Skip to main content

Non-real-time speech recognition

Conheça os recursos de reconhecimento de fala não em tempo real, as chamadas com arquivos de áudio e as formas de melhorar os resultados.

Recursos

O reconhecimento de fala não em tempo real converte arquivos de áudio e vídeo gravados em texto para transcrição de reuniões, análise de chamadas e legendas. Áudios curtos podem retornar resultados em uma única solicitação; gravações longas podem ser processadas como tarefas assíncronas.
  • Idiomas e dialetos: Detecta automaticamente o idioma e reconhece vários idiomas e dialetos chineses. Consulte a visão geral de reconhecimento de fala para saber a cobertura.
  • Precisão: Use palavras-chave para nomes, marcas e termos especializados, ou forneça o contexto de turnos anteriores da conversa.
  • Processamento de texto: Aprimora o texto falado, preserva expressões dialetais e filtra palavras sensíveis.
  • Diarização de falantes: Identifica os falantes na transcrição para organizar reuniões e entrevistas.
  • Resultados estruturados: Retorna frases, palavras e marcações de tempo para legendas, destaque de palavras-chave e navegação no áudio.
  • Entrada de áudio: Selecione formatos de áudio e vídeo, taxas de amostragem e canais compatíveis com o modelo.
  • Gravações longas: Transcreva de forma assíncrona um arquivo de áudio ou vídeo de até 12 horas e 2 GB.
Os recursos compatíveis variam por modelo. Verifique o escopo de cada recurso. Para enviar áudio continuamente e receber resultados durante a fala, consulte Reconhecimento de fala em tempo real.
Caso de usoModelo recomendadoMétodo de chamada
Áudio de até 5 minutos com resposta diretaqwen-audio-3.1-asr-flashChamada síncrona com saída opcional em streaming SSE.
Gravações longas ou processamento assíncrono de áudio e vídeoqwen-audio-3.1-asr-flash-filetransEnvie uma tarefa assíncrona e baixe a transcrição após a conclusão.

Começar

Obtenha uma chave de API no console e configure a variável de ambiente DASHSCOPE_API_KEY. Os exemplos usam uma amostra de áudio WAV em inglês, mono, de 16 kHz, acessível publicamente.
  • Qwen-Audio-ASR
  • Qwen-Audio-ASR-Filetrans
Este exemplo usa qwen-audio-3.1-asr-flash para enviar um arquivo de áudio completo e receber a transcrição final na mesma solicitação.
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"
  }
}'

Tratar os resultados

  • Reconhecimento síncrono: No Qwen-Audio-ASR, output.text contém todo o texto acumulado e output.sentence contém os detalhes da frase atual. Leia output.text para salvar a transcrição completa.
  • Transcrição assíncrona: Após o sucesso da tarefa, baixe o arquivo de resultado. Leia transcripts[].text para obter a transcrição completa de cada canal, ou transcripts[].sentences e seus words para legendas e navegação no áudio.
  • Marcações de tempo: begin_time e end_time de frases e palavras representam posições no áudio em milissegundos. O end_time da consulta da tarefa é a data e hora de conclusão da tarefa.
    As marcações de tempo estão sempre ativadas e não podem ser desativadas para Qwen-Audio-ASR, Qwen-Audio-ASR-Filetrans, Fun-ASR, Fun-ASR-Flash e Paraformer. As chamadas assíncronas ao Qwen3-ASR-Filetrans também sempre retornam marcações de tempo. Nessas chamadas, enable_words seleciona marcações no nível de sentença ou palavra, sem desativá-las.

Melhorar os resultados

Ajuste a legibilidade do texto, o reconhecimento de termos específicos, a identificação de falantes e a forma de retorno dos resultados conforme as necessidades da aplicação.

Saída em streaming

A saída em streaming retorna resultados em eventos SSE após o envio do áudio completo, permitindo mostrar o progresso antes do fim do reconhecimento. qwen-audio-3.1-asr-flash, Fun-ASR-Flash e Qwen3-ASR-Flash oferecem saída em streaming. Modelos assíncronos, incluindo Qwen-Audio-ASR-Filetrans, Fun-ASR, Qwen3-ASR-Filetrans e Paraformer, fornecem arquivos de resultado após a conclusão e não retornam resultados de reconhecimento por SSE.
Ao receber SSE com cURL, adicione --no-buffer para que o buffer de saída não atrase a exibição dos resultados.
ModeloAtivaçãoTratamento dos resultados e observações
qwen-audio-3.1-asr-flashX-DashScope-SSE: enableoutput.text contém texto acumulado. Substitua o texto exibido a cada atualização. Áudios curtos podem gerar apenas um resultado. Sem diarização, as marcações de tempo ficam fixas quando output.sentence.words[i].fixed é true. Com diarização, leia as frases atuais e anteriores em output.sentences.
Qwen3-ASR-FlashAPI compatível com OpenAI: stream: true. API HTTP nativa: X-DashScope-SSE: enable.Nas respostas compatíveis com OpenAI, choices[].delta.content contém texto incremental. Concatene na ordem de recebimento.
Fun-ASR-FlashX-DashScope-SSE: enableFun-ASR-Flash retorna resultados em vários eventos para áudios com pelo menos 1 minuto.

