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
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。
| モデル | 有効化の設定 | 結果の処理と注意事項 |
|---|---|---|
| qwen-audio-3.1-asr-flash | X-DashScope-SSE: enable | output.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-Flash | OpenAI 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-Flash | X-DashScope-SSE: enable | Fun-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-flash | speaker_diarization_enabled: true | output.sentences[].speaker_id |
| Qwen-Audio-ASR-Filetrans, Fun-ASR、Paraformer | diarization_enabled: true | transcripts[].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-flash | URL 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-flash | URL 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, wmv | PCM 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, wmv | PCM 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-2026-06-15 | URL 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, wmv | 8 kHz | ≤2 GB、≤12 時間 |