Skip to main content

Qwen-Audio-ASR / Fun-ASR Java SDK

Prérequis

Le service est activé et vous avez obtenu une clé API. Afin de prévenir les risques de sécurité liés aux fuites de code, nous vous conseillons de configurer la clé API comme variable d'environnement plutôt que de l'intégrer en dur dans votre code.

Démarrage rapide

Utilisez les mêmes exemples pour les modèles ci-dessous. Remplacez l’ID de modèle à l’aide de ce tableau.
ModèleID de modèle dans l’exemple
Qwen-Audio-ASR-Streamingqwen-audio-3.0-asr-flash-streaming
Qwen-Audio-ASR-Messageqwen-audio-3.1-asr-flash-message
Fun-ASR-Realtimefun-asr-realtime
La classe Recognition fournit des interfaces pour les appels synchrones et les appels en streaming bidirectionnel. Choisissez l'approche adaptée à vos besoins :
  • 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.
import com.alibaba.dashscope.audio.asr.recognition.Recognition;
import com.alibaba.dashscope.audio.asr.recognition.RecognitionParam;
import com.alibaba.dashscope.utils.Constants;

import java.io.File;

public class Main {
    public static void main(String[] args) {
        // The following is the configuration for the Singapore region. When calling, replace "{WorkspaceId}" with your real workspace ID. Configurations differ by region.
        Constants.baseWebsocketApiUrl = "wss://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api-ws/v1/inference";
        // Create a Recognition instance
        Recognition recognizer = new Recognition();
        // Create RecognitionParam
        RecognitionParam param =
                RecognitionParam.builder()
                        .model("qwen-audio-3.0-asr-flash-streaming")
                        // The API Key differs between the Singapore and Beijing regions. Get an API Key: https://www.alibabacloud.com/help/zh/model-studio/get-api-key
                        // If you have not configured the environment variable, replace the following line with your Model Studio API Key: .apiKey("sk-xxx")
                        .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                        .format("wav")
                        .sampleRate(16000)
                        .build();

        try {
            System.out.println("Recognition result: " + recognizer.call(param, new File("{YOUR_AUDIO_FILE}")));
        } catch (Exception e) {
            e.printStackTrace();
        } finally {
            // Close the WebSocket connection after the task is complete
            recognizer.getDuplexApi().close(1000, "bye");
        }
        System.out.println(
                "[Metric] requestId: "
                        + recognizer.getLastRequestId()
                        + ", first package delay ms: "
                        + recognizer.getFirstPackageDelay()
                        + ", last package delay ms: "
                        + recognizer.getLastPackageDelay());
        System.exit(0);
    }
}

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.
RecognitionParam param = RecognitionParam.builder()
  .model("qwen-audio-3.0-asr-flash-streaming")
  .format("pcm")
  .sampleRate(16000)
  //.parameter("language_hints", new String[]{"zh"})
  .build();
ParamètreTypeObligatoireDescription
modelStringOuiLe nom du modèle.
sampleRateIntegerOuiLe taux d’échantillonnage en Hz. Tous les taux sont pris en charge.
formatStringOuiFormat audio.Valeurs valides :
  • pcm
  • wav
  • mp3
  • opus
  • speex
  • aac
  • amr
opus/speex : doit utiliser l'encapsulation Ogg.wav : doit utiliser l'encodage PCM.amr : seul le type AMR-NB est pris en charge.
keep_dialectbooleanNon
S’applique uniquement à qwen-audio-3.1-asr-flash-streaming.
Par défaut : false, pour transcrire les dialectes en chinois standard. Définissez sur true pour conserver les expressions dialectales. Définissez avec .parameter("keep_dialect", value).
vad_modelStringNon
S’applique uniquement à qwen-audio-3.1-asr-flash-streaming.
Modèle VAD : near_meeting_16k (champ proche) ou far_field_meeting_16k (champ lointain, par défaut). Définissez avec .parameter("vad_model", value).
vocabularyIdStringNonID 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.
vocabularyMap<String, Integer>NonMots 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 :
Map<String, Integer> vocab = new HashMap<>();
    vocab.put("John Smith", 5);
    vocab.put("Jane Doe", 5);

