Topik ini menjelaskan parameter dan detail antarmuka API HTTP untuk pengenalan ucapan non-real-time Qwen-Audio-ASR.
Untuk persyaratan input seperti format audio yang didukung, batas ukuran file, dan batas durasi, lihat Spesifikasi audio.
Dalam mode streaming, klien perlu menangani hal berikut:
Titik akhir layanan
- Singapura
- Tiongkok (Beijing)
POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generationGanti {WorkspaceId} dengan Workspace ID Anda yang sebenarnya.Header permintaan
| Parameter | Tipe | Wajib | Deskripsi |
|---|---|---|---|
Authorization | string | Ya | Token otentikasi, dalam format Bearer <your_api_key>. Ganti "<your_api_key>" dengan Kunci API Anda yang sebenarnya. |
Content-Type | string | Ya | Tipe media dari badan permintaan. Tetapkan ke application/json. |
X-DashScope-SSE | string | Tidak | Mengontrol apakah hasil streaming diminta. Tetapkan ke enable untuk meminta streaming SSE. Tetapkan ke disable atau abaikan parameter ini untuk hanya mengembalikan hasil akhir.Hanya berlaku untuk qwen-audio-3.0-asr-flash: streaming SSE hanya tersedia untuk audio berdurasi minimal 1 menit. |
Badan permintaanmodelstring(Wajib)Nama model.inputobject(Wajib)Informasi input.
Properti messages array(object)(Wajib)Daftar pesan. Berisi audio yang akan dikenali dan, secara opsional, konteks percakapan yang meningkatkan akurasi pengenalan.
Properti role string(Wajib)Peran pesan. Nilai yang valid:
array(object)(Wajib)Daftar isi pesan.
Properti type string(Wajib)Tipe konten. Setiap permintaan memerlukan minimal satu pesan bertipe input_audio. Nilai yang valid:
object(Wajib bersyarat)Wajib saat type bernilai input_audio.
Properti data string(Wajib)Data audio yang akan dikenali. Untuk persyaratan input seperti format audio yang didukung, batas ukuran file, dan batas durasi, lihat Spesifikasi audio. Dua metode didukung:
https://example.com/audio/sample.wavContoh (Base64): data:audio/wav;base64,{BASE64_ENCODED_DATA}string(Wajib bersyarat)Saat type bernilai input_text, masukkan hasil pengenalan ucapan pengguna dari giliran sebelumnya atau daftar kata spesifik domain. Saat type bernilai text, masukkan balasan model bahasa besar dari giliran sebelumnya. Panjang teks diukur dalam karakter, dengan setiap karakter dihitung sebagai 1. Panjang gabungan bidang text di semua pesan dalam satu giliran konteks tidak boleh melebihi 400 karakter. Kelebihan akan dipotong dari bagian akhir.object(Wajib)Parameter model.Pemolesan teks dinonaktifkan secara default dan belum tersedia untuk qwen-audio-3.0-asr-flash. qwen-audio-3.1-asr-flash mendukung pemolesan teks bawaan.Pemolesan teks: Saat mentranskripsikan ucapan, model menghapus kata pengisi yang tidak bermakna dan pengulangan akibat gagap, menangani koreksi selama berbicara, merapikan ungkapan lisan, serta menstandarkan tanda baca dan format teks. Hasilnya lebih ringkas, lancar, dan mudah dibaca dengan tetap mempertahankan maksud akhir pembicara dan informasi penting semaksimal mungkin.
Properti speaker_diarization_enabled boolean (Opsional)Hanya berlaku untuk qwen-audio-3.1-asr-flash.false. Jika true, respons menggunakan speaker_id untuk membedakan pembicara dan menyertakan output.sentences. Jika diaktifkan, keep_dialect dan language_hints diabaikan.keep_dialect boolean (Opsional)Hanya berlaku untuk qwen-audio-3.1-asr-flash.false. Nilai false mentranskripsikan dialek menjadi teks Mandarin standar; true mempertahankan ekspresi dialek.formatstring(Wajib)Format audio. Atur sesuai dengan format audio Anda yang sebenarnya. Nilai yang didukung termasuk wav, mp3, dan opus. Untuk detailnya, lihat Spesifikasi audio.sample_ratestring(Opsional)Laju sampel audio, dalam Hz. Misalnya, 16000 berarti laju sampel 16 kHz. Untuk detailnya, lihat Spesifikasi audio.vocabulary_idstring(Opsional)ID daftar hot word yang telah dikompilasi sebelumnya.Hasilkan ID ini terlebih dahulu dengan memanggil API pembuatan daftar hot word. Teruskan ID tersebut selama pengenalan untuk menggunakan hot word dalam daftar.Cocok untuk skenario di mana kosakata sudah diketahui dan relatif stabil, serta Anda perlu menggunakan kembali daftar kata yang sama di berbagai permintaan.Untuk detail penggunaan, lihat Hotword yang telah dikompilasi.vocabularyobject(Opsional)Hot word instan.Diteruskan sebagai pasangan kunci-nilai, dengan kunci berupa teks hot word (string) dan nilai berupa bobot hot word (integer). Tidak perlu membuat daftar hot word terlebih dahulu. Bobot berkisar antara [1, 5] atau diatur ke 50: nilai dalam [1, 5] membuat model lebih cenderung mengeluarkan kata tersebut seiring peningkatan nilainya; nilai 50 menunjukkan hot word super, yang sangat meningkatkan recall, tetapi jumlah hot word super tidak boleh melebihi 50.Cocok untuk optimasi hot word sementara tingkat sesi.Jika dikonfigurasi bersama hot word yang telah dikompilasi, hanya hot word instan yang berlaku. Untuk detail penggunaan, lihat Hotword instan.language_hints array[string](Opsional)Kode bahasa yang akan dikenali. Jika bahasa belum diketahui, abaikan parameter ini agar model mendeteksinya secara otomatis. Anda dapat menetapkan hingga 4 nilai. Jika lebih, hanya 4 nilai pertama yang berlaku.Menentukan kode bahasa dapat meningkatkan akurasi pengenalan.
