Pré-requisitos
Início rápido
Use os mesmos exemplos para os modelos abaixo. Substitua o ID do modelo conforme a tabela.
| Modelo | ID do modelo no exemplo |
|---|---|
| Qwen-Audio-ASR-Streaming | qwen-audio-3.0-asr-flash-streaming |
| Qwen-Audio-ASR-Message | qwen-audio-3.1-asr-flash-message |
| Fun-ASR-Realtime | fun-asr-realtime |
- Chamada síncrona: reconhece um arquivo local e retorna o resultado completo de uma só vez. Ideal para processar áudio pré-gravado.
- Chamada de streaming bidirecional: reconhece um fluxo de áudio diretamente e retorna resultados em tempo real. O fluxo pode vir de um dispositivo externo, como um microfone, ou ser lido de um arquivo local. Indicada para cenários que exigem feedback imediato.
- Chamada síncrona
- Chamada de streaming bidirecional: baseada em callback
- Chamada de streaming bidirecional: baseada em Flowable
Envie uma única tarefa de reconhecimento de fala em tempo real e obtenha o resultado sincronamente passando um arquivo local. A chamada bloqueia a execução até o retorno do resultado.Instancie The Recognition class e chame o método
call para vincular os Request parameters e o arquivo a ser reconhecido. O método executa o reconhecimento e retorna o resultado final.Chamadas de alta concorrência
O DashScope Java SDK utiliza o pool de conexões do OkHttp3 para reduzir a sobrecarga de estabelecimento repetido de conexões. Para mais detalhes, consulte Melhores práticas para alta concorrência.
Parâmetros da solicitação
Qwen-Audio-ASR-Streaming
Referência comum
Use os métodos encadeados de RecognitionParam para configurar modelo, taxa de amostragem, formato de áudio e outros parâmetros. Passe o objeto configurado para o método call/streamCall da The Recognition class.
| Parâmetro | Tipo | Obrigatório | Descrição |
|---|---|---|---|
model | String | Sim | O nome do modelo. |
sampleRate | Integer | Sim | A taxa de amostragem em Hz. Qualquer taxa é compatível. |
format | String | Sim | Formato de áudio.Valores válidos:
|
keep_dialect | boolean | Não | Aplica-se apenas a qwen-audio-3.1-asr-flash-streaming.false, que transcreve dialetos em chinês padrão. Defina como true para preservar expressões dialetais. Defina com .parameter("keep_dialect", value). |
vad_model | String | Não | Aplica-se apenas a qwen-audio-3.1-asr-flash-streaming.near_meeting_16k (campo próximo) ou far_field_meeting_16k (campo distante, padrão). Defina com .parameter("vad_model", value). |
vocabularyId | String | 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.Adequado para cenários com vocabulário conhecido e relativamente estável, nos quais é necessário reutilizar a mesma lista entre solicitações.Para detalhes de uso, consulte Precompiled hotwords. |
vocabulary | Map<String, Integer> | Não | Palavras-chave instantâneas.Passadas como pares chave-valor, onde a chave é o texto da palavra-chave (string) e o valor é o peso (integer). Não é necessário criar uma lista antecipadamente. O peso varia de [1, 5] ou é definido como 50: valores em [1, 5] aumentam a probabilidade de o modelo gerar a palavra conforme o valor cresce; o valor 50 designa uma super palavra-chave, que melhora significativamente a recuperação, mas o número de super palavras-chave não pode exceder 50.Adequado para otimização temporária de palavras-chave no nível de sessão.Quando configurado junto com palavras-chave pré-compiladas, apenas as instantâneas têm efeito. Para detalhes de uso, consulte Instant hotwords.Defina vocabulary pelo método parameter ou parameters da instância RecognitionParam: |
max_sentence_silence | Integer | Não | Limiar de silêncio VAD para segmentação, em ms. Se o silêncio após um segmento de fala superar esse limiar, o sistema considera a frase encerrada.Valor padrão: 800.Valores válidos: [200, 6000].Defina max_sentence_silence pelo método parameter ou parameters da instância RecognitionParam: |
multi_threshold_mode_enabled | boolean | Não | Ativa o modo de múltiplos limiares. Quando ativado, evita que segmentos VAD fiquem excessivamente longos.Valor padrão: false.Defina multi_threshold_mode_enabled pelo método parameter ou parameters da instância RecognitionParam: |
punctuation_prediction_enabled | boolean | Não | Define se a pontuação deve ser adicionada automaticamente aos resultados:
punctuation_prediction_enabled pelo método parameter ou parameters da instância RecognitionParam: |
heartbeat | boolean | Não | Ativa pacotes de heartbeat.Valor padrão: false.
Para usar este campo, a versão do SDK deve ser 2.19.1 ou posterior. heartbeat pelo método parameter ou parameters da instância RecognitionParam: |
language_hints | String[] | Não | Idioma do áudio a ser reconhecido. Não há valor padrão; se omitido, o modelo detecta o idioma automaticamente.Você pode definir até 4 valores. Se definir mais, somente os 4 primeiros terão efeito.
