Layanan pengenalan ucapan real-time Qwen-ASR-Realtime menggunakan protokol WebSocket untuk menerima aliran audio real-time dan mentranskripsikannya secara real-time. Layanan ini mendukung alur interaksi mode VAD dan mode Manual.
Titik akhir API
URL WebSocket tetap sebagai berikut. Model yang akan dipanggil ditentukan melalui parameter kueri model (ganti <model_name> dengan model sebenarnya):
- Singapore
- China (Beijing)
wss://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api-ws/v1/realtime?model=<model_name>Saat memanggil, ganti {WorkspaceId} dengan Workspace ID Anda yang sebenarnya.Request headers
Tambahkan informasi berikut ke header permintaan:
Parameter | Tipe | Wajib | Deskripsi |
|---|---|---|---|
Authorization | string | Ya | Token autentikasi, dalam format |
user-agent | string | Tidak | Identifier klien yang membantu server melacak sumber permintaan. |
X-DashScope-WorkSpace | string | Tidak | Workspace ID Alibaba Cloud Model Studio. |
X-DashScope-DataInspection | string | Tidak | Apakah fitur pemeriksaan kepatuhan data diaktifkan. Secara default, tidak diteruskan atau diatur ke |
Alur interaksi
Untuk detail tentang event klien dan server, lihat Event klien dan Event server.
Dua mode interaksi didukung:
- Mode VAD (default): Server secara otomatis mendeteksi awal dan akhir ucapan (segmentasi ujaran), sehingga cocok untuk skenario seperti percakapan real-time dan transkripsi rapat.
- Mode Manual: Klien mengontrol segmentasi ujaran, cocok untuk skenario di mana klien dapat menentukan batas ujaran secara jelas, seperti mengirim pesan suara di aplikasi obrolan.
Mode VAD (default)
Nilai default server untuk silence_duration_ms adalah 800; untuk skenario yang memerlukan segmentasi ujaran cepat, seperti percakapan dan obrolan, 400 dapat digunakan sebagai referensi. Nilai default server untuk threshold adalah 0.2. Untuk konfigurasi lengkap, lihat Event klien.
Server secara otomatis mendeteksi awal dan akhir ucapan (segmentasi ujaran). Pengembang hanya perlu terus mengirim aliran audio, dan server secara otomatis mengembalikan hasil pengenalan akhir ketika mendeteksi bahwa sebuah ujaran telah berakhir. Mode ini cocok untuk skenario seperti percakapan real-time dan transkripsi rapat.
Untuk mengaktifkan: Konfigurasikan parameter session.turn_detection dari event session.update klien.
-
Klien menambahkan audio ke buffer dengan mengirim event
input_audio_buffer.append. -
Server mengembalikan event
input_audio_buffer.speech_startedketika mendeteksi ucapan. Catatan: Jika klien belum menerima event ini dan langsung mengirimsession.finishuntuk mengakhiri sesi, server akan langsung mengembalikan eventsession.finished, setelah itu klien harus memutuskan koneksi sendiri. -
Klien terus mengirim event
input_audio_buffer.appenduntuk mengirimkan audio. -
Setelah semua audio dikirimkan, klien mengirim event
session.finishuntuk memberi tahu server mengakhiri sesi saat ini. -
Server mengembalikan event
input_audio_buffer.speech_stoppedketika mendeteksi akhir ucapan. -
Server mengembalikan event
input_audio_buffer.committed. -
Server mengembalikan event
conversation.item.created. -
Server mengembalikan event
conversation.item.input_audio_transcription.text, yang berisi hasil pengenalan ucapan real-time. -
Server mengembalikan event
conversation.item.input_audio_transcription.completed, yang berisi hasil pengenalan ucapan final. -
Server mengembalikan event
session.finisheduntuk memberi tahu klien bahwa pengenalan telah selesai; pada saat itu, klien harus memutuskan koneksi sendiri.
Mode Manual
Klien mengontrol segmentasi ujaran. Klien perlu mengirim audio untuk satu ujaran lengkap, lalu mengirim event input_audio_buffer.commit untuk memberi tahu server. Mode ini cocok untuk skenario di mana klien dapat menentukan batas ujaran secara jelas, seperti mengirim pesan suara di aplikasi obrolan.
Untuk mengaktifkan: Atur session.turn_detection dari event session.update klien ke null.
- Klien menambahkan audio ke buffer dengan mengirim event
input_audio_buffer.append. - Klien mengirimkan buffer audio input dengan mengirim event
input_audio_buffer.commit. Commit ini membuat item pesan pengguna baru dalam percakapan. - Klien mengirim event
session.finishuntuk memberi tahu server mengakhiri sesi saat ini. - Server mengembalikan event
input_audio_buffer.committedsebagai respons. - Server mengembalikan event
conversation.item.input_audio_transcription.text, yang berisi hasil pengenalan ucapan real-time. - Server mengembalikan event
conversation.item.input_audio_transcription.completed, yang berisi hasil pengenalan ucapan final. - Server mengembalikan event
session.finisheduntuk memberi tahu klien bahwa pengenalan telah selesai; pada saat itu, klien harus memutuskan koneksi sendiri.
Contoh pemanggilan
Contoh berikut menggunakan qwen3-asr-flash-realtime. Dapatkan API Key dan Base URL di konsol, lalu konfigurasikan masing-masing sebagai variabel lingkungan DASHSCOPE_API_KEY dan DASHSCOPE_BASE_URL.
Unduh audio contoh dan simpan sebagai asr_example.wav. Audio tersebut adalah file WAV yang dikodekan dalam 16 kHz, mono, PCM 16-bit.
asr_example.pcm (PCM16, 16 kHz, mono). Jika Anda hanya memiliki file dalam format seperti MP3/WAV, gunakan ffmpeg untuk mengonversinya:- Java
- Python
- Go
- Node.js
- C#
- PHP