Skip to main content

Non-real-time speech recognition

非リアルタイム音声認識の機能、音声ファイルの呼び出し方法、認識結果の改善方法について説明します。

機能紹介

非リアルタイム音声認識は、録音済みの音声・動画ファイルをテキストに変換します。会議の文字起こし、通話分析、字幕作成などに利用できます。短い音声は 1 回のリクエストで結果を取得し、長い録音は非同期タスクとして処理できます。
  • 言語と方言:言語を自動検出し、複数の言語と中国語の方言を認識します。対応範囲は音声認識の概要をご参照ください。
  • 精度の改善:ホットワードで人名、ブランド名、専門用語の認識を補助し、コンテキストで過去の対話情報を提供できます。
  • テキスト処理:文章の整形、方言表現の保持、機密語のフィルタリングに対応します。
  • 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記録を整理できます。
  • 構造化された結果:文、単語、タイムスタンプを取得し、字幕、キーワードの強調表示、音声内の位置指定に利用できます。
  • 音声入力:モデルの対応範囲に応じて、音声・動画形式、サンプルレート、チャンネルを選択できます。
  • 長時間の録音:最大 12 時間、2 GB の音声・動画ファイルを 1 件ずつ非同期で文字起こしできます。
対応する機能はモデルごとに異なります。各機能の適用範囲を確認してください。音声を継続的に送信し、発話中に結果を取得する場合は、リアルタイム音声認識をご参照ください。
用途推奨モデル呼び出し方法
5 分以内の音声で結果を直接取得qwen-audio-3.1-asr-flash同期呼び出し。SSE によるストリーミング出力も選択できます。
長い録音、または非同期処理が必要な音声・動画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結果をダウンロードします。

使用を開始する

コンソールで API キーを取得し、環境変数 DASHSCOPE_API_KEY に設定します。 以下の例は、公開アクセス可能な英語の 16 kHz、モノラル WAV サンプル音声を使用します。
  • Qwen-Audio-ASR
  • Qwen-Audio-ASR-Filetrans
この例は qwen-audio-3.1-asr-flash を使用して音声全体を送信し、同じリクエストで最終結果を取得します。
cURL
curl \
  "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation" \
  -H "Authorization: Bearer $DASHSCOPE_API_KEY" \
  -H "Content-Type: application/json" \
  -H "X-DashScope-SSE: disable" \
  -d '{
  "model": "qwen-audio-3.1-asr-flash",
  "input": {
    "messages": [
      {
        "role": "user",
        "content": [
          {
            "type": "input_audio",
            "input_audio": {
              "data": "https://g-adoc.alcasset.com/media/maas_docs/sfm-cn/en/audios/6a4b3c2d1e0f9092.wav"
            }
          }
        ]
      }
    ]
  },
  "parameters": {
    "format": "wav",
    "sample_rate": "16000"
  }
}'

認識結果の処理

  • 同期認識:Qwen-Audio-ASR の output.text は累積した全文、output.sentence は現在の文の詳細です。全文を保存する場合は output.text を読み取ります。
  • 非同期文字起こし:タスク成功後に結果ファイルをダウンロードします。各チャンネルの全文は transcripts[].text、字幕や音声内の位置指定には transcripts[].sentences とその words を使用します。
  • タイムスタンプ:文や単語の begin_time と end_time は音声内の開始・終了位置をミリ秒で示します。タスク照会の end_time はタスクの完了日時です。
    Qwen-Audio-ASR、Qwen-Audio-ASR-Filetrans、Fun-ASR、Fun-ASR-Flash、Paraformer のタイムスタンプは常に有効で、無効にできません。Qwen3-ASR-Filetrans の非同期呼び出しでも、タイムスタンプは常に返されます。この場合、enable_words は文レベルまたは単語レベルのタイムスタンプを選択するもので、タイムスタンプを無効にするものではありません。

認識結果の改善

用途に応じて、文章の読みやすさ、特定語句の認識、話者ラベル、結果の返し方を調整します。

ストリーミング出力

ストリーミング出力は、音声全体の送信後に SSE イベントで認識結果を返します。認識が完了する前に文字起こしの進捗を表示できます。 qwen-audio-3.1-asr-flash、Fun-ASR-Flash、Qwen3-ASR-Flash はストリーミング出力に対応します。Qwen-Audio-ASR-Filetrans、Fun-ASR、Qwen3-ASR-Filetrans、Paraformer などの非同期文字起こしモデルは完了後に結果ファイルを提供し、SSE で認識結果を返しません。
cURL で SSE を受信する場合は --no-buffer を追加し、出力バッファリングによる表示の遅延を防ぎます。
モデル有効化の設定結果の処理と注意事項
qwen-audio-3.1-asr-flashX-DashScope-SSE: enableoutput.text は累積テキストです。更新ごとに表示内容を置き換えます。短い音声では結果が 1 回だけ返ることがあります。話者分離が無効の場合、単語のタイムスタンプは output.sentence.words[i].fixed が true になると確定します。有効の場合は output.sentences から現在と過去の文を読み取ります。
Qwen3-ASR-FlashOpenAI 互換 API:stream: true。ネイティブ HTTP API:X-DashScope-SSE: enable。OpenAI 互換レスポンスの choices[].delta.content は差分テキストです。受信順に連結します。
Fun-ASR-FlashX-DashScope-SSE: enableFun-ASR-Flash は 1 分以上の音声で結果を複数回に分けて返します。

