Este tópico descreve os parâmetros e as interfaces do Python SDK para o modelo de reconhecimento de fala em tempo real Qwen-Audio-ASR-Message.
Pré-requisitos
Início rápido
O recurso principal (client.audio.asr) fornece interfaces para chamadas sem streaming e com streaming bidirecional. Escolha o método de chamada adequado às suas necessidades:
- Chamada sem streaming (
recognize_file): reconhece um arquivo local; o SDK envia o áudio automaticamente em blocos e conduz a tarefa até o fim. Ideal para processar áudio pré-gravado. - Chamada com streaming bidirecional (sessão
recognize): reconhece um fluxo de áudio diretamente e gera resultados em tempo real. O fluxo pode vir de um dispositivo externo, como microfone, ou ser lido de um arquivo local. Recomendado para cenários que exigem feedback imediato.
- Chamada sem streaming
- Chamada com streaming bidirecional
Envie uma única tarefa de reconhecimento de fala em tempo real e obtenha o resultado de forma síncrona e bloqueante ao passar um arquivo local.Chame o método
recognize_file do recurso principal (client.audio.asr) para vincular os parâmetros da solicitação e passar o caminho do arquivo local, e itere os eventos do servidor para obter os resultados do reconhecimento.Parâmetros da solicitação
Defina os parâmetros da solicitação por meio dos métodos recognize/recognize_file do recurso principal (client.audio.asr): model, format, sample_rate e vocabulary_id são parâmetros nomeados, e os demais parâmetros (como language_hints) são passados por meio do dicionário parameters.
| Parâmetro | Tipo | Obrigatório | Descrição |
|---|---|---|---|
model | str | Sim | O nome do modelo. |
sample_rate | int | Sim | A taxa de amostragem em Hz. Apenas 16000 é compatível. |
format | str | Sim | Formato do áudio.Valores válidos:
|
keep_dialect | bool | Não | Padrão: false, que transcreve dialetos em chinês padrão. Defina como true para preservar expressões dialetais. Passe como argumento nomeado com o mesmo nome.Este parâmetro se aplica somente aos resultados finais (sentence_end=true) e não é compatível com resultados intermediários (sentence_end=false). |
vad_model | str | Não | Modelo VAD: near_meeting_16k (campo próximo) ou far_field_meeting_16k (campo distante, padrão). Passe como argumento nomeado com o mesmo nome. |
disfluency_removal_enabled | bool | Não | Indica se palavras de preenchimento devem ser removidas e o texto aprimorado. Padrão: false. Defina como true para ativar. Passe como argumento nomeado com o mesmo nome. |
intermediate_result_enabled | bool | Não | Indica se resultados intermediários de streaming devem ser retornados. Padrão: false. Defina como true para recebê-los. Passe como argumento nomeado com o mesmo nome. |
vocabulary_id | str | Não | ID de uma lista de palavras-chave pré-compilada.Gere esse ID antecipadamente chamando a API de criação de lista de palavras-chave. Passe o ID durante o reconhecimento para usar as palavras-chave da lista.Indicado para cenários em que o vocabulário é conhecido e relativamente estável e quando você precisa reutilizar a mesma lista de palavras entre solicitações.Para detalhes de uso, consulte Precompiled hotwords. |
vocabulary | dict | Não | Palavras-chave instantâneas.Passadas como pares chave-valor, em que a chave é o texto da palavra-chave (string) e o valor é o peso da palavra-chave (integer). Não é necessário criar uma lista de palavras-chave antecipadamente. O peso varia de [1, 5] ou é definido como 50: um valor em [1, 5] aumenta a probabilidade de o modelo gerar a palavra conforme o valor cresce; um valor de 50 designa uma super palavra-chave, que melhora significativamente o recall, mas o número de super palavras-chave não pode exceder 50.Adequado para otimização temporária de palavras-chave no nível da sessão.Quando configurado junto com palavras-chave pré-compiladas, apenas as palavras-chave instantâneas têm efeito. Para detalhes de uso, consulte Instant hotwords.Exemplo: |
language_hints | list[str] | Não | Idioma do áudio a ser reconhecido. Não há valor padrão; se não definido, o modelo detecta o idioma automaticamente.Você pode definir até 4 valores. Se definir mais, somente os 4 primeiros terão efeito.
