Skip to main content

Ikhtisar speech-to-text

Pengenalan ucapan Model Studio mentranskripsikan audio langsung dan rekaman, dengan dukungan multibahasa, dialek, hotword, konteks, penyempurnaan teks, dan diarisasi pembicara.

Fitur

Pengenalan ucapan mengubah ujaran dalam audio atau video menjadi teks untuk input suara, subtitel langsung, notulen rapat, dan analisis panggilan. Model Studio mendukung audio yang dikirim secara kontinu serta rekaman lengkap. Dukungan bahasa, dialek, dan fitur peningkatan berbeda menurut model.

Memilih model

Pilih model berdasarkan input audio, kasus penggunaan, dan cara penerimaan hasil. Rekomendasi berikut menggunakan seri Qwen-Audio 3.1.
JenisKasus penggunaanModel yang direkomendasikanPerbedaan utama
Real-timeTranskripsi kontinu, seperti subtitel langsung atau rapatqwen-audio-3.1-asr-flash-streamingMengirim audio terus-menerus sambil menerima hasil sementara dan akhir.
Ucapan singkat, seperti dikte atau pesan suaraqwen-audio-3.1-asr-flash-messageSecara default mengembalikan hasil akhir kalimat. Hasil sementara dan penyempurnaan teks dapat diaktifkan secara terpisah.
Non-real-timeRekaman singkat maksimal 5 menitqwen-audio-3.1-asr-flashMengembalikan hasil dalam permintaan saat ini, dengan opsi output SSE.
Rekaman panjang dan transkripsi audio/video di latar belakangqwen-audio-3.1-asr-flash-filetransMengirim tugas asinkron; unduh file transkripsi setelah tugas selesai.

Metode pengenalan

MetodeInput audioPenerimaan hasil
Pengenalan ucapan real-timeMengirim potongan audio secara kontinu untuk menampilkan transkripsi saat ujaran direkam.Menerima hasil sambil mengirim audio. Pengembalian hasil sementara dan akhir berbeda menurut model.
Pengenalan ucapan non-real-timeMengirim file audio atau video lengkap untuk memproses rekaman yang sudah ada.Panggilan sinkron mengembalikan hasil dalam permintaan saat ini, secara opsional melalui peristiwa SSE jika didukung model. Panggilan asinkron mengembalikan ID tugas terlebih dahulu, lalu menyediakan file hasil setelah selesai.

Meningkatkan pengenalan dan menggunakan hasil

Setelah memilih model, gunakan fitur yang didukung untuk meningkatkan pengenalan istilah, keterbacaan teks, dan hasil terstruktur. Untuk detail konfigurasi, lihat panduan pengenalan ucapan real-time atau non-real-time.
  • Hotword dan konteks: Hotword menyediakan ejaan yang diinginkan untuk nama, merek, dan istilah lainnya. Konteks menambahkan dialog sebelumnya dan latar belakang bisnis. Untuk konfigurasi, cakupan, dan penyesuaian, lihat Meningkatkan akurasi pengenalan.
  • Penyempurnaan teks: Merapikan kata pengisi, pengulangan, dan koreksi diri. qwen-audio-3.1-asr-flash-message dan qwen-audio-3.1-asr-flash mendukung penyempurnaan teks native.
  • Mempertahankan ungkapan dialek: qwen-audio-3.1-asr-flash-streaming, qwen-audio-3.1-asr-flash-message, qwen-audio-3.1-asr-flash, qwen-audio-3.1-asr-flash-filetrans dapat mempertahankan ungkapan khas dialek. Mengenali dialek dan mempertahankan ungkapannya dalam teks merupakan kemampuan berbeda.
  • Diarisasi pembicara: Memberi nomor pembicara pada transkripsi untuk membedakan peserta rapat atau wawancara. qwen-audio-3.1-asr-flash dan qwen-audio-3.1-asr-flash-filetrans mendukung fitur ini.
  • Stempel waktu: Menghubungkan kalimat atau kata dengan posisi audio untuk penyelarasan subtitel, penyorotan kata kunci, dan perpindahan posisi audio.
  • Pemfilteran kata sensitif: Mengganti kata tertentu dengan tanda bintang atau menghapusnya dari teks transkripsi.
Untuk persiapan audio, pengelolaan koneksi dan konkurensi, tugas asinkron, serta penanganan kesalahan, lihat Praktik terbaik pengenalan ucapan.

