リアルタイム音声認識のモデル機能、音声ストリームの呼び出し方法、認識結果の改善方法を説明します。
機能
リアルタイム音声認識は、連続した音声ストリームを受信して文字起こしテキストを返します。音声入力、会議録、リアルタイム字幕などに使用できます。
- 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。
- 音声検出:発話の開始と終了を自動検出し、収音環境に合わせて音声とノイズの判定しきい値を調整できます。
- テキスト処理:句読点を予測し、中国語方言の表現を保持するか、テキスト整形でフィラー、繰り返し、言い直しを整理できます。
- 精度の改善:固有名詞などにはホットワードを使用し、過去の対話からコンテキストを提供できます。
- 構造化結果:文単位の結果とタイムスタンプを使用して、字幕表示、テキスト保存、音声内の位置特定ができます。
- 音声入力:複数の音声形式を使用し、モデルの対応範囲からサンプルレートを選択できます。
対応機能はモデルによって異なります。各機能の対応範囲を確認してください。録音全体を一度に送信する場合は、非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 | 結果の動作 |
|---|---|---|
| 会議、授業、字幕などの継続的な文字起こし | qwen-audio-3.1-asr-flash-streaming | 発話中の表示と更新に使用できる中間結果と最終結果を返します。 |
| 音声入力や音声メッセージなどの短い音声入力 | qwen-audio-3.1-asr-flash-message | デフォルトでは文の最終結果を返します。中間結果とテキスト整形は個別に有効化できます。 |
使用開始
DashScope SDK をインストールし、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。
サンプル音声を作業ディレクトリに asr_example.wav として保存してください。英語音声を含む、16 kHz、モノラル、16-bit PCM エンコードの WAV ファイルです。例ではファイルを分割送信してリアルタイム入力を再現するため、マイクは不要です。
- Qwen-Audio-ASR-Streaming
- Qwen-Audio-ASR-Message
この例は qwen-audio-3.1-asr-flash-streaming を使用し、DashScope SDK で音声を継続送信しながら、暫定結果と最終結果を受信して出力します。音声入力の終了後も残りの結果とタスク完了を待ってから接続を閉じます。
Java
認識結果の処理
- 暫定結果:リアルタイム字幕や入力プレビューに使用します。認識中に同じ発話の内容が修正されるため、結果を追加し続けずに発話の表示を更新します。
-
最終結果:発話終了時に暫定テキストを最終結果で置き換え、文字起こしの保存、字幕、後続処理に使用します。
Qwen-Audio-ASR-Message はデフォルトで最終結果のみを返します。プレビューが必要な場合は
intermediate_result_enabledを有効にします。 -
タイムスタンプ:テキストと音声内の位置を対応付け、字幕の位置合わせ、キーワードの強調表示、音声のシークに使用します。未確定の終了時刻ではなく、最終結果の発話単位・単語単位のタイムスタンプを使用します。単位はミリ秒です。
Qwen3-ASR-Flash-Realtime は文字起こしのタイムスタンプを返しません。
認識結果の改善
発話区切りの調整、口語表現の整形または保持、ホットワードとコンテキストの設定により、区切り方、テキストの読みやすさ、特定用語の認識精度を改善できます。
文の区切りの調整
音声区間検出(VAD)は、発話後の無音から発話の終了を判断し、最終結果を返します。無音しきい値を短くすると素早い応答に適し、長くすると文中の間を許容できますが、結果の確定までの待ち時間が増えます。話すペースと対話の流れに合わせて調整します。
| モデル | 設定方法 |
|---|---|
| qwen-audio-3.1-asr-flash-streaming、qwen-audio-3.1-asr-flash-message | max_sentence_silence で無音しきい値を調整し、vad_model で近距離または遠距離用 VAD モデルを選択します。 |
| qwen-audio-3.0-asr-flash-streaming、Fun-ASR-Realtime シリーズ | max_sentence_silence で無音しきい値を調整します。 |
| Paraformer | VAD による区切りでは max_sentence_silence を調整します。semantic_punctuation_enabled で意味に基づく区切りに切り替えることもできます。 |
| Qwen3-ASR-Flash-Realtime | session.turn_detection の silence_duration_ms と threshold で無音しきい値と検出感度を調整します。VAD を無効にし、クライアントから音声をコミットして発話を区切ることもできます。 |
テキストの整形
音声入力には、フィラー、繰り返し、言い直しが含まれることがあります。テキスト整形はこれらを整理し、音声メッセージや音声入力に適した文字起こしにします。
qwen-audio-3.1-asr-flash-message では disfluency_removal_enabled で制御します。整形は最終結果に適用されるため、発話終了時に表示を更新します。
方言表現の保持
中国語方言の認識では、方言表現を保持するか、標準中国語に変換するかを用途に応じて選べます。方言字幕では元の表現を保持し、幅広い読者向けの記録では標準中国語を使用するといった使い分けができます。
qwen-audio-3.1-asr-flash-streaming と qwen-audio-3.1-asr-flash-message は keep_dialect で保持を制御します。後者では最終結果のみに適用されます。
ホットワードとコンテキスト拡張
ブランド名、人名、専門用語などの認識にはホットワードを使用します。コンテキスト拡張では、過去の対話から用語や背景を提供します。設定、対応モデル、調整方法は認識精度の向上をご参照ください。
機密語のフィルタリング
センシティブワードのフィルタリングは、指定した単語を同じ数のアスタリスクに置換するか、テキストから削除します。字幕や文字起こしの一部を非表示にする場合に使用できます。Qwen-Audio-ASR-Streaming と Fun-ASR-Realtime は special_word_filter で設定します。
本番環境での使用
本番環境では、トラフィックに応じた接続と同時実行数の管理、長い無音、リトライ、リソース解放を考慮します。音声の準備、タスクと接続の管理、Java の並行処理、完全な例は音声認識のベストプラクティスを参照してください。
サポートされるモデルとリージョン
- シンガポール
- 中国 (北京)
- 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 (安定版)
- Qwen-ASR-Realtime: qwen3-asr-flash-realtime (安定版)
使用制限
リアルタイム音声はモノラルである必要があります。次の表から音声形式とサンプルレートを選び、format と sample_rate を実際の音声に合わせて設定します。
| モデル | 入力方法 | 音声形式 | サンプルレート | サイズ/長さ |
|---|---|---|---|---|
| qwen-audio-3.1-asr-flash-streaming、qwen-audio-3.0-asr-flash-streaming | バイナリストリーム | pcm、wav、mp3、opus、speex、aac、amr | 任意 | 無制限 |
| qwen-audio-3.1-asr-flash-message | バイナリストリーム | pcm、wav、mp3、opus、speex、aac、amr | 16 kHz | — |
| Fun-ASR-Realtime シリーズ (fun-asr-realtime) | バイナリストリーム | pcm、wav、mp3、opus、speex、aac、amr | 任意 | 無制限 |
| Fun-ASR-Flash-8K-Realtime シリーズ (fun-asr-flash-8k-realtime) | バイナリストリーム | pcm、wav、mp3、opus、speex、aac、amr | 8 kHz | 無制限 |
| qwen3-asr-flash-realtime | JSON イベント内の Base64 音声 | pcm、opus | 8 kHz、16 kHz | 無制限 |
| paraformer-realtime-v2 | バイナリストリーム | pcm、wav、mp3、opus、speex、aac、amr | 任意 | 無制限 |
| paraformer-realtime-8k-v2 | バイナリストリーム | pcm、wav、mp3、opus、speex、aac、amr | 8 kHz | 無制限 |