Skip to main content

音声テキスト変換の概要

Model Studio の音声認識は、リアルタイム音声と録音ファイルを文字に変換し、多言語・方言、ホットワード、コンテキスト、テキストの整形、話者分離をサポートします。

機能紹介

音声認識は音声や動画内の発話をテキストに変換し、音声入力、ライブ字幕、議事録、通話分析などに利用できます。Model Studio は、音声を継続して送信するリアルタイム認識と、完全な録音ファイルを送信する非リアルタイム認識に対応しています。対応言語、方言、補助機能はモデルによって異なります。

モデルの選択

音声の入力方式、用途、結果の受け取り方に応じてモデルを選択します。以下では Qwen-Audio 3.1 シリーズを推奨します。
種類用途推奨モデル主な違い
リアルタイムライブ字幕や会議などの継続的な文字起こしqwen-audio-3.1-asr-flash-streaming音声を継続して送信しながら、中間結果と最終結果を受信します。
音声入力や音声メッセージなどの短い発話qwen-audio-3.1-asr-flash-messageデフォルトで文の最終結果を返します。中間結果とテキストの整形は個別に有効化できます。
非リアルタイム5 分以内の短い録音ファイルqwen-audio-3.1-asr-flash同じリクエストで認識結果を取得します。SSE 出力も選択できます。
長時間の録音やバックグラウンドでの音声・動画の文字起こしqwen-audio-3.1-asr-flash-filetrans非同期タスクを送信し、完了後に文字起こしファイルをダウンロードします。

認識方式

認識方式音声入力結果の返却
リアルタイム音声認識音声チャンクを継続して送信し、発話中に文字起こしを表示します。音声送信と並行して結果を受信します。中間結果と最終結果の返却方式はモデルによって異なります。
非リアルタイム音声認識完全な音声または動画ファイルを一度に送信し、既存の録音を処理します。同期呼び出しは同じリクエストで結果を返し、対応モデルでは SSE イベントで段階的に返せます。非同期呼び出しは先にタスク ID を返し、完了後に結果ファイルを取得できます。

認識精度と結果の活用

モデルを選択した後は、用途に応じて特定の語句の認識、テキストの読みやすさ、構造化された結果を改善できます。設定方法は、リアルタイム音声認識または非リアルタイム音声認識をご参照ください。
  • ホットワードとコンテキスト： ホットワードで人名やブランド名などの正しい表記を指定し、コンテキストで過去の対話や業務の背景を補足します。設定、対応範囲、調整方法は認識精度の向上をご参照ください。
  • テキストの整形： 発話のフィラー、繰り返し、言い直しを整理します。qwen-audio-3.1-asr-flash-message と qwen-audio-3.1-asr-flash はネイティブなテキスト整形に対応しています。
  • 方言表現の保持： qwen-audio-3.1-asr-flash-streaming、qwen-audio-3.1-asr-flash-message、qwen-audio-3.1-asr-flash、qwen-audio-3.1-asr-flash-filetrans は方言固有の表現を保持できます。方言を認識する能力と、その表現をテキストに保持する能力は別です。
  • 話者分離： 文字起こし結果に話者番号を付け、会議やインタビューの発言者を区別します。qwen-audio-3.1-asr-flash と qwen-audio-3.1-asr-flash-filetrans が対応しています。
  • タイムスタンプ： 文や単語を音声内の位置に対応付け、字幕の同期、キーワードの強調表示、音声のシークに使用します。
  • センシティブワードのフィルタリング： 指定した語句をアスタリスクで置き換えるか、文字起こしから削除します。
音声の準備、接続と同時実行の管理、非同期ジョブ、エラー処理は音声認識のベストプラクティスをご参照ください。