Kode bahasa yang didukung
qwen-audio-3.1-asr-flash juga mendukung kode bahasa berikut:
| Contoh berikut menggunakan konfigurasi untuk wilayah Singapura. Ganti "{WorkspaceId}" dengan Workspace ID Anda yang sebenarnya. Konfigurasi berbeda di tiap wilayah, dan Kunci API untuk wilayah Singapura berbeda dari wilayah Beijing.
|
Isi responsrequest_idstringPengidentifikasi unik untuk permintaan ini.outputobjectHasil output.
Properti text stringTeks lengkap yang telah dikenali hingga saat ini.sentences array[object]Hanya berlaku untuk qwen-audio-3.1-asr-flash.sentence.sentenceobjectDetail kalimat saat ini.
Properti speaker_id integer | nullHanya berlaku untuk qwen-audio-3.1-asr-flash.null jika tidak.sentence_idintegerNomor kalimat, dimulai dari 1.sentence_endbooleanApakah ini hasil akhir untuk kalimat tersebut. true menunjukkan bahwa pengenalan kalimat telah selesai.begin_timeintegerWaktu mulai kalimat, dalam milidetik.end_timeintegerWaktu akhir kalimat, dalam milidetik. Dikembalikan hanya saat sentence_end bernilai true.textstringTeks yang dikenali dari kalimat saat ini.channel_idintegerNomor saluran, dimulai dari 0.wordsarrayDaftar timestamp tingkat kata.
Properti speaker_id integer | nullHanya berlaku untuk qwen-audio-3.1-asr-flash.null jika tidak.textstringKata teks.begin_timeintegerWaktu mulai kata, dalam milidetik.end_timeintegerWaktu akhir kata, dalam milidetik.punctuationstringTanda baca setelah kata. String kosong jika tidak ada tanda baca.fixedbooleanApakah kata tersebut telah distabilkan. false menunjukkan bahwa timestamp kata tersebut mungkin disesuaikan dalam event berikutnya.objectInformasi penggunaan. Dikembalikan hanya saat sentence_end bernilai true.
Properti duration integerDurasi audio yang diproses, dalam detik.input_tokens integerHanya berlaku untuk qwen-audio-3.1-asr-flash.integerHanya berlaku untuk qwen-audio-3.1-asr-flash.integerHanya berlaku untuk qwen-audio-3.1-asr-flash.input_tokens dan output_tokens. |
|
Logika pemrosesan hasil streaming SSE
Dalam mode streaming, klien perlu menangani hal berikut:
- Untuk tiap event SSE yang diterima, uraikan JSON dalam bidang
data. - Untuk
qwen-audio-3.0-asr-flash, gunakanoutput.sentence.sentence_enduntuk menentukan apakah kalimat saat ini telah berakhir. Jikatrue, pengenalan selesai dan stempel waktu tingkat kata telah stabil sehingga hasil dapat digunakan sebagai hasil akhir. Jikafalse, pengenalan masih berlangsung dan teks serta stempel waktu dapat diperbarui pada peristiwa berikutnya. - Informasi
usagehanya dikembalikan dalam peristiwa akhir kalimat dan mencakup durasi audio yang diproses. Untukqwen-audio-3.1-asr-flash, informasi ini juga mencakup jumlah token masukan, keluaran, dan total permintaan. Model ini ditagih berdasarkan penggunaan token.
qwen-audio-3.1-asr-flash tanpa pemisahan pembicara, stempel waktu kata menjadi tetap hanya jika output.sentence.words[i].fixed bernilai true. Sebelumnya, stempel waktu masih dapat berubah. Jika pemisahan pembicara diaktifkan, baca hasil kalimat saat ini dan sebelumnya dari output.sentences.