Kirimkan audio secara streaming ke Qwen-ASR-Realtime melalui WebSocket dan terima hasil transkripsi real-time menggunakan DashScope Python SDK.
Prasyarat
Sebelum memulai, pastikan Anda telah memiliki:
- DashScope SDK versi 2.0.1 atau lebih baru
- API key
- Pemahaman mengenai WebSocket API
Mulai cepat
your_audio_file.pcm (PCM16, 16 kHz, mono). Jika Anda hanya memiliki format MP3, WAV, atau serupa, konversi dengan ffmpeg:Parameter permintaan
-
Parameter berikut diatur melalui metode
client.audio.realtime.connect.Klik untuk melihat kode contoh
Parameter
Tipe
Wajib
Deskripsi
modelstrYa
Nama model yang akan digunakan.
ws_urlstrTidak
Endpoint WebSocket lengkap; jika tidak ditentukan, endpoint dipilih otomatis berdasarkan
workspacedanregiondariClient:Wilayah Tiongkok (Beijing):
wss://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api-ws/v1/realtime. Saat memanggil, ganti{WorkspaceId}dengan Workspace ID Anda yang sebenarnya.Wilayah Singapura:
wss://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api-ws/v1/realtime. Saat memanggil, ganti{WorkspaceId}dengan ID ruang kerja Anda yang sebenarnya.
-
Parameter berikut diatur melalui metode
update_sessionmilikRealtimeSession.Klik untuk melihat kode contoh
Parameter
Tipe
Wajib
Deskripsi
output_modalitiesList[str]Ya
Modalitas output model, tetap diatur sebagai
["text"].enable_turn_detectionboolTidak
Mengaktifkan atau menonaktifkan Voice Activity Detection (VAD) di sisi server. Jika dinonaktifkan, Anda harus memanggil metode
commit()secara manual untuk memicu pengenalan.Nilai default:
True.Rentang nilai:
True: aktifFalse: nonaktif
turn_detection_typestrTidak
Jenis VAD sisi server, tetap diatur sebagai
server_vad.turn_detection_thresholdfloatTidak
Ambang batas deteksi VAD. Disarankan 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 mendeteksi kebisingan latar sebagai ucapan. Ambang batas yang lebih tinggi menurunkan sensitivitas dan membantu mengurangi pemicuan salah di lingkungan yang bising.
turn_detection_silence_duration_msintTidak
Ambang batas durasi diam (ms) untuk segmentasi VAD. Diam yang berlangsung melebihi ambang batas ini dianggap sebagai akhir pernyataan. Disarankan mengatur nilai ini ke
400.Nilai default:
800.Rentang nilai:
[200, 6000].Nilai yang lebih rendah (misalnya 300 ms) membuat model merespons lebih cepat, tetapi dapat menyebabkan segmentasi yang tidak wajar pada jeda alami. Nilai yang lebih tinggi (misalnya 1200 ms) lebih baik menangani jeda dalam kalimat panjang, tetapi menambah latensi respons keseluruhan.
transcription_paramsdictTidak
Konfigurasi terkait pengenalan ucapan.
-
Parameter berikut diatur melalui dictionary
transcription_paramspadaupdate_session.Klik untuk melihat kode contoh
Parameter
Tipe
Wajib
Deskripsi
languagestrTidak
Bahasa sumber audio.
zh: Tionghoa (Mandarin, Sichuan, Minnan, 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
sample_rateintTidak
Laju sampel audio (Hz). Mendukung
16000dan8000.Nilai default:
16000.Saat diatur ke
8000, server akan melakukan upsampling ke 16000 Hz terlebih dahulu sebelum pengenalan, yang dapat menimbulkan sedikit latensi. Disarankan hanya digunakan saat audio sumber berformat 8000 Hz (misalnya saluran telepon).input_audio_formatstrTidak
Format audio. Mendukung
pcmdanopus.Nilai default:
pcm.
Referensi API
RealtimeSession (client.audio.realtime.connect)
Sesi pengenalan real-time dibuat melalui client.audio.realtime.connect(model=...): koneksi dibuat setelah memasuki konteks with (atau memanggil metode connect() milik sesi).
| Signature metode | Event respons server (dikirim melalui events()) | Deskripsi |
|---|---|---|
session.createdSesi telah dibuatsession.updated Konfigurasi sesi telah diperbarui | Membuat koneksi dengan server. Otomatis dipanggil saat memasuki konteks with; jangan memanggil connect() terlebih dahulu lalu memasuki with pada sesi yang sama. | |
session.updatedKonfigurasi sesi telah diperbarui | Digunakan untuk memperbarui konfigurasi sesi; disarankan memanggil metode ini terlebih dahulu setelah koneksi dibuat. Jika metode ini tidak dipanggil, sistem akan menggunakan konfigurasi default. Cukup perhatikan parameter yang tercantum dalam Parameter permintaan. | |
| Tidak ada | Menambahkan potongan data audio ke buffer input audio di sisi cloud. str dianggap sebagai Base64 yang telah dikodekan; bytes otomatis dikodekan Base64.
| |
input_audio_buffer.committedServer menerima audio yang di-commit | Melakukan commit atas audio yang sebelumnya ditambahkan ke buffer cloud melalui append; jika buffer input audio kosong akan menghasilkan error.Skenario dilarang: saat Parameter permintaan enable_turn_detection diatur ke True. | |
session.finishedServer menyelesaikan pengenalan ucapan dan mengakhiri sesi | Memberi tahu server untuk mengakhiri sesi; setelah menerima pemberitahuan akhir sesi, server akan menyelesaikan pengenalan ucapan terakhir.Waktu pemanggilan:
| |
| Tidak ada | Menghentikan tugas dan menutup koneksi (idempoten, tidak mengirim session.finish). | |
| Tidak ada | Mendapatkan session_id tugas saat ini dan response_id dari response terakhir (atribut). |
Iterasi event (events())
Server mengembalikan event dan data responsnya ke klien melalui event. Anda perlu mengiterasi events() milik sesi pada thread penerima, dan mendistribusikan penanganan berdasarkan event["type"] (daftar event lengkap lihat event server).
| Signature metode | Parameter | Deskripsi |
|---|---|---|
| event: event server | Membaca secara berkelanjutan dan menghasilkan event server (dict) satu per satu. Iterasi berakhir saat koneksi ditutup atau setelah menerima session.finished. | |
| Tidak ada | Membaca satu event server secara blocking, tanpa perulangan otomatis; mengembalikan None saat tidak ada event (koneksi ditutup). |