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 uso | Modelo recomendado | Método de chamada |
|---|---|---|
| Áudio de até 5 minutos com resposta direta | qwen-audio-3.1-asr-flash | Chamada síncrona com saída opcional em streaming SSE. |
| Gravações longas ou processamento assíncrono de áudio e vídeo | qwen-audio-3.1-asr-flash-filetrans | Envie 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
Tratar os resultados
-
Reconhecimento síncrono: No Qwen-Audio-ASR,
output.textcontém todo o texto acumulado eoutput.sentencecontém os detalhes da frase atual. Leiaoutput.textpara salvar a transcrição completa. -
Transcrição assíncrona: Após o sucesso da tarefa, baixe o arquivo de resultado. Leia
transcripts[].textpara obter a transcrição completa de cada canal, outranscripts[].sentencese seuswordspara legendas e navegação no áudio. -
Marcações de tempo:
begin_timeeend_timede frases e palavras representam posições no áudio em milissegundos. Oend_timeda 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_wordsseleciona 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.
| Modelo | Ativação | Tratamento dos resultados e observações |
|---|---|---|
| qwen-audio-3.1-asr-flash | X-DashScope-SSE: enable | output.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-Flash | API 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-Flash | X-DashScope-SSE: enable | Fun-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.
| Modelo | Ativação | Local do resultado |
|---|---|---|
| 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 |
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.
| Modelo | Método de entrada | Formatos de áudio | Taxa de amostragem | Tamanho e duração |
|---|---|---|---|---|
| qwen-audio-3.1-asr-flash, qwen-audio-3.0-asr-flash | URL ou Base64 Data URI; uma por solicitação | aac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmv | Qualquer | ≤2 GB; ≤5 minutos |
| qwen-audio-3.1-asr-flash-filetrans, qwen-audio-3.0-asr-flash-filetrans | URL de arquivo acessível publicamente; uma por solicitação | aac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmv | Qualquer | ≤2 GB; ≤12 horas |
| qwen3-asr-flash | URL ou Base64 Data URI; uma por solicitação | aac, amr, avi, aiff, flac, flv, mkv, mp3, mpeg, ogg, opus, wav, webm, wma, wmv | 16 kHz para PCM; qualquer taxa para outros formatos, reamostrados para 16 kHz pelo serviço | ≤10 MB; ≤5 minutos |
| qwen3-asr-flash-filetrans | URL de arquivo acessível publicamente; uma por solicitação | aac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmv | 16 kHz para PCM; qualquer taxa para outros formatos, reamostrados para 16 kHz pelo serviço | ≤2 GB; ≤12 horas |
| fun-asr-flash-2026-06-15 | URL ou Base64 Data URI; uma por solicitação | aac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmv | Qualquer | ≤2 GB; ≤5 minutos |
| fun-asr | URL de arquivo acessível publicamente; uma por solicitação | aac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmv | Qualquer | ≤2 GB; ≤12 horas |
| paraformer-v2 | URL de arquivo acessível publicamente; uma por solicitação | aac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmv | Qualquer | ≤2 GB; ≤12 horas |
| paraformer-8k-v2 | URL de arquivo acessível publicamente; uma por solicitação | aac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmv | 8 kHz | ≤2 GB; ≤12 horas |
Referência de API
- Reconhecimento de fala não em tempo real: Qwen-Audio-ASR — referência de API
- Reconhecimento de fala não em tempo real: Qwen-Audio-ASR-Filetrans — referência de API
- Reconhecimento de fala não em tempo real: Fun-ASR — referência de API
- Reconhecimento de fala não em tempo real: Fun-ASR-Flash — referência de API
- Reconhecimento de fala não em tempo real: Qwen3-ASR — referência de API
- Reconhecimento de fala não em tempo real: Paraformer — referência de API