Clique em para visualizar os códigos de idioma aceitos
sentence_end=true) e não é compatível com resultados intermediários (sentence_end=false). |
max_sentence_silence | int | Não | Limite de silêncio do VAD para segmentação, em milissegundos. A frase termina quando o silêncio após a fala ultrapassa esse limite. Padrão: 800. Intervalo válido: [200, 6000]. |
heartbeat | bool | Não | Define se os pacotes de heartbeat devem ser ativados.Padrão: False.
|
speech_noise_threshold | float | Não | Limiar para distinguir fala de ruído, usado para ajustar a sensibilidade da Detecção de Atividade de Voz (VAD).Valores válidos: [-1.0, 1.0].Descrições dos valores:
|
input dos métodos recognize/recognize_file.
| Parâmetro | Tipo | Obrigatório | Descrição |
|---|---|---|---|
input | dict | Não | Objeto de entrada usado para passar o contexto da conversa. O aprimoramento de contexto melhora a precisão do reconhecimento para termos específicos de domínio. Para uso, consulte Quick start.O dict deve incluir uma chave context cujo valor é uma lista de mensagens (list[dict]). Cada mensagem contém os seguintes campos:
Este campo foi introduzido no SDK 1.25.23 e já está incluído na versão 2.0.1 ou posterior. input para o método recognize/recognize_file do recurso principal (client.audio.asr): |
Interfaces principais
Recurso principal (client.audio.asr)
A capacidade de reconhecimento de fala em tempo real está montada no recurso client.audio.asr: recognize cria a sessão de reconhecimento com streaming bidirecional (Recognition) e recognize_file realiza o reconhecimento único de um arquivo local.
| Método membro | Assinatura do método | Descrição |
|---|---|---|
recognize | Cria a sessão de reconhecimento com streaming bidirecional; ao entrar no contexto with, o método start é chamado automaticamente para estabelecer a conexão e enviar a tarefa.O envio de áudio e o consumo de eventos devem ocorrer de forma concorrente (use em conjunto com send_audio_frame, events()/results() e stop). | |
recognize_file | Chamada sem streaming baseada em arquivo local: envia o áudio automaticamente em blocos, conduz a tarefa até o fim e produz os eventos do servidor um a um. Este método requer permissão de leitura no arquivo reconhecido. | |
start | Inicia o reconhecimento de fala: estabelece a conexão, envia a tarefa e aguarda task-started. É chamado automaticamente ao entrar no contexto with; o áudio só pode ser enviado após o sucesso da inicialização. | |
send_audio_frame | Envia áudio. Mantenha cada quadro de áudio enviado nem muito grande nem muito pequeno: cerca de 100 ms por quadro, entre 1 KB e 16 KB.Os resultados de reconhecimento são obtidos por meio da iteração de eventos (events()/results()). | |
stop | Interrompe o reconhecimento de fala: apenas notifica o servidor de que a entrada terminou; a thread de recepção deve continuar consumindo events() até o evento task-finished. | |
events / results | Itera os eventos do servidor: events() produz eventos dict brutos (o texto reconhecido está em payload.output.sentence); results() produz apenas frames de resultado de reconhecimento, retornando objetos tipados Resultado de reconhecimento (RecognitionResult) (frames de heartbeat já filtrados). | |
close | Fecha a sessão de reconhecimento. Chamado automaticamente ao sair do contexto with. | |
request_id / first_package_delay / last_package_delay / last_response | Obtém o request_id, o atraso do primeiro pacote (latência desde o envio do primeiro pacote de áudio até o recebimento do primeiro resultado de reconhecimento) e o atraso do último pacote (tempo desde o envio do comando stop até o recebimento do último resultado de reconhecimento); use após a conclusão da tarefa. last_response é a última mensagem bruta lida com sucesso e pode ser usada para recuperar erros de task-failed. Ainda podem ser lidos após o fechamento da sessão. |
Iteração de eventos (events()/results())
Durante uma chamada com streaming bidirecional, o servidor retorna informações-chave de processo e dados ao cliente por meio de eventos. Você precisa iterar, na thread de recepção, os events() da sessão (eventos dict brutos) ou os results() (frames tipados de resultado de reconhecimento) para processar as informações ou os dados retornados pelo servidor.