    RecognitionParam param = RecognitionParam.builder()
            .model("qwen-audio-3.0-asr-flash-streaming")
            .format("pcm")
            .sampleRate(16000)
            .parameter("vocabulary", vocab)
            .build();
max_sentence_silenceIntegerNonSeuil 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 :
RecognitionParam param = RecognitionParam.builder()
     .model("qwen-audio-3.0-asr-flash-streaming")
     .format("pcm")
     .sampleRate(16000)
     .parameter("max_sentence_silence", 800)
     .build();
multi_threshold_mode_enabledbooleanNonIndique 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 :
RecognitionParam param = RecognitionParam.builder()
     .model("qwen-audio-3.0-asr-flash-streaming")
     .format("pcm")
     .sampleRate(16000)
     .parameter("multi_threshold_mode_enabled", true)
     .build();
punctuation_prediction_enabledbooleanNonDéfinit s'il faut ajouter automatiquement la ponctuation aux résultats de reconnaissance :
  • true (par défaut) : oui. Cette valeur ne peut pas être modifiée.
Définissez punctuation_prediction_enabled via la méthode parameter ou la méthode parameters de l'instance RecognitionParam :
RecognitionParam param = RecognitionParam.builder()
     .model("qwen-audio-3.0-asr-flash-streaming")
     .format("pcm")
     .sampleRate(16000)
     .parameter("punctuation_prediction_enabled", false)
     .build();
heartbeatbooleanNonIndique s'il faut activer les paquets de heartbeat.Valeur par défaut : false.
  • true : maintient la connexion au serveur active même lorsque de l'audio silencieux est envoyé en continu.
  • false (par défaut) : la connexion est interrompue pour cause de timeout après 60 secondes, même si de l'audio silencieux est envoyé en continu.
L'audio silencieux désigne le contenu d'un fichier audio ou d'un flux de données ne contenant aucun signal sonore. Vous pouvez générer de l'audio silencieux de plusieurs façons, par exemple en utilisant un logiciel d'édition audio comme Audacity ou Adobe Audition, ou un outil en ligne de commande comme FFmpeg.
Pour utiliser ce champ, la version du SDK doit être 2.19.1 ou ultérieure.
Définissez heartbeat via la méthode parameter ou la méthode parameters de l'instance RecognitionParam :
RecognitionParam param = RecognitionParam.builder()
     .model("qwen-audio-3.0-asr-flash-streaming")
     .format("pcm")
     .sampleRate(16000)
     .parameter("heartbeat", true)
     .build();
language_hintsString[]NonLangue 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.
  • 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
Définissez language_hints via la méthode parameter ou la méthode parameters de l'instance RecognitionParam :
RecognitionParam param = RecognitionParam.builder()
     .model("qwen-audio-3.0-asr-flash-streaming")
     .format("pcm")
     .sampleRate(16000)
     .parameter("language_hints", new String[]{"zh"})
     .build();
speech_noise_thresholdfloatNonSeuil 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 :
  • Plus la valeur se rapproche de -1 : le seuil de bruit diminue, donc le bruit est plus susceptible d'être reconnu comme de la parole, ce qui peut entraîner la transcription de davantage de bruit.
  • Plus la valeur se rapproche de +1 : le seuil de bruit augmente, donc la parole est plus susceptible d'être jugée à tort comme du bruit, ce qui peut filtrer une partie de la parole.
Il s'agit d'un paramètre de configuration avancé. Son ajustement peut affecter considérablement les résultats de reconnaissance. Recommandations :
  • Testez et vérifiez minutieusement les résultats avant tout ajustement.
  • Ajustez par petits incréments en fonction de l'environnement audio réel (un pas de 0,1 est recommandé).
Définissez speech_noise_threshold via la méthode parameter ou la méthode parameters de l'instance RecognitionParam :
RecognitionParam param = RecognitionParam.builder()
     .model("qwen-audio-3.0-asr-flash-streaming")
     .format("pcm")
     .sampleRate(16000)
     .parameter("speech_noise_threshold", -0.5)
     .build();
special_word_filterStringNonSpécifie 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 :
// 1. Build the outermost object
    JSONObject root = new JSONObject();
    root.put("system_reserved_filter", true);

    // 2. Build the "remove completely from results" configuration
    JSONObject root1 = new JSONObject();
    JSONArray array1 = new JSONArray();
    array1.put("start");
    array1.put("proceed");
    root1.put("word_list", array1);

