Conheça os recursos de reconhecimento de fala em tempo real, as chamadas de áudio em fluxo e as formas de melhorar os resultados.
Recursos
O reconhecimento de fala em tempo real recebe um fluxo contínuo de áudio e retorna o texto transcrito para entrada por voz, atas de reuniões, legendas ao vivo e aplicações semelhantes.
- Idiomas e dialetos: detecta o idioma automaticamente e reconhece vários idiomas e dialetos chineses. Consulte a visão geral do reconhecimento de fala.
- Detecção de fala: Detecte automaticamente os limites da fala e ajuste o limiar entre voz e ruído para diferentes ambientes de gravação.
- Processamento de texto: Preveja pontuação, preserve expressões de dialetos chineses ou refine hesitações, repetições e autocorreções.
- Melhoria de precisão: usa palavras-chave para nomes e termos específicos e o contexto de interações anteriores.
- Resultados estruturados: fornece resultados por frase e carimbos de tempo para legendas, armazenamento de texto e localização no áudio.
- Entrada de áudio: Use vários formatos e escolha uma taxa de amostragem compatível com o modelo.
Os recursos variam por modelo. Verifique o suporte de cada funcionalidade. Para enviar uma gravação completa em uma única solicitação, consulte Reconhecimento de fala não em tempo real.
| Caso de uso | Modelo recomendado | Comportamento dos resultados |
|---|---|---|
| Transcrição contínua de reuniões, aulas e legendas | qwen-audio-3.1-asr-flash-streaming | Retorna resultados intermediários e finais para exibir e atualizar o texto durante a fala. |
| Entradas de voz curtas, como digitação por voz e mensagens de voz | qwen-audio-3.1-asr-flash-message | Retorna resultados finais por frase por padrão. Resultados intermediários e refinamento de texto podem ser ativados separadamente. |
Primeiros passos
Instale o SDK DashScope e obtenha uma chave de API no console e configure a variável de ambiente DASHSCOPE_API_KEY.
Baixe o áudio de exemplo como asr_example.wav no diretório de trabalho. Ele contém fala em inglês em um arquivo WAV mono de 16 kHz com codificação PCM de 16 bits. Os exemplos enviam o arquivo em blocos para simular entrada em tempo real, sem microfone.
- Qwen-Audio-ASR-Streaming
- Qwen-Audio-ASR-Message
Este exemplo usa qwen-audio-3.1-asr-flash-streaming para enviar áudio continuamente com o SDK DashScope enquanto recebe e imprime resultados provisórios e finais. Após o áudio terminar, aguarde os resultados restantes e a conclusão da tarefa antes de fechar a conexão.
Java
Processar os resultados
- Resultados provisórios: Use para legendas ao vivo ou pré-visualização da entrada. O texto da fala pode ser revisado durante o reconhecimento. Atualize a fala exibida em vez de concatenar cada resultado.
-
Resultados finais: Ao fim da fala, substitua o texto provisório pelo resultado final para transcrições salvas, legendas ou processamento posterior.
Qwen-Audio-ASR-Message retorna apenas resultados finais por padrão; ative
intermediate_result_enabledpara pré-visualização ao vivo. -
Timestamps: Associe o texto à posição no áudio para alinhar legendas, destacar palavras-chave ou navegar pelo áudio. Use timestamps por fala e por palavra dos resultados finais em vez de um horário provisório de término ainda não confirmado. A unidade é o milissegundo.
Qwen3-ASR-Flash-Realtime não retorna timestamps de transcrição.
Melhorar o reconhecimento
Ajuste os limites da fala, refine ou preserve expressões faladas e configure palavras-chave e contexto para melhorar a segmentação, a legibilidade e o reconhecimento de termos específicos.