| Método/evento | Conteúdo produzido | Valor de retorno | Descrição |
|---|---|---|---|
Evento task-started | Nenhum | Lido internamente por start(); a resposta de inicialização é salva em last_response e não é produzida novamente por events(). | |
event: evento dict do servidor | Iterador | Produz um evento quando o servidor responde. O resultado do reconhecimento está em payload.output.sentence; pode haver eventos de heartbeat ou de texto vazio, que podem ser ignorados conforme necessário. Deve ser consumido continuamente por uma única thread de recepção; não crie vários leitores em paralelo. | |
result: Resultado de reconhecimento (RecognitionResult) | Iterador | Produz apenas frames de resultado de reconhecimento (frames de heartbeat já filtrados); a iteração termina após o retorno de todos os resultados. | |
Exceção DashScopeError | Nenhum | Lançada na thread de envio/recepção quando ocorre um erro; pode ser capturada com try/except. | |
Evento task-finished | Nenhum | Produzido por events() quando o servidor conclui todo o reconhecimento; a iteração termina em seguida. Esse evento ainda deve ser lido após o envio de stop(). |
Resposta
Resultado de reconhecimento (RecognitionResult)
RecognitionResult representa um frame de resultado de reconhecimento produzido pela iteração results() da sessão (utilizável tanto na chamada com streaming bidirecional quanto na chamada sem streaming; events() produz eventos dict brutos — use results() caso precise dessa visualização tipada).
| Método membro | Assinatura do método | Descrição |
|---|---|---|
get_sentence | Obtém a frase reconhecida atual e suas informações de timestamp; retorna Dict[str, Any] (informação de uma única frase).Para detalhes, consulte Informações da frase (Sentence). | |
request_id | O request_id da solicitação correspondente ao evento atual. | |
is_sentence_end | Determina se a frase atual terminou. Este método verifica se o campo end_time na informação de frase única retornada por get_sentence() é None: um end_time diferente de None indica que a frase terminou. |
Informações da frase (Sentence)
Os membros da classe Sentence são os seguintes:
| Parâmetro | Tipo | Descrição |
|---|---|---|
begin_time | int | Tempo de início da frase, em ms. |
end_time | int | Tempo de término da frase, em ms. |
text | str | Texto reconhecido. |
words | Uma lista de Word-level timestamp information (Word) | Informações de timestamp no nível da palavra. |
Informações de timestamp no nível da palavra (Word)
Os membros da classe Word são os seguintes:
| Parâmetro | Tipo | Descrição |
|---|---|---|
begin_time | int | Tempo de início da palavra, em ms. |
end_time | int | Tempo de término da palavra, em ms. |
text | str | A palavra. |
punctuation | str | A pontuação. |
Códigos de erro
Se encontrar erros, consulte Error codes para solução de problemas.
Se o problema persistir, junte-se à comunidade de desenvolvedores para relatar seu problema e forneça o Request ID para investigação adicional.
FAQ
Recursos
P: Como mantenho a conexão ativa durante longos períodos de silêncio?
Defina o parâmetro de solicitação heartbeat como true e continue enviando áudio silencioso para o servidor.
Áudio silencioso é o conteúdo em um arquivo de áudio ou fluxo que não contém sinal sonoro. Você pode gerar áudio silencioso de várias maneiras, como usando software de edição de áudio como Audacity ou Adobe Audition, ou ferramentas de linha de comando como FFmpeg.
P: Como converto áudio para um formato aceito?
Use o FFmpeg. Para mais usos, consulte o site oficial do FFmpeg.
P: Como reconheço um arquivo local (gravação)?
Existem duas maneiras de reconhecer um arquivo local:
-
Passe o caminho do arquivo local diretamente: esta forma retorna o resultado completo somente após o término do reconhecimento, portanto não é adequada para cenários que precisam de feedback imediato.
Consulte Chamada sem streaming e passe o caminho do arquivo para o método
recognize_filedo recurso principal (client.audio.asr) para reconhecer a gravação diretamente. -
Converta o arquivo local em um fluxo binário para reconhecimento: esta forma reconhece o arquivo enquanto transmite os resultados em fluxo, sendo adequada para cenários que precisam de feedback imediato.
Consulte Chamada com streaming bidirecional e envie o fluxo binário para o servidor para reconhecimento através do método
send_audio_frameda sessão de reconhecimento.
Solução de problemas
P: Por que a fala não é reconhecida (nenhum resultado de reconhecimento)?
-
Verifique se o formato de áudio (
format) e a taxa de amostragem (sampleRate/sample_rate) nos parâmetros da solicitação estão corretos e atendem às restrições de parâmetros. Erros comuns incluem:- O arquivo de áudio tem extensão .wav, mas na verdade está no formato MP3, enquanto o parâmetro de solicitação
formatestá definido como mp3 (configuração incorreta de parâmetro). - A taxa de amostragem do áudio é 3600 Hz, mas o parâmetro de solicitação
sampleRate/sample_rateestá definido como 48000 (configuração incorreta de parâmetro).
- O arquivo de áudio tem extensão .wav, mas na verdade está no formato MP3, enquanto o parâmetro de solicitação
- Se nenhuma das verificações acima revelar um problema, adicione palavras-chave personalizadas para melhorar o reconhecimento de termos específicos.