Este tópico descreve os parâmetros e os detalhes da interface da API HTTP de reconhecimento de fala não em tempo real Qwen-Audio-ASR.
Para requisitos de entrada, como formatos de áudio suportados, limites de tamanho de arquivo e limites de duração, consulte Audio specifications.
No modo de fluxo, o cliente precisa lidar com o seguinte:
Endpoints do service
- Singapore
- China (Beijing)
POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generationSubstitua {WorkspaceId} pelo seu Workspace ID real.Cabeçalhos da solicitação
| Parâmetro | Tipo | Obrigatório | Descrição |
|---|---|---|---|
Authorization | string | Sim | O token de autenticação, no formato Bearer <your_api_key>. Substitua "<your_api_key>" pela sua chave de API real. |
Content-Type | string | Sim | O tipo de mídia do corpo da solicitação. Fixo como application/json. |
X-DashScope-SSE | string | Não | Controla se os resultados de streaming são solicitados. Defina como enable para solicitar streaming SSE. Defina como disable ou omita este parâmetro para retornar apenas o resultado final.Aplica-se apenas a qwen-audio-3.0-asr-flash: o streaming SSE está disponível apenas para áudios com pelo menos 1 minuto de duração. |
Corpo da solicitação | Os exemplos a seguir usam a configuração para a região Singapore. Substitua "{WorkspaceId}" pelo ID do seu workspace real. A configuração varia entre as regiões, e a chave de API para a região Singapore difere daquela para a região Beijing.
|
modelstring(Obrigatório)O nome do modelo. | |
inputobject(Obrigatório)As informações de entrada.
Propriedades messages array(object)(Obrigatório)A lista de mensagens. Contém o áudio a ser reconhecido e, opcionalmente, o contexto de conversação que melhora a precisão do reconhecimento.
Propriedades role string(Obrigatório)A função da mensagem. Valores válidos:
array(object)(Obrigatório)A lista de conteúdo da mensagem.
Propriedades type string(Obrigatório)O tipo de conteúdo. Cada solicitação precisa de pelo menos uma mensagem do tipo input_audio. Valores válidos:
object(Condicionalmente obrigatório)Obrigatório quando type é input_audio.
Propriedades data string(Obrigatório)Os dados de áudio a serem reconhecidos. Para requisitos de entrada, como formatos de áudio suportados, limites de tamanho de arquivo e limites de duração, consulte Audio specifications. Dois métodos são suportados:
https://example.com/audio/sample.wavExemplo (Base64): data:audio/wav;base64,{BASE64_ENCODED_DATA}string(Condicionalmente obrigatório)Quando type é input_text, insira os resultados de reconhecimento da fala do usuário de turnos anteriores ou uma lista de palavras específicas de domínio. Quando type é text, insira as respostas do modelo de linguagem grande de turnos anteriores. O comprimento do texto é medido em caracteres, onde cada caractere conta como 1. O comprimento combinado dos campos text em todas as mensagens em um único turno de contexto não pode exceder 400 caracteres. Qualquer excesso é truncado a partir do final. | |
parametersobject(Obrigatório)Os parâmetros do modelo.O refinamento de texto está desativado por padrão e ainda não está disponível para qwen-audio-3.0-asr-flash. qwen-audio-3.1-asr-flash oferece refinamento de texto nativo.Refinamento de texto: Ao transcrever a fala, o modelo remove palavras de preenchimento sem significado e repetições por gagueira, trata autocorreções, aprimora expressões coloquiais e padroniza a pontuação e a formatação. O resultado é mais conciso, fluente e legível, preservando ao máximo a intenção final e as informações importantes do falante.
