Pelajari kemampuan pengenalan ucapan real-time, pemanggilan aliran audio, dan cara meningkatkan hasil pengenalan.
Fitur
Pengenalan ucapan real-time menerima aliran audio berkelanjutan dan mengembalikan teks transkripsi untuk input suara, catatan rapat, teks langsung, dan aplikasi serupa.
- Bahasa dan dialek: Mendeteksi bahasa secara otomatis dan mengenali berbagai bahasa serta dialek Mandarin. Lihat Ikhtisar pengenalan ucapan untuk cakupan dukungan.
- Deteksi suara: Deteksi batas ucapan secara otomatis dan sesuaikan ambang suara versus derau untuk berbagai lingkungan perekaman.
- Pemrosesan teks: Prediksi tanda baca, pertahankan ungkapan dialek Tionghoa, atau rapikan kata pengisi, pengulangan, dan koreksi diri.
- Peningkatan akurasi: Menggunakan hotword untuk nama dan istilah tertentu serta konteks dari percakapan sebelumnya.
- Hasil terstruktur: Menggunakan hasil per kalimat dan stempel waktu untuk menampilkan teks, menyimpan transkripsi, dan menemukan posisi dalam audio.
- Masukan audio: Gunakan berbagai format audio dan pilih laju sampel yang didukung model.
Kemampuan berbeda menurut model. Periksa dukungan setiap fitur. Untuk mengirim rekaman lengkap dalam satu permintaan, lihat Pengenalan ucapan non-real-time.
| Kasus penggunaan | Model yang direkomendasikan | Perilaku hasil |
|---|---|---|
| Transkripsi berkelanjutan untuk rapat, kelas, dan teks langsung | qwen-audio-3.1-asr-flash-streaming | Mengembalikan hasil sementara dan akhir untuk menampilkan serta memperbarui teks saat pengguna berbicara. |
| Input suara singkat, seperti metode input suara dan pesan suara | qwen-audio-3.1-asr-flash-message | Secara default mengembalikan hasil akhir per kalimat. Hasil sementara dan perapian teks dapat diaktifkan secara terpisah. |
Mulai menggunakan
Instal DashScope SDK, lalu dapatkan API key di konsol, lalu atur variabel lingkungan DASHSCOPE_API_KEY.
Unduh audio contoh sebagai asr_example.wav dalam direktori kerja. File ini berisi ucapan bahasa Inggris dalam WAV mono 16 kHz dengan pengodean PCM 16-bit. Contoh mengirim file per potongan untuk menyimulasikan input real-time tanpa mikrofon.
- Qwen-Audio-ASR-Streaming
- Qwen-Audio-ASR-Message
Contoh ini menggunakan qwen-audio-3.1-asr-flash-streaming untuk mengirim audio terus-menerus melalui DashScope SDK sambil menerima dan mencetak hasil sementara dan akhir. Setelah audio berakhir, tunggu hasil yang tersisa dan penyelesaian tugas sebelum menutup koneksi.
Java
Memproses hasil pengenalan
- Hasil sementara: Gunakan untuk subtitel langsung atau pratinjau masukan. Teks ujaran dapat direvisi selama pengenalan. Perbarui tampilan ujaran, jangan gabungkan setiap hasil.
-
Hasil akhir: Saat ujaran berakhir, ganti teks sementara dengan hasil akhir untuk transkrip tersimpan, subtitel, atau pemrosesan berikutnya.
Qwen-Audio-ASR-Message secara default hanya mengembalikan hasil akhir; aktifkan
intermediate_result_enabledjika memerlukan pratinjau langsung. -
Stempel waktu: Hubungkan teks dengan posisi audio untuk menyelaraskan subtitel, menyorot kata kunci, atau mencari posisi audio. Gunakan stempel waktu tingkat ujaran dan kata dari hasil akhir, bukan waktu akhir sementara yang belum pasti. Satuannya milidetik.
Qwen3-ASR-Flash-Realtime tidak mengembalikan stempel waktu transkrip.
Meningkatkan hasil pengenalan
Sesuaikan batas ujaran, rapikan atau pertahankan ungkapan lisan, serta konfigurasikan hotword dan konteks untuk meningkatkan segmentasi, keterbacaan teks, dan pengenalan istilah tertentu.