Model dan bahasa

Daftar berikut menunjukkan bahasa dan dialek yang didukung setiap keluarga dan versi model.
  • qwen-audio-3.1-asr-flash-streaming, qwen-audio-3.0-asr-flash-streaming: Bahasa Tionghoa (Mandarin, Kanton, Wu, Hokkien, Hakka, Gan, Xiang, Jin; plus aksen regional termasuk Dataran Tengah, Barat Daya, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Timur Laut, Beijing, dan Hong Kong/Taiwan—meliputi aksen Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu, dan Ningxia), Inggris, Jepang, Korea, Vietnam, Thailand, Indonesia, Melayu, Filipina, Hindi, Arab, Prancis, Jerman, Spanyol, Portugis, Rusia, Italia, Belanda, Swedia, Denmark, Finlandia, Norwegia, Yunani, Polandia, Ceko, Hongaria, Rumania, Bulgaria, Kroasia, Slovakia
  • qwen-audio-3.1-asr-flash-message: Bahasa Tionghoa (Mandarin, Kanton, Wu, Hokkien, Hakka, Gan, Xiang, Jin; plus aksen regional termasuk Dataran Tengah, Barat Daya, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Timur Laut, Beijing, dan Hong Kong/Taiwan—meliputi aksen Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu, dan Ningxia), Inggris, Jepang, Korea, Vietnam, Thailand, Indonesia, Melayu, Filipina, Hindi, Arab, Prancis, Jerman, Spanyol, Portugis, Rusia, Italia, Belanda, Swedia, Denmark, Finlandia, Norwegia, Yunani, Polandia, Ceko, Hongaria, Rumania, Bulgaria, Kroasia, Slovakia
  • qwen-audio-3.1-asr-flash: Bahasa Tionghoa (Mandarin, Kanton, Wu, Hokkien, Hakka, Gan, Xiang, Jin; plus aksen regional termasuk Dataran Tengah, Barat Daya, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Timur Laut, Beijing, dan Hong Kong/Taiwan—meliputi aksen Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu, dan Ningxia), Inggris, Jepang, Korea, Vietnam, Thailand, Indonesia, Melayu, Filipina, Hindi, Arab, Prancis, Jerman, Spanyol, Portugis, Rusia, Italia, Belanda, Swedia, Denmark, Finlandia, Norwegia, Yunani, Polandia, Ceko, Hongaria, Rumania, Bulgaria, Kroasia, Slovakia, Turki, Persia, Marathi, Malayalam, Nepali, Kirgiz, Azerbaijani, Georgia, Armenia, Slovenia, Albania, Estonia, Latvia, Lituania, Katalan, Basque, Galisia, Oriya, Divehi, Assam, Kurdi Utara, Tigre, Frisia Barat, Bashkir, Belarusia, Tatar, Interlingua, Mari Padang Rumput, Toki Pona
  • qwen-audio-3.0-asr-flash: Bahasa Tionghoa (Mandarin, Kanton, Wu, Hokkien, Hakka, Gan, Xiang, Jin; plus aksen regional termasuk Dataran Tengah, Barat Daya, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Timur Laut, Beijing, dan Hong Kong/Taiwan—meliputi aksen Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu, dan Ningxia), Inggris, Jepang, Korea, Vietnam, Thailand, Indonesia, Melayu, Filipina, Hindi, Arab, Prancis, Jerman, Spanyol, Portugis, Rusia, Italia, Belanda, Swedia, Denmark, Finlandia, Norwegia, Yunani, Polandia, Ceko, Hongaria, Rumania, Bulgaria, Kroasia, Slovakia
  • qwen-audio-3.1-asr-flash-filetrans, qwen-audio-3.0-asr-flash-filetrans: Bahasa Tionghoa (Mandarin, Kanton, Wu, Hokkien, Hakka, Gan, Xiang, Jin; plus aksen regional termasuk Dataran Tengah, Barat Daya, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Timur Laut, Beijing, dan Hong Kong/Taiwan—meliputi aksen Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu, dan Ningxia), Inggris, Jepang, Korea, Vietnam, Thailand, Indonesia, Melayu, Filipina, Hindi, Arab, Prancis, Jerman, Spanyol, Portugis, Rusia, Italia, Belanda, Swedia, Denmark, Finlandia, Norwegia, Yunani, Polandia, Ceko, Hongaria, Rumania, Bulgaria, Kroasia, Slovakia