    // 3. Build the "replace with equal-length *" configuration
    JSONObject root2 = new JSONObject();
    JSONArray array2 = new JSONArray();
    array2.put("test");
    root2.put("word_list", array2);

    // 4. Assemble
    root.put("filter_with_empty", root1);
    root.put("filter_with_signed", root2);

    RecognitionParam param = RecognitionParam.builder()
     .model("qwen-audio-3.0-asr-flash-streaming")
     .format("pcm")
     .sampleRate(16000)
     .parameter("special_word_filter", root.toString())
     .build();
inputMap<String, Object>NonObjet 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 :
  • role (String, obligatoire) : rôle du message. user indique le résultat de reconnaissance de la parole de l'utilisateur des tours précédents ou une liste de mots spécifiques au domaine. assistant indique les réponses du grand modèle linguistique des tours précédents.
  • content (List<Map>, obligatoire) : liste du contenu du message. Chaque élément contient type (String ; défini sur input_text lorsque le rôle est user, et text lorsque le rôle est assistant) et text (String, le contenu textuel).
Limites : les messages de contexte de type input_text et text sont limités à 5 chacun ; les 5 plus récents sont conservés lorsque la limite est dépassée. La longueur totale du texte par tour de contexte ne peut pas dépasser 400 caractères, et tout excédent est tronqué à partir de la fin.
Lorsque vous transmettez un contexte, les messages dans context doivent suivre un ordre spécifique : les messages de contexte doivent être organisés par tour de conversation, et dans chaque tour, le message user (type input_text) doit précéder le message assistant correspondant (type text).
Pour utiliser ce champ, la version du SDK doit être 2.22.23 ou ultérieure.
Définissez input via la méthode input de l'instance RecognitionParam :
// 1. Build the input struct
          Map<String, Object> userContent = new HashMap<>();
          userContent.put("type", "input_text");
          userContent.put("text", "Hello there");

          Map<String, Object> assistantContent = new HashMap<>();
          assistantContent.put("type", "text");
          assistantContent.put("text", "Hello, I am Qwen. How can I help you?");

          Map<String, Object> userMessage = new HashMap<>();
          userMessage.put("role", "user");
          userMessage.put("content", Arrays.asList(userContent));

          Map<String, Object> assistantMessage = new HashMap<>();
          assistantMessage.put("role", "assistant");
          assistantMessage.put("content", Arrays.asList(assistantContent));

          Map<String, Object> input = new HashMap<>();
          input.put("context", Arrays.asList(userMessage, assistantMessage));

          // 2. Pass it in through the input method
          RecognitionParam param = RecognitionParam.builder()
           .model("qwen-audio-3.0-asr-flash-streaming")
           .format("pcm")
           .sampleRate(16000)
           .input(input)
           .build();
apiKeyStringNonVotre 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.
RecognitionParam param = RecognitionParam.builder()
  .model("qwen-audio-3.1-asr-flash-message")
  .format("pcm")
  .sampleRate(16000)
  .build();
ParamètreTypeObligatoireDescription
modelStringOuiLe nom du modèle.
sampleRateIntegerOuiLe taux d’échantillonnage en Hz. Seule la valeur 16000 est prise en charge.
formatStringOuiFormat audio.Valeurs valides :
  • pcm
  • wav
  • mp3
  • opus
  • speex
  • aac
  • amr
opus/speex : doit utiliser l'encapsulation Ogg.wav : doit utiliser l'encodage PCM.amr : seul le type AMR-NB est pris en charge.
keep_dialectbooleanNonPar 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_modelStringNonModèle VAD : near_meeting_16k (champ proche) ou far_field_meeting_16k (champ lointain, par défaut). Définissez avec .parameter("vad_model", value).
disfluency_removal_enabledbooleanNonIndique 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_enabledbooleanNonIndique 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).
vocabularyIdStringNonID 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.
vocabularyMap<String, Integer>NonMots 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.
Seul qwen-audio-3.1-asr-flash-message prend en charge les mots clés instantanés.
Définissez vocabulary via la méthode parameter ou la méthode parameters de l'instance RecognitionParam :
Map<String, Integer> vocab = new HashMap<>();
    vocab.put("John Smith", 5);
    vocab.put("Jane Doe", 5);