Ajustar a segmentação de frases
A detecção de atividade de voz (VAD) usa o silêncio após a fala para determinar o fim de um enunciado e emitir o resultado final. Um limite curto favorece respostas rápidas. Um limite maior aceita pausas dentro da frase, mas aumenta a espera pelo resultado final. Ajuste-o ao ritmo da fala e da interação.
| Modelo | Configuração |
|---|---|
| qwen-audio-3.1-asr-flash-streaming, qwen-audio-3.1-asr-flash-message | Ajuste o limite de silêncio com max_sentence_silence. Use vad_model para selecionar um modelo VAD de acordo com a forma de captação do áudio:
|
| qwen-audio-3.0-asr-flash-streaming, Fun-ASR-Realtime (série) | Ajuste o limite de silêncio com max_sentence_silence. |
| Paraformer | Para segmentação VAD, ajuste max_sentence_silence. Você também pode alternar para segmentação semântica com semantic_punctuation_enabled. |
| Qwen3-ASR-Flash-Realtime | Ajuste o limite de silêncio e a sensibilidade com silence_duration_ms e threshold em session.turn_detection. Também é possível desativar VAD e deixar o cliente controlar os limites ao confirmar o áudio. |
Refinar o texto
A fala costuma conter hesitações, repetições e autocorreções. O refinamento do texto organiza essas expressões para mensagens de voz e entrada por fala.
No qwen-audio-3.1-asr-flash-message, disfluency_removal_enabled controla o refinamento. Ele se aplica aos resultados finais; atualize a exibição ao fim da fala.
Preservar expressões dialetais
Ao reconhecer um dialeto chinês, escolha entre preservar as expressões dialetais ou transcrevê-las em chinês padrão. Legendas dialetais podem exigir as expressões originais, enquanto registros para um público mais amplo podem exigir chinês padrão.
Em qwen-audio-3.1-asr-flash-streaming e qwen-audio-3.1-asr-flash-message, use keep_dialect. No último modelo, a configuração aplica-se apenas aos resultados finais.
Palavras-chave e enriquecimento de contexto
Palavras-chave ajudam a reconhecer marcas, nomes próprios e termos especializados. O enriquecimento de contexto fornece termos e informações de interações anteriores. Para configuração, modelos compatíveis e ajustes, consulte Melhorar a precisão do reconhecimento.
Filtrar palavras sensíveis
A filtragem substitui palavras especificadas pelo mesmo número de asteriscos ou as remove do texto, por exemplo para ocultar conteúdo de legendas ou transcrições. Qwen-Audio-ASR-Streaming e Fun-ASR-Realtime usam special_word_filter.
Uso em produção
Em produção, gerencie conexões e concorrência conforme o tráfego e trate silêncios longos, novas tentativas e liberação de recursos. Consulte as práticas recomendadas de reconhecimento de fala para preparação do áudio, gerenciamento de tarefas e conexões, concorrência Java e exemplos completos.
Modelos e regiões suportados
- Singapore
- China (Beijing)
- Qwen-Audio-ASR-Message: qwen-audio-3.1-asr-flash-message
- Qwen-Audio-ASR-Streaming: qwen-audio-3.1-asr-flash-streaming, qwen-audio-3.0-asr-flash-streaming
- Fun-ASR-Realtime: fun-asr-realtime (versão estável)
- Qwen-ASR-Realtime: qwen3-asr-flash-realtime (versão estável)
Limites de uso
O áudio em tempo real deve ser mono. Selecione o formato e a taxa de amostragem na tabela e configure format e sample_rate conforme o áudio real.
| Modelo | Método de entrada | Formato de áudio | Taxa de amostragem | Tamanho/duração |
|---|---|---|---|---|
| qwen-audio-3.1-asr-flash-streaming, qwen-audio-3.0-asr-flash-streaming | Fluxo binário | pcm, wav, mp3, opus, speex, aac, amr | Qualquer taxa | Ilimitado |
| qwen-audio-3.1-asr-flash-message | Fluxo binário | pcm, wav, mp3, opus, speex, aac, amr | 16 kHz | — |
| Fun-ASR-Realtime (série) (fun-asr-realtime) | Fluxo binário | pcm, wav, mp3, opus, speex, aac, amr | Qualquer taxa | Ilimitado |
| Fun-ASR-Flash-8K-Realtime (série) (fun-asr-flash-8k-realtime) | Fluxo binário | pcm, wav, mp3, opus, speex, aac, amr | 8 kHz | Ilimitado |
| qwen3-asr-flash-realtime | Áudio Base64 em eventos JSON | pcm, opus | 8 kHz, 16 kHz | Ilimitado |
| paraformer-realtime-v2 | Fluxo binário | pcm, wav, mp3, opus, speex, aac, amr | Qualquer taxa | Ilimitado |
| paraformer-realtime-8k-v2 | Fluxo binário | pcm, wav, mp3, opus, speex, aac, amr | 8 kHz | Ilimitado |