Dokumen ini menjelaskan cara menggunakan DashScope Java SDK untuk memanggil model Real-time Speech Recognition (Qwen-ASR-Realtime).
Prasyarat
- Instal SDK dan pastikan versi DashScope SDK adalah 2.22.5 atau lebih baru.
- Dapatkan dan konfigurasikan Kunci API.
- Pelajari WebSocket API.
Mulai Cepat
your_audio_file.pcm (PCM16, 16 kHz, mono). Jika Anda hanya memiliki format seperti MP3/WAV, Anda dapat mengonversinya dengan ffmpeg:Parameter permintaan
-
Parameter berikut diatur melalui metode berantai dari
OmniRealtimeParam.Klik untuk melihat kode contoh
Parameter
Tipe
Wajib
Deskripsi
modelStringYa
Nama model yang digunakan.
urlStringYa
Alamat layanan pengenalan ucapan:
Wilayah China (Beijing):
wss://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api-ws/v1/realtime. Saat melakukan panggilan, ganti{WorkspaceId}dengan Workspace ID Anda yang sebenarnya.Wilayah Singapura:
wss://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api-ws/v1/realtime. Saat melakukan panggilan, ganti{WorkspaceId}dengan Workspace ID Anda yang sebenarnya.
apikeyStringTidak
Kunci API yang akan dikonfigurasi.
-
Parameter berikut diatur melalui metode berantai dari
OmniRealtimeConfig.Klik untuk melihat kode contoh
Parameter
Tipe
Wajib
Deskripsi
modalitiesList<OmniRealtimeModality>Ya
Modalitas output model, ditetapkan tetap ke
[OmniRealtimeModality.TEXT].enableTurnDetectionbooleanTidak
Apakah mengaktifkan deteksi aktivitas suara (VAD) sisi server. Saat dinonaktifkan, Anda harus memanggil metode
commit()secara manual untuk memicu pengenalan.Nilai default:
true.Nilai yang valid:
true: Aktifkanfalse: Nonaktifkan
turnDetectionTypeStringTidak
Jenis VAD sisi server, ditetapkan tetap sebagai
server_vad.turnDetectionThresholdfloatTidak
Ambang batas deteksi VAD. Kami menyarankan mengatur nilai ini ke
0.0.Nilai default:
0.5.Rentang nilai:
[-1, 1].Ambang batas yang lebih rendah meningkatkan sensitivitas VAD dan dapat salah mengklasifikasikan kebisingan latar belakang sebagai ucapan. Ambang batas yang lebih tinggi mengurangi sensitivitas, yang membantu mengurangi pemicuan palsu di lingkungan yang bising.
turnDetectionSilenceDurationMsintTidak
Ambang batas deteksi pemenggalan kalimat VAD (ms). Diam yang berlangsung lebih lama dari ambang batas ini dianggap sebagai akhir ujaran. Kami menyarankan mengatur nilai ini ke
400.Nilai default:
800.Rentang nilai:
[200, 6000].Nilai yang lebih rendah (misalnya 300 ms) memungkinkan model merespons lebih cepat, tetapi dapat menyebabkan pemenggalan kalimat yang tidak wajar pada jeda alami. Nilai yang lebih tinggi (misalnya 1200 ms) lebih baik menangani jeda dalam kalimat panjang, tetapi meningkatkan latensi respons keseluruhan.
transcriptionConfigOmniRealtimeTranscriptionParamTidak
Konfigurasi terkait pengenalan ucapan.
-
Parameter berikut diatur melalui metode
setterdariOmniRealtimeTranscriptionParam.Klik untuk melihat kode contoh
Parameter
Tipe
Wajib
Deskripsi
languageStringTidak
Bahasa sumber audio.
zh: Tionghoa (Mandarin, dialek Sichuan, dialek Minnan, dialek Wu)
yue: Kanton
en: Inggris
ja: Jepang
de: Jerman
ko: Korea
ru: Rusia
fr: Prancis
pt: Portugis
ar: Arab
it: Italia
es: Spanyol
hi: Hindi
id: Indonesia
th: Thai
tr: Turki
uk: Ukraina
vi: Vietnam
cs: Ceko
da: Denmark
fil: Filipino
fi: Finlandia
is: Islandia
ms: Melayu
no: Norwegia
pl: Polandia
sv: Swedia
inputSampleRateintTidak
Laju sampling audio (Hz). Mendukung
16000dan8000.Nilai default:
16000.Saat diatur ke
8000, server terlebih dahulu melakukan upsampling audio ke 16000 Hz sebelum pengenalan, yang dapat menimbulkan sedikit latensi. Disarankan hanya saat audio sumber adalah 8000 Hz (misalnya saluran telepon).inputAudioFormatStringTidak
Format audio. Mendukung
pcmdanopus.Nilai default:
pcm.
Referensi API
Kelas OmniRealtimeConversation
OmniRealtimeConversation diimpor melalui import com.alibaba.dashscope.audio.omni.OmniRealtimeConversation;.
| Tanda tangan metode | Event respons server (dikirim melalui callback) | Deskripsi |
|---|---|---|
| Tidak ada | Konstruktor. | |
session.createdSesi dibuatsession.updated Konfigurasi sesi diperbarui | Membuat koneksi dengan server. | |
session.updatedKonfigurasi sesi diperbarui | Digunakan untuk memperbarui konfigurasi sesi. Disarankan memanggil metode ini terlebih dahulu setelah koneksi terbentuk untuk menerapkan pengaturan. Jika metode ini tidak dipanggil, sistem menggunakan konfigurasi default. Hanya parameter yang tercantum dalam parameter permintaan yang perlu dipertimbangkan. | |
| Tidak ada | Menambahkan potongan data audio yang dienkode Base64 ke buffer audio input di sisi cloud.
| |
input_audio_buffer.committedServer menerima audio yang di-commit | Melakukan commit pada audio dan video yang sebelumnya ditambahkan ke buffer sisi cloud melalui append. Jika buffer audio input kosong, akan terjadi error.Skenario nonaktif: Saat enableTurnDetection dalam parameter permintaan diatur ke true. | |
session.finishedServer menyelesaikan pengenalan ucapan dan mengakhiri sesi. | Memberi tahu server untuk mengakhiri sesi. Setelah menerima notifikasi akhir sesi, server akan menyelesaikan pengenalan ucapan akhir.Kapan harus dipanggil:
endSessionAsync adalah versi asinkron dari endSession; keduanya identik secara fungsional. | |
| Tidak ada | Menghentikan tugas dan menutup koneksi. | |
| Tidak ada | Mendapatkan session_id dari tugas saat ini. | |
| Tidak ada | Mendapatkan response_id dari respons terbaru. |
Antarmuka callback (OmniRealtimeCallback)
Server mengembalikan event respons server dan data ke klien melalui callback.
Perluas kelas ini dan implementasikan metode yang sesuai untuk menangani event server.
Impor melalui import com.alibaba.dashscope.audio.omni.OmniRealtimeCallback;.
| Tanda tangan metode | Parameter | Deskripsi |
|---|---|---|
| Tidak ada | Dipicu saat koneksi WebSocket berhasil dibuat. | |
| message: Event server | Dipicu saat event server diterima. | |
| code: kode statusreason: Informasi log yang dihasilkan saat koneksi WebSocket ditutup | Dipicu saat koneksi WebSocket ditutup. |