    RecognitionParam param = RecognitionParam.builder()
            .model("qwen-audio-3.1-asr-flash-message")
            .format("pcm")
            .sampleRate(16000)
            .parameter("vocabulary", vocab)
            .build();
language_hintsString[]NonLangue 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.
  • 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
Définissez ce paramètre via .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_silenceIntegerNonSeuil 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].
heartbeatbooleanNonIndique s'il faut activer les paquets de heartbeat.Valeur par défaut : false.
  • true : maintient la connexion au serveur active même lorsque de l'audio silencieux est envoyé en continu.
  • false (par défaut) : la connexion est interrompue pour cause de timeout après 60 secondes, même si de l'audio silencieux est envoyé en continu.
L'audio silencieux désigne le contenu d'un fichier audio ou d'un flux de données ne contenant aucun signal sonore. Vous pouvez générer de l'audio silencieux de plusieurs façons, par exemple en utilisant un logiciel d'édition audio comme Audacity ou Adobe Audition, ou un outil en ligne de commande comme FFmpeg.
Pour utiliser ce champ, la version du SDK doit être 2.19.1 ou ultérieure.
Définissez heartbeat via la méthode parameter ou la méthode parameters de l'instance RecognitionParam :
RecognitionParam param = RecognitionParam.builder()
     .model("qwen-audio-3.1-asr-flash-message")
     .format("pcm")
     .sampleRate(16000)
     .parameter("heartbeat", true)
     .build();
speech_noise_thresholdfloatNonSeuil 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 :
  • Plus la valeur se rapproche de -1 : le seuil de bruit diminue, donc le bruit est plus susceptible d'être reconnu comme de la parole, ce qui peut entraîner la transcription de davantage de bruit.
  • Plus la valeur se rapproche de +1 : le seuil de bruit augmente, donc la parole est plus susceptible d'être jugée à tort comme du bruit, ce qui peut filtrer une partie de la parole.
Il s'agit d'un paramètre de configuration avancé. Son ajustement peut affecter considérablement les résultats de reconnaissance. Recommandations :
  • Testez et vérifiez minutieusement les résultats avant tout ajustement.
  • Ajustez par petits incréments en fonction de l'environnement audio réel (un pas de 0,1 est recommandé).
Définissez speech_noise_threshold via la méthode parameter ou la méthode parameters de l'instance RecognitionParam :
RecognitionParam param = RecognitionParam.builder()
     .model("qwen-audio-3.1-asr-flash-message")
     .format("pcm")
     .sampleRate(16000)
     .parameter("speech_noise_threshold", -0.5)
     .build();
inputMap<String, Object>NonObjet 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.
Seuls les modèles qwen-audio-3.1-asr-flash-message prennent en charge le paramètre de contexte.
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 :
  • role (String, obligatoire) : rôle du message. user indique le résultat de reconnaissance de la parole de l'utilisateur des tours précédents ou une liste de mots spécifiques au domaine. assistant indique les réponses du grand modèle linguistique des tours précédents.
  • content (List<Map>, obligatoire) : liste du contenu du message. Chaque élément contient type (String ; défini sur input_text lorsque le rôle est user, et text lorsque le rôle est assistant) et text (String, le contenu textuel).
Limites : les messages de contexte de type input_text et text sont limités à 5 chacun ; les 5 plus récents sont conservés lorsque la limite est dépassée. La longueur totale du texte par tour de contexte ne peut pas dépasser 400 caractères, et tout excédent est tronqué à partir de la fin.
Lorsque vous transmettez un contexte, les messages dans context doivent suivre un ordre spécifique : les messages de contexte doivent être organisés par tour de conversation, et dans chaque tour, le message user (type input_text) doit précéder le message assistant correspondant (type text).
Pour utiliser ce champ, la version du SDK doit être 2.22.23 ou ultérieure.
Définissez input via la méthode input de l'instance RecognitionParam :
// 1. Build the input struct
          Map<String, Object> userContent = new HashMap<>();
          userContent.put("type", "input_text");
          userContent.put("text", "Hello there");

          Map<String, Object> assistantContent = new HashMap<>();
          assistantContent.put("type", "text");
          assistantContent.put("text", "Hello, I am Qwen. How can I help you?");

