Skip to main content

Visão geral de speech-to-text

O reconhecimento de fala do Model Studio transcreve áudio ao vivo e gravações, com idiomas e dialetos, palavras-chave, contexto, refinamento de texto e diarização.

Recursos

O reconhecimento de fala converte a fala em áudio ou vídeo em texto para entrada por voz, legendas ao vivo, atas e análise de chamadas. O Model Studio oferece entrada contínua de áudio e processamento de gravações completas. Idiomas, dialetos e recursos de aprimoramento variam conforme o modelo.

Escolher um modelo

Escolha um modelo conforme a entrada de áudio, o caso de uso e a entrega dos resultados. As recomendações a seguir usam a série Qwen-Audio 3.1.
TipoCaso de usoModelo recomendadoDiferença principal
Em tempo realTranscrição contínua, como legendas ao vivo ou reuniõesqwen-audio-3.1-asr-flash-streamingEnvia áudio continuamente enquanto recebe resultados intermediários e finais.
Falas curtas, como ditado ou mensagens de vozqwen-audio-3.1-asr-flash-messageRetorna resultados finais das frases por padrão; resultados intermediários e refinamento são ativados separadamente.
Não em tempo realGravações curtas de até 5 minutosqwen-audio-3.1-asr-flashRetorna resultados na solicitação atual, com saída SSE opcional.
Gravações longas e transcrição de áudio/vídeo em segundo planoqwen-audio-3.1-asr-flash-filetransEnvia uma tarefa assíncrona e permite baixar os arquivos de transcrição após a conclusão.

Métodos de reconhecimento

MétodoEntrada de áudioEntrega dos resultados
Reconhecimento de fala em tempo realEnvia blocos de áudio continuamente para exibir a transcrição durante a captura da fala.Recebe resultados enquanto envia áudio. A entrega de resultados intermediários e finais varia conforme o modelo.
Reconhecimento de fala não em tempo realEnvia um arquivo completo de áudio ou vídeo para processar uma gravação existente.Chamadas síncronas retornam resultados na solicitação atual, opcionalmente por eventos SSE quando o modelo oferece suporte. Chamadas assíncronas retornam primeiro um ID de tarefa e disponibilizam arquivos de resultado após a conclusão.

Melhorar o reconhecimento e usar os resultados

Após escolher um modelo, use os recursos disponíveis para melhorar o reconhecimento de termos, a legibilidade e os resultados estruturados. Para detalhes de configuração, consulte o guia de reconhecimento de fala em tempo real ou não em tempo real.
  • Palavras-chave e contexto: As palavras-chave indicam a grafia desejada de nomes, marcas e outros termos. O contexto acrescenta diálogos anteriores e informações do negócio. Para configuração, compatibilidade e ajustes, consulte Melhorar a precisão do reconhecimento.
  • Refinamento de texto: Organiza hesitações, repetições e autocorreções da fala. qwen-audio-3.1-asr-flash-message e qwen-audio-3.1-asr-flash oferecem refinamento nativo.
  • Preservar expressões de dialetos: 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 preservam expressões próprias de dialetos. Reconhecer um dialeto e preservar suas expressões escritas são capacidades distintas.
  • Diarização de locutores: Identifica os locutores nos resultados para distinguir participantes de reuniões e entrevistas. qwen-audio-3.1-asr-flash e qwen-audio-3.1-asr-flash-filetrans oferecem o recurso.
  • Marcações de tempo: Associam frases ou palavras a posições no áudio para legendas, destaque de termos e navegação.
  • Filtragem de palavras sensíveis: Substitui palavras específicas por asteriscos ou as remove da transcrição.
Para preparação de áudio, gestão de conexões e concorrência, tarefas assíncronas e tratamento de erros, consulte as práticas recomendadas de reconhecimento de fala.

