
| Résultat de la reconnaissance. | Reconnaissance non streaming d'un fichier local. Cette méthode bloque le thread actuel jusqu'à ce que l'intégralité du fichier audio soit lue. Le fichier doit être lisible. | |
| Flowable<RecognitionResult> | Reconnaissance en temps réel en streaming basée sur Flowable. | |
| Aucune | Envoie l'audio. Maintenez chaque segment audio poussé à une taille raisonnable. Un segment recommandé contient environ 100 ms d'audio et a une taille comprise entre 1 Ko et 16 Ko.Les résultats de reconnaissance sont fournis via la méthode onEvent de l'interface de callback (ResultCallback). | |
Aucun | Aucune | Arrête la reconnaissance en temps réel.Cette méthode bloque le thread actuel jusqu'à ce que le callback ResultCallback appelle onComplete ou onError. | |
| code : code de fermeture WebSocket.reason : raison de la fermeture.Pour des conseils sur la définition de ces deux paramètres, consultez Le protocole WebSocket. | true | Après la fin d'une tâche, fermez toujours la connexion WebSocket, qu'une exception se soit produite ou non, afin d'éviter les fuites de connexion. Pour réutiliser les connexions afin d'améliorer l'efficacité, consultez Optimiser la reconnaissance vocale en temps réel Paraformer pour une concurrence élevée. | |
Aucun | requestId | Obtient le requestId de la tâche actuelle. Disponible après le démarrage d'une nouvelle tâche avec call ou streamingCall.Cette méthode n'est disponible que dans la version 2.18.0 et ultérieure du SDK. | |
Aucun | Latence du premier paquet. | Obtient la latence du premier paquet, c'est-à-dire le délai entre l'envoi du premier paquet audio et la réception du premier résultat de reconnaissance. À utiliser une fois la tâche terminée. Cette méthode n'est disponible que dans la version 2.18.0 et ultérieure du SDK. | |
Aucun | Latence du dernier paquet. | Obtient la latence du dernier paquet, c'est-à-dire le temps écoulé entre l'envoi de la commande stop et la réception du résultat final de reconnaissance. À utiliser une fois la tâche terminée.Cette méthode n'est disponible que dans la version 2.18.0 et ultérieure du SDK. |
L'interface de callback (ResultCallback)
Lors des appels en streaming bidirectionnel, le serveur retourne des informations clés sur le processus et des données au client via des callbacks. Implémentez les méthodes de callback pour traiter les informations ou les données retournées par le serveur.
Implémentez les méthodes de callback en étendant la classe abstraite ResultCallback. Lorsque vous étendez cette classe, vous pouvez définir le type générique sur RecognitionResult. RecognitionResult encapsule la structure de données retournée par le serveur.
Étant donné que Java prend en charge la réutilisation des connexions, il n'y a pas de onClose ni de onOpen.
| Interface/Méthode | Paramètre | Valeur de retour | Description |
|---|---|---|---|
result : Résultat de reconnaissance en temps réel (RecognitionResult) | Aucune | Appelé lorsque le serveur envoie une réponse. | |
Aucun | Aucune | Appelé après la fin de la tâche. | |
e : informations sur l'exception. | Aucune | Appelé lorsqu'une exception se produit. |
Résultat de reconnaissance en temps réel (RecognitionResult)
RecognitionResult représente le résultat d'une seule reconnaissance en temps réel.
| Interface/Méthode | Paramètre | Valeur de retour | Description |
|---|---|---|---|
Aucun | requestId | Obtient le requestId. | |
Aucun | Indique si une phrase complète a été formée, c'est-à-dire si une limite de phrase a été détectée. | Détermine si la phrase donnée est terminée. | |
Aucun | Informations sur la phrase (Sentence) | Obtient les informations sur la phrase, y compris les horodatages et le texte. |
Informations sur la phrase (Sentence)
| Interface/Méthode | Paramètre | Valeur de retour | Description |
|---|---|---|---|
Aucun | Heure de début de la phrase, en ms. | Retourne l'heure de début de la phrase. | |
Aucun | Heure de fin de la phrase, en ms. | Retourne l'heure de fin de la phrase. | |
Aucun | Texte reconnu. | Retourne le texte reconnu. | |
Aucun | Une liste d'objets Informations d'horodatage au niveau du mot (Word). | Retourne les informations d'horodatage au niveau du mot. |
Informations d'horodatage au niveau du mot (Word)
| Interface/Méthode | Paramètre | Valeur de retour | Description |
|---|---|---|---|
Aucun | Heure de début du mot, en ms. | Retourne l'heure de début du mot. | |
Aucun | Heure de fin du mot, en ms. | Retourne l'heure de fin du mot. | |
Aucun | Le mot. | Retourne le mot reconnu. | |
Aucun | La ponctuation. | Retourne la ponctuation. |
Qwen-Audio-ASR-Streaming
Interfaces clés
Réponse
- Résultat de reconnaissance en temps réel (RecognitionResult)
- Informations sur la phrase (
Sentence) - Informations d'horodatage au niveau du mot (Word)
Qwen-Audio-ASR-Message
Interfaces clés
Réponse
- Résultat de reconnaissance en temps réel (RecognitionResult)
- Informations sur la phrase (
Sentence) - Informations d'horodatage au niveau du mot (Word)
Fun-ASR-Realtime
Interfaces clés
Réponse
- Résultat de reconnaissance en temps réel (RecognitionResult)
- Informations sur la phrase (
Sentence) - Informations d'horodatage au niveau du mot (Word)