          Map<String, Object> userMessage = new HashMap<>();
          userMessage.put("role", "user");
          userMessage.put("content", Arrays.asList(userContent));

          Map<String, Object> assistantMessage = new HashMap<>();
          assistantMessage.put("role", "assistant");
          assistantMessage.put("content", Arrays.asList(assistantContent));

          Map<String, Object> input = new HashMap<>();
          input.put("context", Arrays.asList(userMessage, assistantMessage));

          // 2. Pass it in through the input method
          RecognitionParam param = RecognitionParam.builder()
           .model("qwen-audio-3.1-asr-flash-message")
           .format("pcm")
           .sampleRate(16000)
           .input(input)
           .build();
apiKeyStringNonVotre 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.
RecognitionParam param = RecognitionParam.builder()
  .model("fun-asr-realtime")
  .format("pcm")
  .sampleRate(16000)
  //.parameter("language_hints", new String[]{"zh"})
  .build();
ParamètreTypeObligatoireDescription
modelStringOuiLe nom du modèle.
sampleRateIntegerOuiFréquence 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.
formatStringOuiFormat audio.Valeurs valides :
  • pcm
  • wav
  • mp3
  • opus
  • speex
  • aac
  • amr
opus/speex : doit utiliser l'encapsulation Ogg.wav : doit utiliser l'encodage PCM.amr : seul le type AMR-NB est pris en charge.
vocabularyIdStringNonID 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_silenceIntegerNonSeuil 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 :
RecognitionParam param = RecognitionParam.builder()
     .model("fun-asr-realtime")
     .format("pcm")
     .sampleRate(16000)
     .parameter("max_sentence_silence", 800)
     .build();
multi_threshold_mode_enabledbooleanNonIndique 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 :
RecognitionParam param = RecognitionParam.builder()
     .model("fun-asr-realtime")
     .format("pcm")
     .sampleRate(16000)
     .parameter("multi_threshold_mode_enabled", true)
     .build();
punctuation_prediction_enabledbooleanNonDéfinit s'il faut ajouter automatiquement la ponctuation aux résultats de reconnaissance :
  • true (par défaut) : oui. Cette valeur ne peut pas être modifiée.
Définissez punctuation_prediction_enabled via la méthode parameter ou la méthode parameters de l'instance RecognitionParam :
RecognitionParam param = RecognitionParam.builder()
     .model("fun-asr-realtime")
     .format("pcm")
     .sampleRate(16000)
     .parameter("punctuation_prediction_enabled", false)
     .build();
heartbeatbooleanNonIndique s'il faut activer les paquets de heartbeat.Valeur par défaut : false.
  • true : maintient la connexion au serveur active même lorsque de l'audio silencieux est envoyé en continu.
  • false (par défaut) : la connexion est interrompue pour cause de timeout après 60 secondes, même si de l'audio silencieux est envoyé en continu.
L'audio silencieux désigne le contenu d'un fichier audio ou d'un flux de données ne contenant aucun signal sonore. Vous pouvez générer de l'audio silencieux de plusieurs façons, par exemple en utilisant un logiciel d'édition audio comme Audacity ou Adobe Audition, ou un outil en ligne de commande comme FFmpeg.
Pour utiliser ce champ, la version du SDK doit être 2.19.1 ou ultérieure.
Définissez heartbeat via la méthode parameter ou la méthode parameters de l'instance RecognitionParam :
RecognitionParam param = RecognitionParam.builder()
     .model("fun-asr-realtime")
     .format("pcm")
     .sampleRate(16000)
     .parameter("heartbeat", true)
     .build();
language_hintsString[]NonLangue 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.
  • fun-asr-realtime :
    • 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
  • fun-asr-realtime-2026-02-28 :
    • zh : chinois
    • en : anglais
    • ja : japonais
  • fun-asr-flash-8k-realtime, fun-asr-flash-8k-realtime-2026-01-28 :
    • zh : chinois
Définissez language_hints via la méthode parameter ou la méthode parameters de l'instance RecognitionParam :
RecognitionParam param = RecognitionParam.builder()
     .model("fun-asr-realtime")
     .format("pcm")
     .sampleRate(16000)
     .parameter("language_hints", new String[]{"zh"})
     .build();
speech_noise_thresholdfloatNonSeuil 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 :
  • Plus la valeur se rapproche de -1 : le seuil de bruit diminue, donc le bruit est plus susceptible d'être reconnu comme de la parole, ce qui peut entraîner la transcription de davantage de bruit.
  • Plus la valeur se rapproche de +1 : le seuil de bruit augmente, donc la parole est plus susceptible d'être jugée à tort comme du bruit, ce qui peut filtrer une partie de la parole.
Il s'agit d'un paramètre de configuration avancé. Son ajustement peut affecter considérablement les résultats de reconnaissance. Recommandations :
  • Testez et vérifiez minutieusement les résultats avant tout ajustement.
  • Ajustez par petits incréments en fonction de l'environnement audio réel (un pas de 0,1 est recommandé).
Définissez speech_noise_threshold via la méthode parameter ou la méthode parameters de l'instance RecognitionParam :
RecognitionParam param = RecognitionParam.builder()
     .model("fun-asr-realtime")
     .format("pcm")
     .sampleRate(16000)
     .parameter("speech_noise_threshold", -0.5)
     .build();
special_word_filterStringNonSpécifie 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 :
// 1. Build the outermost object
    JSONObject root = new JSONObject();
    root.put("system_reserved_filter", true);