  • fun-asr-realtime: Bahasa Tionghoa (Mandarin, Kanton, Wu, Hokkien, Hakka, Gan, Xiang, Jin; plus aksen regional termasuk Dataran Tengah, Barat Daya, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Timur Laut, Beijing, dan Hong Kong/Taiwan—meliputi aksen Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu, dan Ningxia), Inggris, Jepang, Korea, Vietnam, Thailand, Indonesia, Melayu, Filipina, Hindi, Arab, Prancis, Jerman, Spanyol, Portugis, Rusia, Italia, Belanda, Swedia, Denmark, Finlandia, Norwegia, Yunani, Polandia, Ceko, Hongaria, Rumania, Bulgaria, Kroasia, Slovakia
  • fun-asr-realtime-2026-02-28: Bahasa Tionghoa (Mandarin, Kanton, Wu, Hokkien, Hakka, Gan, Xiang, Jin; plus aksen regional termasuk Dataran Tengah, Barat Daya, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Timur Laut, Beijing, dan Hong Kong/Taiwan—meliputi aksen Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu, dan Ningxia), Inggris, Jepang
  • fun-asr-flash-8k-realtime, fun-asr-flash-8k-realtime-2026-01-28: Bahasa Tionghoa
  • fun-asr: Bahasa Tionghoa (Mandarin, Kanton, Wu, Hokkien, Hakka, Gan, Xiang, Jin; plus aksen regional termasuk Dataran Tengah, Barat Daya, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Timur Laut, Beijing, dan Hong Kong/Taiwan—meliputi aksen Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu, dan Ningxia), Inggris, Jepang, Korea, Vietnam, Thailand, Indonesia, Melayu, Filipina, Hindi, Arab, Prancis, Jerman, Spanyol, Portugis, Rusia, Italia, Belanda, Swedia, Denmark, Finlandia, Norwegia, Yunani, Polandia, Ceko, Hongaria, Rumania, Bulgaria, Kroasia, Slovakia
  • fun-asr-flash-2026-06-15: Bahasa Tionghoa (Mandarin, Kanton, Wu, Hokkien, Hakka, Gan, Xiang, Jin; plus aksen regional termasuk Dataran Tengah, Barat Daya, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Timur Laut, Beijing, dan Hong Kong/Taiwan—meliputi aksen Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu, dan Ningxia), Inggris, Jepang, Korea, Vietnam, Thailand, Indonesia, Melayu, Filipina, Hindi, Arab, Prancis, Jerman, Spanyol, Portugis, Rusia, Italia, Belanda, Swedia, Denmark, Finlandia, Norwegia, Yunani, Polandia, Ceko, Hongaria, Rumania, Bulgaria, Kroasia, Slovakia
  • qwen3-asr-flash-realtime, qwen3-asr-flash-filetrans, qwen3-asr-flash: Bahasa Tionghoa (Mandarin, Sichuan, Hokkien, Wu, Kanton), Inggris, Jepang, Jerman, Korea, Rusia, Prancis, Portugis, Arab, Italia, Spanyol, Hindi, Indonesia, Thailand, Turki, Ukraina, Vietnam, Ceko, Denmark, Filipina, Finlandia, Islandia, Melayu, Norwegia, Polandia, Swedia.
  • paraformer-realtime-v2, paraformer-v2: Bahasa Tionghoa (Mandarin, Kanton, Wu, Hokkien, Timur Laut, Gansu, Guizhou, Henan, Hubei, Hunan, Ningxia, Shanxi, Shaanxi, Shandong, Sichuan, Tianjin, Jiangxi, Yunnan, Shanghai), Inggris, Jepang, Korea, Jerman, Prancis, Rusia
  • paraformer-realtime-8k-v2, paraformer-8k-v2: Bahasa Tionghoa (Mandarin)

Persyaratan input audio

Untuk format audio, frekuensi sampel, kanal, ukuran file, dan durasi, lihat batas dalam panduan real-time atau non-real-time.