Propriedades speaker_diarization_enabled boolean (Opcional)Aplica-se apenas a qwen-audio-3.1-asr-flash.false. Quando definido como true, a resposta usa speaker_id para distinguir falantes e inclui output.sentences. Quando ativada, keep_dialect e language_hints são ignorados.keep_dialect boolean (Opcional)Aplica-se apenas a qwen-audio-3.1-asr-flash.false. Defina false para transcrever o dialeto em texto em mandarim padrão, ou true para preservar expressões dialetais.formatstring(Obrigatório)O formato do áudio. Defina este valor para corresponder ao seu formato de áudio real. Os valores suportados incluem wav, mp3 e opus. Para mais detalhes, consulte Audio specifications.sample_ratestring(Opcional)A taxa de amostragem do áudio, em Hz. Por exemplo, 16000 significa uma taxa de amostragem de 16 kHz. Para mais detalhes, consulte Audio specifications.vocabulary_idstring(Opcional)O 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 onde o vocabulário é conhecido e relativamente estável, e onde você precisa reutilizar a mesma lista de palavras entre solicitações.Para detalhes de uso, consulte Precompiled hotwords.vocabularyobject(Opcional)Palavras-chave instantâneas.Passadas como pares chave-valor, onde 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] torna o modelo mais propenso a gerar a palavra à medida que o valor aumenta; um valor de 50 designa uma super palavra-chave, o que melhora muito a recuperação, mas o número de super palavras-chave não pode exceder 50.Adequado para otimização temporária de palavras-chave no nível da sessão.Quando configuradas juntamente com palavras-chave pré-compiladas, apenas as palavras-chave instantâneas têm efeito. Para detalhes de uso, consulte Instant hotwords.language_hints array[string](Opcional)Os códigos de idioma a reconhecer. Se o idioma não for conhecido, omita este parâmetro para que o modelo o detecte automaticamente. Você pode definir até 4 valores. Se definir mais, apenas os 4 primeiros terão efeito.Especificar os códigos de idioma pode melhorar a precisão do reconhecimento.
Códigos de idioma compatíveis
qwen-audio-3.1-asr-flash também oferece suporte aos seguintes códigos de idioma:
|
Corpo da resposta |
|
request_idstringO identificador exclusivo desta solicitação. | |
outputobjectO resultado de saída.
Propriedades text stringO texto completo reconhecido acumulado até o momento.sentences array[object]Aplica-se apenas a qwen-audio-3.1-asr-flash.sentence.sentenceobjectOs detalhes da frase atual.
Propriedades speaker_id integer | nullAplica-se apenas a qwen-audio-3.1-asr-flash.null caso contrário.sentence_idintegerO número da frase, começando em 1.sentence_endbooleanIndica se este é o resultado final para a frase. true indica que o reconhecimento da frase foi concluído.begin_timeintegerO horário de início da frase, em milissegundos.end_timeintegerO horário de término da frase, em milissegundos. Retornado apenas quando sentence_end é true.textstringO texto reconhecido da frase atual.channel_idintegerO número do canal, começando em 0.wordsarrayA lista de carimbos de data/hora no nível de palavra.
Propriedades speaker_id integer | nullAplica-se apenas a qwen-audio-3.1-asr-flash.null caso contrário.textstringO texto da palavra.begin_timeintegerO horário de início da palavra, em milissegundos.end_timeintegerO horário de término da palavra, em milissegundos.punctuationstringO sinal de pontuação após a palavra. Uma string vazia quando não há pontuação.fixedbooleanIndica se a palavra está estabilizada. false indica que o carimbo de data/hora da palavra pode ser ajustado em eventos subsequentes. | |
usageobjectAs informações de uso. Retornadas apenas quando sentence_end é true.
Propriedades duration integerA duração do áudio processado, em segundos.input_tokens integerAplica-se apenas a qwen-audio-3.1-asr-flash.integerAplica-se apenas a qwen-audio-3.1-asr-flash.integerAplica-se apenas a qwen-audio-3.1-asr-flash.input_tokens e output_tokens. |
Lógica de processamento de resultados de fluxo SSE
No modo de fluxo, o cliente precisa lidar com o seguinte:
- Para cada evento SSE recebido, analise o JSON no campo
data. - Para
qwen-audio-3.0-asr-flash, useoutput.sentence.sentence_endpara determinar se a frase atual terminou. Se fortrue, o reconhecimento foi concluído e os timestamps de palavras estão estabilizados, podendo ser usados como resultado final. Se forfalse, o reconhecimento continua, e o texto e os timestamps podem ser atualizados em eventos posteriores. - As informações de
usagesão retornadas apenas nos eventos de fim de frase e incluem a duração do áudio processado. Paraqwen-audio-3.1-asr-flash, também incluem os tokens de entrada, de saída e totais da solicitação. Esse modelo é cobrado pelo uso de tokens.
qwen-audio-3.1-asr-flash sem diarização de falantes, o timestamp de uma palavra só se torna definitivo quando output.sentence.words[i].fixed é true. Antes disso, pode mudar. Quando a diarização está ativada, leia os resultados da frase atual e das anteriores em output.sentences.