    // 2. Build the "remove completely from results" configuration
    JSONObject root1 = new JSONObject();
    JSONArray array1 = new JSONArray();
    array1.put("start");
    array1.put("proceed");
    root1.put("word_list", array1);

    // 3. Build the "replace with equal-length *" configuration
    JSONObject root2 = new JSONObject();
    JSONArray array2 = new JSONArray();
    array2.put("test");
    root2.put("word_list", array2);

    // 4. Assemble
    root.put("filter_with_empty", root1);
    root.put("filter_with_signed", root2);

    RecognitionParam param = RecognitionParam.builder()
     .model("fun-asr-realtime")
     .format("pcm")
     .sampleRate(16000)
     .parameter("special_word_filter", root.toString())
     .build();
inputMap<String, Object>NonObjet 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.
Seuls les modèles fun-asr-realtime prennent en charge le paramètre de contexte.
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 :
  • role (String, obligatoire) : rôle du message. user indique le résultat de reconnaissance de la parole de l'utilisateur des tours précédents ou une liste de mots spécifiques au domaine. assistant indique les réponses du grand modèle linguistique des tours précédents.
  • content (List<Map>, obligatoire) : liste du contenu du message. Chaque élément contient type (String ; défini sur input_text lorsque le rôle est user, et text lorsque le rôle est assistant) et text (String, le contenu textuel).
Limites : les messages de contexte de type input_text et text sont limités à 5 chacun ; les 5 plus récents sont conservés lorsque la limite est dépassée. La longueur totale du texte par tour de contexte ne peut pas dépasser 400 caractères, et tout excédent est tronqué à partir de la fin.
Lorsque vous transmettez un contexte, les messages dans context doivent suivre un ordre spécifique : les messages de contexte doivent être organisés par tour de conversation, et dans chaque tour, le message user (type input_text) doit précéder le message assistant correspondant (type text).
Pour utiliser ce champ, la version du SDK doit être 2.22.23 ou ultérieure.
Définissez input via la méthode input de l'instance RecognitionParam :
// 1. Build the input struct
          Map<String, Object> userContent = new HashMap<>();
          userContent.put("type", "input_text");
          userContent.put("text", "Hello there");

          Map<String, Object> assistantContent = new HashMap<>();
          assistantContent.put("type", "text");
          assistantContent.put("text", "Hello, I am Qwen. How can I help you?");

          Map<String, Object> userMessage = new HashMap<>();
          userMessage.put("role", "user");
          userMessage.put("content", Arrays.asList(userContent));

          Map<String, Object> assistantMessage = new HashMap<>();
          assistantMessage.put("role", "assistant");
          assistantMessage.put("content", Arrays.asList(assistantContent));

          Map<String, Object> input = new HashMap<>();
          input.put("context", Arrays.asList(userMessage, assistantMessage));

