Qwen-ASR Realtime のクライアントイベント

ユーザーガイド：モデルの概要、特徴、および完全なサンプルコードについては、「リアルタイム音声認識 - Qwen」をご参照ください。

session.update

セッション構成を更新します。このイベントは、WebSocket 接続を確立した直後に送信してください。このイベントを送信しない場合、システムはデフォルトの構成を使用します。サーバーがこのイベントを正常に処理した後、確認として session.updated イベントを送信します。

パラメーター	タイプ	必須	説明
type	文字列	はい	イベントタイプ。値は `session.update` に固定されています。
event_id	文字列	はい	イベント ID。
session	オブジェクト	はい	セッション構成を含むオブジェクト。
session.input_audio_format	文字列	いいえ	オーディオフォーマット。サポートされているフォーマットは `pcm` および `opus` です。デフォルト: `pcm`。
session.sample_rate	整数	いいえ	Hz 単位の音声サンプリングレートです。サポートされている値は `16000` および `8000` です。デフォルト: `16000`。このパラメーターを `8000` に設定すると、サーバーは認識前にオーディオを 16000 Hz にアップサンプリングします。これにより、わずかな遅延が発生する可能性があります。電話回線からのオーディオなど、ソースオーディオが 8000 Hz の場合にのみ、この値を使用してください。
session.input_audio_transcription	オブジェクト	いいえ	音声認識に関連する構成。
session.input_audio_transcription.language	文字列	いいえ	音声のソース言語。 zh: 中国語 (標準語、四川語、閩南語、呉語) yue: 広東語 en: 英語 ja: 日本語 de: ドイツ語 ko: 韓国語 ru: ロシア語 fr: フランス語 pt: ポルトガル語 ar: アラビア語 it: イタリア語 es: スペイン語 hi: ヒンディー語 id: インドネシア語 th: タイ語 tr: トルコ語 uk: ウクライナ語 vi: ベトナム語 cs: チェコ語 da: デンマーク語 fil: フィリピン語 fi: フィンランド語 is: アイスランド語 ms: マレー語 no: ノルウェー語 pl: ポーランド語 sv: スウェーデン語
session.input_audio_transcription.corpus.text	文字列	いいえ	コンテキストを指定します。音声認識中に背景テキスト、エンティティ語彙、その他の参照情報 (コンテキスト) を提供することで、カスタマイズされた結果を得ることができます。長さ制限：10,000 トークン。詳細については、「コンテキストバイアス」をご参照ください。
session.turn_detection	オブジェクト	いいえ	音声区間検出 (VAD) の構成。このパラメーターは VAD モードを有効または無効にします。このパラメーターを `null` に設定すると、VAD モードが無効になり、手動モードが有効になります。このパラメーターが設定されている場合、VAD モードが有効になります。
session.turn_detection.type	文字列	いいえ、`turn_detection` が指定されている場合は必須です。	値は `server_vad` に固定されます。
session.turn_detection.threshold	浮動	いいえ	VAD 検出のしきい値。推奨値: `0.0`。デフォルト: `0.2`。有効値： `[-1, 1]`。しきい値を低くすると VAD の感度が向上しますが、バックグラウンドノイズが音声と誤認される可能性があります。しきい値を高くすると感度が低下し、ノイズの多い環境での誤トリガーを減らすのに役立ちます。
session.turn_detection.silence_duration_ms	整数	いいえ	VAD エンドポイント検出のしきい値をミリ秒 (ms) 単位で指定します。このしきい値を超える無音期間は、文の終わりと見なされます。推奨値: `400`。デフォルト: `800`。有効な値: `[200, 6000]`。 300 ms などの低い値にすると、モデルはより速く応答できますが、通常の間で不自然な区切りが発生する可能性があります。1200 ms などの高い値にすると、長い文の中の間をより適切に処理できますが、全体的な応答レイテンシーが増加します。

{
    "event_id": "event_123",
    "type": "session.update",
    "session": {
        "input_audio_format": "pcm",
        "sample_rate": 16000,
        "input_audio_transcription": {
            "language": "zh"
        },
        "turn_detection": {
            "type": "server_vad",
            "threshold": 0.0,
            "silence_duration_ms": 400
        }
    }
}

input_audio_buffer.append

音声データブロックをサーバーの入力バッファーに追加します。これは、ストリーミング音声のコアとなるイベントです。 シナリオによる違い：

VAD モード：音声バッファーは音声区間検出に使用されます。サーバーは、認識のために音声を送信するタイミングを自動的に決定します。
非 VAD モード：クライアントは各イベントの音声データ量をコントロールできます。単一の input_audio_buffer.append イベントにおける audio フィールドの最大サイズは 15 MiB です。より速い応答を得るには、より小さい音声ブロックをストリーミングしてください。

重要：サーバーは input_audio_buffer.append イベントに対する確認応答を送信しません。

パラメーター	タイプ	必須	説明
type	文字列	はい	イベントタイプ。値は `input_audio_buffer.append` である必要があります。
event_id	文字列	はい	イベントの一意の ID。
audio	文字列	はい	Base64 でエンコードされた音声データ。

{
  "event_id": "event_2728",
  "type": "input_audio_buffer.append",
  "audio": "<Base64 でエンコードされた音声データ>"
}

input_audio_buffer.commit

非 VAD モードでは、このイベントは手動で認識をトリガーします。クライアントが完全な発話の送信を完了したことをサーバーに通知します。その後、サーバーは現在のバッファー内のすべての音声データを単一のユニットとして認識します。 無効化されるモード: VAD モード。正常に処理された後、サーバーは確認としてinput_audio_buffer.committed イベントを送信します。

パラメーター	タイプ	必須	説明
type	文字列	はい	イベントタイプ。値は `input_audio_buffer.commit` です。
event_id	文字列	はい	イベント ID。

{
  "event_id": "event_789",
   "type": "input_audio_buffer.commit"
}

session.finish

現在のセッションを終了します。サーバーの応答フロー：

音声が検出された場合: 最終的な音声認識が完了すると、サーバーは認識結果を含む conversation.item.input_audio_transcription.completed イベントを送信します。その後、サーバーはセッションが終了したことを示す session.finished イベントを送信します。
音声が検出されない場合、サーバーは直接 session.finished イベントを送信します。

クライアントが session.finished イベントを受信した後、クライアントは切断する必要があります。

パラメーター	タイプ	必須	説明
type	文字列	はい	イベントタイプ。値は `session.finish` です。
event_id	文字列	はい	イベント ID。

{
  "event_id": "event_341",
  "type": "session.finish",
}

​session.update

​input_audio_buffer.append

​input_audio_buffer.commit

​session.finish

session.update

input_audio_buffer.append

input_audio_buffer.commit

session.finish