Modelos e idiomas

As listas a seguir mostram os idiomas e dialetos por família e versão de modelo.
  • qwen-audio-3.1-asr-flash-streaming, qwen-audio-3.0-asr-flash-streaming: Chinês (Mandarim, Cantonês, Wu, Hokkien, Hakka, Gan, Xiang, Jin; além de sotaques regionais incluindo Planícies Centrais, Sudoeste, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Nordeste, Pequim e Hong Kong/Taiwan — abrangendo sotaques de Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu e Ningxia), Inglês, Japonês, Coreano, Vietnamita, Tailandês, Indonésio, Malaio, Filipino, Hindi, Árabe, Francês, Alemão, Espanhol, Português, Russo, Italiano, Holandês, Sueco, Dinamarquês, Finlandês, Norueguês, Grego, Polonês, Tcheco, Húngaro, Romeno, Búlgaro, Croata, Eslovaco
  • qwen-audio-3.1-asr-flash-message: Chinês (Mandarim, Cantonês, Wu, Hokkien, Hakka, Gan, Xiang, Jin; além de sotaques regionais incluindo Planícies Centrais, Sudoeste, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Nordeste, Pequim e Hong Kong/Taiwan — abrangendo sotaques de Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu e Ningxia), Inglês, Japonês, Coreano, Vietnamita, Tailandês, Indonésio, Malaio, Filipino, Hindi, Árabe, Francês, Alemão, Espanhol, Português, Russo, Italiano, Holandês, Sueco, Dinamarquês, Finlandês, Norueguês, Grego, Polonês, Tcheco, Húngaro, Romeno, Búlgaro, Croata, Eslovaco
  • qwen-audio-3.1-asr-flash: Chinês (Mandarim, Cantonês, Wu, Hokkien, Hakka, Gan, Xiang, Jin; além de sotaques regionais incluindo Planícies Centrais, Sudoeste, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Nordeste, Pequim e Hong Kong/Taiwan — abrangendo sotaques de Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu e Ningxia), Inglês, Japonês, Coreano, Vietnamita, Tailandês, Indonésio, Malaio, Filipino, Hindi, Árabe, Francês, Alemão, Espanhol, Português, Russo, Italiano, Holandês, Sueco, Dinamarquês, Finlandês, Norueguês, Grego, Polonês, Tcheco, Húngaro, Romeno, Búlgaro, Croata, Eslovaco, turco, persa, marati, malaiala, nepalês, quirguiz, azerbaijano, georgiano, armênio, esloveno, albanês, estoniano, letão, lituano, catalão, basco, galego, oriá, divehi, assamês, curdo setentrional, tigré, frísio ocidental, bashkir, bielorrusso, tártaro, interlíngua, mari dos prados, toki pona
  • qwen-audio-3.0-asr-flash: Chinês (Mandarim, Cantonês, Wu, Hokkien, Hakka, Gan, Xiang, Jin; além de sotaques regionais incluindo Planícies Centrais, Sudoeste, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Nordeste, Pequim e Hong Kong/Taiwan — abrangendo sotaques de Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu e Ningxia), Inglês, Japonês, Coreano, Vietnamita, Tailandês, Indonésio, Malaio, Filipino, Hindi, Árabe, Francês, Alemão, Espanhol, Português, Russo, Italiano, Holandês, Sueco, Dinamarquês, Finlandês, Norueguês, Grego, Polonês, Tcheco, Húngaro, Romeno, Búlgaro, Croata, Eslovaco
  • qwen-audio-3.1-asr-flash-filetrans, qwen-audio-3.0-asr-flash-filetrans: Chinês (Mandarim, Cantonês, Wu, Hokkien, Hakka, Gan, Xiang, Jin; além de sotaques regionais incluindo Planícies Centrais, Sudoeste, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Nordeste, Pequim e Hong Kong/Taiwan — abrangendo sotaques de Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu e Ningxia), Inglês, Japonês, Coreano, Vietnamita, Tailandês, Indonésio, Malaio, Filipino, Hindi, Árabe, Francês, Alemão, Espanhol, Português, Russo, Italiano, Holandês, Sueco, Dinamarquês, Finlandês, Norueguês, Grego, Polonês, Tcheco, Húngaro, Romeno, Búlgaro, Croata, Eslovaco