ホットワードとコンテキスト拡張

人名、製品名、専門用語が同音・類似音の語に誤認識される場合は、ホットワードで表記を指定できます。過去の対話、業務背景、関連語彙の補足にはコンテキスト拡張を使用します。対応モデル、設定方法、効果の例は認識精度の向上をご参照ください。

文章の整形と方言表現

qwen-audio-3.1-asr-flash はネイティブな文章整形に対応し、フィラー、繰り返し、言い直しを整理して読みやすさを改善します。 qwen-audio-3.1-asr-flash と qwen-audio-3.1-asr-flash-filetrans は、デフォルトで中国語の方言を普通話の表現に変換します。方言固有の表現を保持するには keep_dialect: true を設定します。

話者分離

会議やインタビューで発言者を区別するには、話者分離を有効にします。認識結果の speaker_id で話者を区別できます。
モデル有効化の設定結果の位置
qwen-audio-3.1-asr-flashspeaker_diarization_enabled: trueoutput.sentences[].speaker_id
Qwen-Audio-ASR-Filetrans, Fun-ASR、Paraformerdiarization_enabled: truetranscripts[].sentences[].speaker_id
話者分離にはモノラル音声が必要です。非同期文字起こしで有効にする場合は、失敗やタイムアウトを避けるため、音声を 2 時間以内にすることを推奨します。qwen-audio-3.1-asr-flash で話者分離を有効にすると、keep_dialect と language_hints は無効になります。

機密語のフィルタリング

文字起こし中の指定語句をマスクまたは削除するには、機密語のフィルタリングを使用します。Qwen-Audio-ASR-Filetrans, Fun-ASR、Paraformer は special_word_filter で置換リスト、削除リスト、システム組み込みリストを設定できます。

本番環境への適用

バッチ文字起こしでは、音声の保存、タスク送信・照会頻度、完了通知、結果の永続化を管理します。入力の準備、コールバック、スロットリング、再試行は音声認識のベストプラクティスをご参照ください。

サポートされるモデルとリージョン

  • シンガポール
  • 米国 (バージニア)
  • 中国 (北京)
  • Qwen-Audio-ASR: qwen-audio-3.1-asr-flash, qwen-audio-3.0-asr-flash
  • Qwen-Audio-ASR-Filetrans: qwen-audio-3.1-asr-flash-filetrans, qwen-audio-3.0-asr-flash-filetrans
  • Qwen3-ASR-Flash: qwen3-asr-flash (安定版)
  • Qwen3-ASR-Filetrans: qwen3-asr-flash-filetrans (安定版)
  • Fun-ASR-Flash: fun-asr-flash-2026-06-15
  • Fun-ASR: fun-asr (安定版)

使用制限

モデルに対応する入力方法、音声形式、サンプルレートを選択します。format や sample_rate などのパラメーターは実際のファイルと一致させます。
Qwen-Audio-ASR-Filetrans、Fun-ASR、Paraformer で話者分離を有効にする場合は、認識失敗やタイムアウトを避けるため、音声を 2 時間以内にすることを推奨します。
モデル入力方法音声形式サンプルレートファイルサイズと長さ
qwen-audio-3.1-asr-flash, qwen-audio-3.0-asr-flashURL または Base64 Data URI。1 リクエストにつき 1 個aac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmv任意≤2 GB、≤5 分
qwen-audio-3.1-asr-flash-filetrans, qwen-audio-3.0-asr-flash-filetrans公開アクセス可能なファイル URL。1 リクエストにつき 1 個aac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmv任意≤2 GB、≤12 時間
qwen3-asr-flashURL または Base64 Data URI。1 リクエストにつき 1 個aac, amr, avi, aiff, flac, flv, mkv, mp3, mpeg, ogg, opus, wav, webm, wma, wmvPCM は 16 kHz。その他は任意で、サービス側で 16 kHz に変換≤10 MB、≤5 分
qwen3-asr-flash-filetrans公開アクセス可能なファイル URL。1 リクエストにつき 1 個aac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmvPCM は 16 kHz。その他は任意で、サービス側で 16 kHz に変換≤2 GB、≤12 時間
fun-asr-flash-2026-06-15URL または Base64 Data URI。1 リクエストにつき 1 個aac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmv任意≤2 GB、≤5 分
fun-asr公開アクセス可能なファイル URL。1 リクエストにつき 1 個aac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmv任意≤2 GB、≤12 時間
paraformer-v2公開アクセス可能なファイル URL。1 リクエストにつき 1 個aac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmv任意≤2 GB、≤12 時間
paraformer-8k-v2公開アクセス可能なファイル URL。1 リクエストにつき 1 個aac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmv8 kHz≤2 GB、≤12 時間
話者分離にはモノラル音声を使用します。Paraformer の paraformer-8k-v2 は 8 kHz のみ対応します。Qwen3-ASR-Flash のローカルファイルはクライアント側でエンコードまたはアップロードする必要があり、ローカルパスを HTTP 音声 URL として直接指定できません。

API リファレンス