Palavras-chave e aprimoramento de contexto

Use palavras-chave para especificar a grafia de nomes, produtos ou termos técnicos que possam ser confundidos com palavras de som semelhante. Use o contexto para fornecer turnos anteriores da conversa, informações do negócio ou vocabulário relacionado. Para modelos compatíveis, configuração e exemplos, consulte Melhorar a precisão do reconhecimento.

Aprimoramento de texto e expressões dialetais

qwen-audio-3.1-asr-flash oferece aprimoramento nativo de texto, organizando vícios de linguagem, repetições e autocorreções para melhorar a leitura. qwen-audio-3.1-asr-flash e qwen-audio-3.1-asr-flash-filetrans transcrevem dialetos chineses em texto mandarim por padrão. Configure keep_dialect: true para preservar expressões específicas do dialeto.

Diarização de falantes

Ative a diarização para distinguir os participantes de uma reunião ou entrevista. O campo speaker_id nos resultados identifica os diferentes falantes.
ModeloAtivaçãoLocal do resultado
qwen-audio-3.1-asr-flashspeaker_diarization_enabled: trueoutput.sentences[].speaker_id
Qwen-Audio-ASR-Filetrans, Fun-ASR、Paraformerdiarization_enabled: truetranscripts[].sentences[].speaker_id
A diarização requer áudio mono. Para transcrição assíncrona com diarização, recomenda-se usar áudio de até 2 horas para reduzir o risco de falhas ou tempos limite. Com a diarização ativada no qwen-audio-3.1-asr-flash, keep_dialect e language_hints não têm efeito.

Filtragem de palavras sensíveis

Use a filtragem para mascarar ou remover palavras específicas da transcrição. Qwen-Audio-ASR-Filetrans, Fun-ASR e Paraformer usam special_word_filter para configurar listas de substituição, de remoção e a lista integrada.

Uso em produção

A transcrição em lote requer armazenamento de áudio, controle das taxas de envio e consulta, notificações de conclusão e persistência dos resultados. Para preparação da entrada, callbacks, limitação de taxa e novas tentativas, consulte Práticas recomendadas de reconhecimento de fala.

Modelos e regiões suportados

  • Singapore
  • US (Virginia)
  • China (Beijing)
  • 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 (versão estável)
  • Qwen3-ASR-Filetrans: qwen3-asr-flash-filetrans (versão estável)
  • Fun-ASR-Flash: fun-asr-flash-2026-06-15
  • Fun-ASR: fun-asr (versão estável)

Limites de uso

Escolha um método de entrada, formato e taxa de amostragem compatíveis com o modelo. Parâmetros como format e sample_rate devem corresponder ao arquivo real.
Com diarização ativada no Qwen-Audio-ASR-Filetrans, Fun-ASR ou Paraformer, recomenda-se áudio de até 2 horas para reduzir o risco de falhas ou tempos limite.
ModeloMétodo de entradaFormatos de áudioTaxa de amostragemTamanho e duração
qwen-audio-3.1-asr-flash, qwen-audio-3.0-asr-flashURL ou Base64 Data URI; uma por solicitaçãoaac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmvQualquer≤2 GB; ≤5 minutos
qwen-audio-3.1-asr-flash-filetrans, qwen-audio-3.0-asr-flash-filetransURL de arquivo acessível publicamente; uma por solicitaçãoaac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmvQualquer≤2 GB; ≤12 horas
qwen3-asr-flashURL ou Base64 Data URI; uma por solicitaçãoaac, amr, avi, aiff, flac, flv, mkv, mp3, mpeg, ogg, opus, wav, webm, wma, wmv16 kHz para PCM; qualquer taxa para outros formatos, reamostrados para 16 kHz pelo serviço≤10 MB; ≤5 minutos
qwen3-asr-flash-filetransURL de arquivo acessível publicamente; uma por solicitaçãoaac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmv16 kHz para PCM; qualquer taxa para outros formatos, reamostrados para 16 kHz pelo serviço≤2 GB; ≤12 horas
fun-asr-flash-2026-06-15URL ou Base64 Data URI; uma por solicitaçãoaac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmvQualquer≤2 GB; ≤5 minutos
fun-asrURL de arquivo acessível publicamente; uma por solicitaçãoaac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmvQualquer≤2 GB; ≤12 horas
paraformer-v2URL de arquivo acessível publicamente; uma por solicitaçãoaac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmvQualquer≤2 GB; ≤12 horas
paraformer-8k-v2URL de arquivo acessível publicamente; uma por solicitaçãoaac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmv8 kHz≤2 GB; ≤12 horas
Use áudio mono para diarização. O modelo Paraformer paraformer-8k-v2 aceita apenas 8 kHz. Arquivos locais para Qwen3-ASR-Flash devem ser codificados ou enviados pelo cliente; um caminho local não pode ser usado diretamente como URL de áudio HTTP.

Referência de API