モデルと言語

以下に、モデルファミリーとバージョン別の対応言語と方言を示します。
  • qwen-audio-3.1-asr-flash-streaming, qwen-audio-3.0-asr-flash-streaming： 中国語 (標準語、広東語、呉語、閩南語、客家語、贛語、湘語、晋語、および中原、西南、冀魯、江淮、蘭銀、膠遼、東北、北京、香港/台湾などの地域アクセントを含む — 河南、陝西、湖北、四川、重慶、雲南、貴州、広東、広西、河北、天津、山東、安徽、南京、江蘇、杭州、甘粛、寧夏のアクセントをカバー)、英語、日本語、韓国語、ベトナム語、タイ語、インドネシア語、マレー語、フィリピン語、ヒンディー語、アラビア語、フランス語、ドイツ語、スペイン語、ポルトガル語、ロシア語、イタリア語、オランダ語、スウェーデン語、デンマーク語、フィンランド語、ノルウェー語、ギリシャ語、ポーランド語、チェコ語、ハンガリー語、ルーマニア語、ブルガリア語、クロアチア語、スロバキア語
  • qwen-audio-3.1-asr-flash-message：中国語 (標準語、広東語、呉語、閩南語、客家語、贛語、湘語、晋語、および中原、西南、冀魯、江淮、蘭銀、膠遼、東北、北京、香港/台湾などの地域アクセントを含む — 河南、陝西、湖北、四川、重慶、雲南、貴州、広東、広西、河北、天津、山東、安徽、南京、江蘇、杭州、甘粛、寧夏のアクセントをカバー)、英語、日本語、韓国語、ベトナム語、タイ語、インドネシア語、マレー語、フィリピン語、ヒンディー語、アラビア語、フランス語、ドイツ語、スペイン語、ポルトガル語、ロシア語、イタリア語、オランダ語、スウェーデン語、デンマーク語、フィンランド語、ノルウェー語、ギリシャ語、ポーランド語、チェコ語、ハンガリー語、ルーマニア語、ブルガリア語、クロアチア語、スロバキア語
  • qwen-audio-3.1-asr-flash： 中国語 (標準語、広東語、呉語、閩南語、客家語、贛語、湘語、晋語、および中原、西南、冀魯、江淮、蘭銀、膠遼、東北、北京、香港/台湾などの地域アクセントを含む — 河南、陝西、湖北、四川、重慶、雲南、貴州、広東、広西、河北、天津、山東、安徽、南京、江蘇、杭州、甘粛、寧夏のアクセントをカバー)、英語、日本語、韓国語、ベトナム語、タイ語、インドネシア語、マレー語、フィリピン語、ヒンディー語、アラビア語、フランス語、ドイツ語、スペイン語、ポルトガル語、ロシア語、イタリア語、オランダ語、スウェーデン語、デンマーク語、フィンランド語、ノルウェー語、ギリシャ語、ポーランド語、チェコ語、ハンガリー語、ルーマニア語、ブルガリア語、クロアチア語、スロバキア語、トルコ語、ペルシア語、マラーティー語、マラヤーラム語、ネパール語、キルギス語、アゼルバイジャン語、ジョージア語、アルメニア語、スロベニア語、アルバニア語、エストニア語、ラトビア語、リトアニア語、カタロニア語、バスク語、ガリシア語、オディア語、ディベヒ語、アッサム語、クルド語、ティグレ語、西フリジア語、バシキール語、ベラルーシ語、タタール語、インターリングア、東マリ語、トキポナ語
  • qwen-audio-3.0-asr-flash： 中国語 (標準語、広東語、呉語、閩南語、客家語、贛語、湘語、晋語、および中原、西南、冀魯、江淮、蘭銀、膠遼、東北、北京、香港/台湾などの地域アクセントを含む — 河南、陝西、湖北、四川、重慶、雲南、貴州、広東、広西、河北、天津、山東、安徽、南京、江蘇、杭州、甘粛、寧夏のアクセントをカバー)、英語、日本語、韓国語、ベトナム語、タイ語、インドネシア語、マレー語、フィリピン語、ヒンディー語、アラビア語、フランス語、ドイツ語、スペイン語、ポルトガル語、ロシア語、イタリア語、オランダ語、スウェーデン語、デンマーク語、フィンランド語、ノルウェー語、ギリシャ語、ポーランド語、チェコ語、ハンガリー語、ルーマニア語、ブルガリア語、クロアチア語、スロバキア語
  • qwen-audio-3.1-asr-flash-filetrans, qwen-audio-3.0-asr-flash-filetrans： 中国語 (標準語、広東語、呉語、閩南語、客家語、贛語、湘語、晋語、および中原、西南、冀魯、江淮、蘭銀、膠遼、東北、北京、香港/台湾などの地域アクセントを含む — 河南、陝西、湖北、四川、重慶、雲南、貴州、広東、広西、河北、天津、山東、安徽、南京、江蘇、杭州、甘粛、寧夏のアクセントをカバー)、英語、日本語、韓国語、ベトナム語、タイ語、インドネシア語、マレー語、フィリピン語、ヒンディー語、アラビア語、フランス語、ドイツ語、スペイン語、ポルトガル語、ロシア語、イタリア語、オランダ語、スウェーデン語、デンマーク語、フィンランド語、ノルウェー語、ギリシャ語、ポーランド語、チェコ語、ハンガリー語、ルーマニア語、ブルガリア語、クロアチア語、スロバキア語