          // 2. Pass it in through the input method
          RecognitionParam param = RecognitionParam.builder()
           .model("fun-asr-realtime")
           .format("pcm")
           .sampleRate(16000)
           .input(input)
           .build();
apiKeyStringNonVotre 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/MéthodeParamètreValeur de retourDescription
public void call(RecognitionParam param, final ResultCallback<RecognitionResult> callback)
  • param : Paramètres de requête
  • callback : Interface de callback (ResultCallback)
AucuneReconnaissance en temps réel en streaming basée sur les callbacks. Cette méthode ne bloque pas le thread actuel.
public String call(RecognitionParam param, File file)
  • param : Paramètres de requête
  • file : fichier audio à reconnaître.
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.
public Flowable<RecognitionResult> streamCall(RecognitionParam param, Flowable<ByteBuffer> audioFrame)
  • param : Paramètres de requête
  • audioFrame : instance Flowable<ByteBuffer>.
Flowable<RecognitionResult>Reconnaissance en temps réel en streaming basée sur Flowable.
public void sendAudioFrame(ByteBuffer audioFrame)
  • audioFrame : flux audio binaire de type ByteBuffer.
AucuneEnvoie 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).
public void stop()
AucunAucuneArrête la reconnaissance en temps réel.Cette méthode bloque le thread actuel jusqu'à ce que le callback ResultCallback appelle onComplete ou onError.
boolean getDuplexApi().close(int code, String reason)
code : code de fermeture WebSocket.reason : raison de la fermeture.Pour des conseils sur la définition de ces deux paramètres, consultez Le protocole WebSocket.trueAprès 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.
public String getLastRequestId()
AucunrequestIdObtient 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.
public long getFirstPackageDelay()
AucunLatence 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.
public long getLastPackageDelay()
AucunLatence 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.
ResultCallback<RecognitionResult> callback = new ResultCallback<RecognitionResult>() {
    @Override
    public void onEvent(RecognitionResult result) {
        System.out.println("RequestId: " + result.getRequestId());
        // Add your logic to process the speech recognition result here.
    }

    @Override
    public void onComplete() {
        System.out.println("Task complete");
    }

    @Override
    public void onError(Exception e) {
        System.out.println("Task failed: " + e.getMessage());
    }
};
Interface/MéthodeParamètreValeur de retourDescription
public void onEvent(RecognitionResult result)
result : Résultat de reconnaissance en temps réel (RecognitionResult)AucuneAppelé lorsque le serveur envoie une réponse.
public void onComplete()
AucunAucuneAppelé après la fin de la tâche.
public void onError(Exception e)
e : informations sur l'exception.AucuneAppelé lorsqu'une exception se produit.

Résultat de reconnaissance en temps réel (RecognitionResult)

RecognitionResult représente le résultat d'une seule reconnaissance en temps réel.
Interface/MéthodeParamètreValeur de retourDescription
public String getRequestId()
AucunrequestIdObtient le requestId.
public boolean isSentenceEnd()
AucunIndique 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.
public Sentence getSentence()
AucunInformations sur la phrase (Sentence)Obtient les informations sur la phrase, y compris les horodatages et le texte.

Informations sur la phrase (Sentence)

Interface/MéthodeParamètreValeur de retourDescription
public Long getBeginTime()
AucunHeure de début de la phrase, en ms.Retourne l'heure de début de la phrase.
public Long getEndTime()
AucunHeure de fin de la phrase, en ms.Retourne l'heure de fin de la phrase.
public String getText()
AucunTexte reconnu.Retourne le texte reconnu.
public List<Word> getWords()
AucunUne 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/MéthodeParamètreValeur de retourDescription
public long getBeginTime()
AucunHeure de début du mot, en ms.Retourne l'heure de début du mot.
public long getEndTime()
AucunHeure de fin du mot, en ms.Retourne l'heure de fin du mot.
public String getText()
AucunLe mot.Retourne le mot reconnu.
public String getPunctuation()
AucunLa ponctuation.Retourne la ponctuation.

Qwen-Audio-ASR-Streaming

Interfaces clés

Réponse

Qwen-Audio-ASR-Message

Interfaces clés

Réponse

Fun-ASR-Realtime

Interfaces clés

Réponse

Codes d’erreur

Si vous rencontrez des erreurs, consultez la rubrique Codes d'erreur pour le dépannage. Si le problème persiste, rejoignez la communauté des développeurs pour signaler votre problème et fournir l'ID de requête pour une enquête plus approfondie.