Menyesuaikan pemenggalan kalimat
Deteksi aktivitas suara (VAD) menggunakan keheningan setelah ucapan untuk menentukan akhir ujaran dan menghasilkan hasil akhir. Ambang singkat cocok untuk interaksi cepat. Ambang lebih panjang mengakomodasi jeda dalam kalimat, tetapi menambah waktu tunggu hasil akhir. Sesuaikan dengan kecepatan bicara dan alur interaksi.
| Model | Konfigurasi |
|---|---|
| qwen-audio-3.1-asr-flash-streaming, qwen-audio-3.1-asr-flash-message | Atur ambang keheningan dengan max_sentence_silence. Gunakan vad_model untuk memilih model VAD berdasarkan cara audio direkam:
|
| qwen-audio-3.0-asr-flash-streaming, Fun-ASR-Realtime (seri) | Atur ambang keheningan dengan max_sentence_silence. |
| Paraformer | Untuk segmentasi VAD, atur max_sentence_silence. Anda juga dapat beralih ke segmentasi semantik melalui semantic_punctuation_enabled. |
| Qwen3-ASR-Flash-Realtime | Atur ambang keheningan dan sensitivitas melalui silence_duration_ms dan threshold dalam session.turn_detection. Anda juga dapat menonaktifkan VAD agar klien mengontrol batas ujaran dengan melakukan commit audio. |
Merapikan teks
Ucapan sering berisi kata pengisi, pengulangan, dan koreksi diri. Pemolesan teks merapikan ungkapan tersebut untuk pesan suara dan masukan suara.
Pada qwen-audio-3.1-asr-flash-message, disfluency_removal_enabled mengontrol pemolesan. Fitur ini berlaku pada hasil akhir; perbarui tampilan saat ujaran berakhir.
Mempertahankan ungkapan dialek
Saat mengenali dialek Tionghoa, pilih apakah ungkapan dialek dipertahankan atau ditranskripsikan menjadi bahasa Mandarin standar. Subtitel dialek dapat memerlukan ungkapan asli, sedangkan catatan untuk pembaca lebih luas dapat memerlukan bahasa standar.
Pada qwen-audio-3.1-asr-flash-streaming dan qwen-audio-3.1-asr-flash-message, gunakan keep_dialect. Untuk model yang disebut terakhir, pengaturan ini hanya berlaku pada hasil akhir.
Hotword dan peningkatan konteks
Hotword membantu mengenali merek, nama orang, dan istilah khusus. Peningkatan konteks menyediakan istilah serta latar belakang dari percakapan sebelumnya. Untuk konfigurasi, model yang didukung, dan penyesuaian, lihat Meningkatkan akurasi pengenalan.
Pemfilteran kata sensitif
Penyaringan kata sensitif mengganti kata yang ditentukan dengan tanda bintang dalam jumlah sama atau menghapusnya dari teks, misalnya untuk menyamarkan subtitel atau transkrip. Qwen-Audio-ASR-Streaming dan Fun-ASR-Realtime menggunakan special_word_filter.
Penggunaan dalam produksi
Untuk produksi, kelola koneksi dan konkurensi sesuai lalu lintas, serta tangani keheningan panjang, percobaan ulang, dan pembersihan sumber daya. Lihat praktik terbaik pengenalan suara untuk persiapan audio, pengelolaan tugas dan koneksi, konkurensi Java, dan contoh lengkap.
Model dan wilayah yang didukung
- Singapura
- China (Beijing)
- Qwen-Audio-ASR-Message: qwen-audio-3.1-asr-flash-message
- Qwen-Audio-ASR-Streaming: qwen-audio-3.1-asr-flash-streaming, qwen-audio-3.0-asr-flash-streaming
- Fun-ASR-Realtime: fun-asr-realtime (versi stabil)
- Qwen-ASR-Realtime: qwen3-asr-flash-realtime (versi stabil)
Batas penggunaan
Audio waktu nyata harus mono. Pilih format dan laju sampel dari tabel, lalu atur format dan sample_rate sesuai audio sebenarnya.
| Model | Metode masukan | Format audio | Laju sampel | Ukuran/durasi |
|---|---|---|---|---|
| qwen-audio-3.1-asr-flash-streaming, qwen-audio-3.0-asr-flash-streaming | Aliran biner | pcm, wav, mp3, opus, speex, aac, amr | Berapa pun | Tanpa batas |
| qwen-audio-3.1-asr-flash-message | Aliran biner | pcm, wav, mp3, opus, speex, aac, amr | 16 kHz | — |
| Fun-ASR-Realtime (seri) (fun-asr-realtime) | Aliran biner | pcm, wav, mp3, opus, speex, aac, amr | Berapa pun | Tanpa batas |
| Fun-ASR-Flash-8K-Realtime (seri) (fun-asr-flash-8k-realtime) | Aliran biner | pcm, wav, mp3, opus, speex, aac, amr | 8 kHz | Tanpa batas |
| qwen3-asr-flash-realtime | Audio Base64 dalam peristiwa JSON | pcm, opus | 8 kHz, 16 kHz | Tanpa batas |
| paraformer-realtime-v2 | Aliran biner | pcm, wav, mp3, opus, speex, aac, amr | Berapa pun | Tanpa batas |
| paraformer-realtime-8k-v2 | Aliran biner | pcm, wav, mp3, opus, speex, aac, amr | 8 kHz | Tanpa batas |