  • fun-asr-realtime： 中国語 (標準語、広東語、呉語、閩南語、客家語、贛語、湘語、晋語、および中原、西南、冀魯、江淮、蘭銀、膠遼、東北、北京、香港/台湾などの地域アクセントを含む — 河南、陝西、湖北、四川、重慶、雲南、貴州、広東、広西、河北、天津、山東、安徽、南京、江蘇、杭州、甘粛、寧夏のアクセントをカバー)、英語、日本語、韓国語、ベトナム語、タイ語、インドネシア語、マレー語、フィリピン語、ヒンディー語、アラビア語、フランス語、ドイツ語、スペイン語、ポルトガル語、ロシア語、イタリア語、オランダ語、スウェーデン語、デンマーク語、フィンランド語、ノルウェー語、ギリシャ語、ポーランド語、チェコ語、ハンガリー語、ルーマニア語、ブルガリア語、クロアチア語、スロバキア語
  • fun-asr-realtime-2026-02-28： 中国語 (標準語、広東語、呉語、閩南語、客家語、贛語、湘語、晋語、および中原、西南、冀魯、江淮、蘭銀、膠遼、東北、北京、香港/台湾などの地域アクセントを含む — 河南、陝西、湖北、四川、重慶、雲南、貴州、広東、広西、河北、天津、山東、安徽、南京、江蘇、杭州、甘粛、寧夏のアクセントをカバー)、英語、日本語
  • fun-asr-flash-8k-realtime、fun-asr-flash-8k-realtime-2026-01-28： 中国語
  • fun-asr： 中国語 (標準語、広東語、呉語、閩南語、客家語、贛語、湘語、晋語、および中原、西南、冀魯、江淮、蘭銀、膠遼、東北、北京、香港/台湾などの地域アクセントを含む — 河南、陝西、湖北、四川、重慶、雲南、貴州、広東、広西、河北、天津、山東、安徽、南京、江蘇、杭州、甘粛、寧夏のアクセントをカバー)、英語、日本語、韓国語、ベトナム語、タイ語、インドネシア語、マレー語、フィリピン語、ヒンディー語、アラビア語、フランス語、ドイツ語、スペイン語、ポルトガル語、ロシア語、イタリア語、オランダ語、スウェーデン語、デンマーク語、フィンランド語、ノルウェー語、ギリシャ語、ポーランド語、チェコ語、ハンガリー語、ルーマニア語、ブルガリア語、クロアチア語、スロバキア語
  • fun-asr-flash-2026-06-15： 中国語 (標準語、広東語、呉語、閩南語、客家語、贛語、湘語、晋語、および中原、西南、冀魯、江淮、蘭銀、膠遼、東北、北京、香港/台湾などの地域アクセントを含む — 河南、陝西、湖北、四川、重慶、雲南、貴州、広東、広西、河北、天津、山東、安徽、南京、江蘇、杭州、甘粛、寧夏のアクセントをカバー)、英語、日本語、韓国語、ベトナム語、タイ語、インドネシア語、マレー語、フィリピン語、ヒンディー語、アラビア語、フランス語、ドイツ語、スペイン語、ポルトガル語、ロシア語、イタリア語、オランダ語、スウェーデン語、デンマーク語、フィンランド語、ノルウェー語、ギリシャ語、ポーランド語、チェコ語、ハンガリー語、ルーマニア語、ブルガリア語、クロアチア語、スロバキア語
  • qwen3-asr-flash-realtime、qwen3-asr-flash-filetrans、qwen3-asr-flash：中国語 (標準語、四川語、閩南語、呉語、広東語)、英語、日本語、ドイツ語、韓国語、ロシア語、フランス語、ポルトガル語、アラビア語、イタリア語、スペイン語、ヒンディー語、インドネシア語、タイ語、トルコ語、ウクライナ語、ベトナム語、チェコ語、デンマーク語、フィリピン語、フィンランド語、アイスランド語、マレー語、ノルウェー語、ポーランド語、スウェーデン語。
  • paraformer-realtime-v2、paraformer-v2： 中国語 (標準語、広東語、呉語、閩南語、東北、甘粛、貴州、河南、湖北、湖南、寧夏、山西、陝西、山東、四川、天津、江西、雲南、上海)、英語、日本語、韓国語、ドイツ語、フランス語、ロシア語
  • paraformer-realtime-8k-v2、paraformer-8k-v2： 中国語 (標準語)

音声入力の要件

音声形式、サンプルレート、チャンネル数、ファイルサイズ、長さの要件は、 リアルタイム音声認識または 非リアルタイム音声認識の制限をご参照ください。