  • fun-asr-realtime: Chinês (Mandarim, Cantonês, Wu, Hokkien, Hakka, Gan, Xiang, Jin; além de sotaques regionais incluindo Planícies Centrais, Sudoeste, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Nordeste, Pequim e Hong Kong/Taiwan — abrangendo sotaques de Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu e Ningxia), Inglês, Japonês, Coreano, Vietnamita, Tailandês, Indonésio, Malaio, Filipino, Hindi, Árabe, Francês, Alemão, Espanhol, Português, Russo, Italiano, Holandês, Sueco, Dinamarquês, Finlandês, Norueguês, Grego, Polonês, Tcheco, Húngaro, Romeno, Búlgaro, Croata, Eslovaco
  • fun-asr-realtime-2026-02-28: Chinês (Mandarim, Cantonês, Wu, Hokkien, Hakka, Gan, Xiang, Jin; além de sotaques regionais incluindo Planícies Centrais, Sudoeste, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Nordeste, Pequim e Hong Kong/Taiwan — abrangendo sotaques de Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu e Ningxia), Inglês, Japonês
  • fun-asr-flash-8k-realtime, fun-asr-flash-8k-realtime-2026-01-28: Chinês
  • fun-asr: Chinês (Mandarim, Cantonês, Wu, Hokkien, Hakka, Gan, Xiang, Jin; além de sotaques regionais incluindo Planícies Centrais, Sudoeste, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Nordeste, Pequim e Hong Kong/Taiwan — abrangendo sotaques de Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu e Ningxia), Inglês, Japonês, Coreano, Vietnamita, Tailandês, Indonésio, Malaio, Filipino, Hindi, Árabe, Francês, Alemão, Espanhol, Português, Russo, Italiano, Holandês, Sueco, Dinamarquês, Finlandês, Norueguês, Grego, Polonês, Tcheco, Húngaro, Romeno, Búlgaro, Croata, Eslovaco
  • fun-asr-flash-2026-06-15: Chinês (Mandarim, Cantonês, Wu, Hokkien, Hakka, Gan, Xiang, Jin; além de sotaques regionais incluindo Planícies Centrais, Sudoeste, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Nordeste, Pequim e Hong Kong/Taiwan — abrangendo sotaques de Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu e Ningxia), Inglês, Japonês, Coreano, Vietnamita, Tailandês, Indonésio, Malaio, Filipino, Hindi, Árabe, Francês, Alemão, Espanhol, Português, Russo, Italiano, Holandês, Sueco, Dinamarquês, Finlandês, Norueguês, Grego, Polonês, Tcheco, Húngaro, Romeno, Búlgaro, Croata, Eslovaco
  • qwen3-asr-flash-realtime, qwen3-asr-flash-filetrans, qwen3-asr-flash: Chinês (Mandarim, Sichuanês, Hokkien, Wu, Cantonês), Inglês, Japonês, Alemão, Coreano, Russo, Francês, Português, Árabe, Italiano, Espanhol, Hindi, Indonésio, Tailandês, Turco, Ucraniano, Vietnamita, Tcheco, Dinamarquês, Filipino, Finlandês, Islandês, Malaio, Norueguês, Polonês, Sueco.
  • paraformer-realtime-v2, paraformer-v2: Chinês (Mandarim, Cantonês, Wu, Hokkien, Nordeste, Gansu, Guizhou, Henan, Hubei, Hunan, Ningxia, Shanxi, Shaanxi, Shandong, Sichuan, Tianjin, Jiangxi, Yunnan, Xangai), Inglês, Japonês, Coreano, Alemão, Francês, Russo
  • paraformer-realtime-8k-v2, paraformer-8k-v2: Chinês (Mandarim)

Requisitos de entrada de áudio

Para formatos de áudio, taxas de amostragem, canais, tamanhos e durações, consulte os limites do guia em tempo real ou não em tempo real.