Clique para visualizar os códigos de idioma suportados
language_hints pelo método parameter ou parameters da instância RecognitionParam: |
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:
speech_noise_threshold pelo método parameter ou parameters da instância RecognitionParam: |
special_word_filter | String | Não | Especifica palavras sensíveis a serem processadas durante o reconhecimento, permitindo definir métodos distintos para cada palavra. Para mais detalhes, consulte Sensitive word filtering.Defina special_word_filter pelo método parameter ou parameters da instância RecognitionParam: |
input | Map<String, Object> | Não | Objeto de entrada que fornece o contexto da conversa. O contexto auxilia no reconhecimento e melhora a precisão de termos específicos. Para uso, consulte Quick start.O Map deve conter a chave context, cujo valor é um array de mensagens do tipo List<Map<String, Object>>. Cada mensagem contém os seguintes campos:
Para usar este campo, a versão do SDK deve ser 2.22.23 ou posterior. input pelo método input da instância RecognitionParam: |
apiKey | String | Não | Sua chave de API. |
Qwen-Audio-ASR-Message
Referência comum
Use os métodos encadeados de RecognitionParam para configurar modelo, taxa de amostragem, formato de áudio e outros parâmetros. Passe o objeto configurado para o método call/streamCall da The Recognition class.
| Parâmetro | Tipo | Obrigatório | Descrição |
|---|---|---|---|
model | String | Sim | O nome do modelo. |
sampleRate | Integer | Sim | A taxa de amostragem em Hz. Apenas 16000 é compatível. |
format | String | Sim | Formato de áudio.Valores válidos:
|
keep_dialect | boolean | Não | Padrão: false, que transcreve dialetos em chinês padrão. Defina como true para preservar expressões dialetais. Defina com .parameter("keep_dialect", value).Este parâmetro se aplica somente aos resultados finais (sentence_end=true) e não é compatível com resultados intermediários (sentence_end=false). |
vad_model | String | Não | Modelo VAD: near_meeting_16k (campo próximo) ou far_field_meeting_16k (campo distante, padrão). Defina com .parameter("vad_model", value). |
disfluency_removal_enabled | boolean | Não | Indica se palavras de preenchimento devem ser removidas e o texto aprimorado. Padrão: false. Defina como true para ativar. Defina com .parameter("disfluency_removal_enabled", value). |
intermediate_result_enabled | boolean | Não | Indica se resultados intermediários de streaming devem ser retornados. Padrão: false. Defina como true para recebê-los. Defina com .parameter("intermediate_result_enabled", value). |
vocabularyId | String | 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.Adequado para cenários com vocabulário conhecido e relativamente estável, nos quais é necessário reutilizar a mesma lista entre solicitações.Para detalhes de uso, consulte Precompiled hotwords. |
vocabulary | Map<String, Integer> | Não | Palavras-chave instantâneas.Passadas como pares chave-valor, onde a chave é o texto da palavra-chave (string) e o valor é o peso (integer). Não é necessário criar uma lista antecipadamente. O peso varia de [1, 5] ou é definido como 50: valores em [1, 5] aumentam a probabilidade de o modelo gerar a palavra conforme o valor cresce; o valor 50 designa uma super palavra-chave, que melhora significativamente a recuperação, mas o número de super palavras-chave não pode exceder 50.Adequado para otimização temporária de palavras-chave no nível de sessão.Quando configurado junto com palavras-chave pré-compiladas, apenas as instantâneas têm efeito. Para detalhes de uso, consulte Instant hotwords.Defina vocabulary pelo método parameter ou parameters da instância RecognitionParam: |
language_hints | String[] | Não | Idioma do áudio a ser reconhecido. Não há valor padrão; se omitido, o modelo detecta o idioma automaticamente.Você pode definir até 4 valores. Se definir mais, somente os 4 primeiros terão efeito.
Clique para visualizar os códigos de idioma suportados
.parameter("language_hints", new String[]{"zh"}) em RecognitionParam.Este parâmetro se aplica somente aos resultados finais (sentence_end=true) e não é compatível com resultados intermediários (sentence_end=false). |
max_sentence_silence | Integer | 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 | boolean | Não | Ativa pacotes de heartbeat.Valor padrão: false.
Para usar este campo, a versão do SDK deve ser 2.19.1 ou posterior. heartbeat pelo método parameter ou parameters da instância RecognitionParam: |
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:
speech_noise_threshold pelo método parameter ou parameters da instância RecognitionParam: |
input | Map<String, Object> | Não | Objeto de entrada que fornece o contexto da conversa. O contexto auxilia no reconhecimento e melhora a precisão de termos específicos. Para uso, consulte Quick start.O Map deve conter a chave context, cujo valor é um array de mensagens do tipo List<Map<String, Object>>. Cada mensagem contém os seguintes campos:
Para usar este campo, a versão do SDK deve ser 2.22.23 ou posterior. input pelo método input da instância RecognitionParam: |
apiKey | String | Não | Sua chave de API. |
Fun-ASR-Realtime
Referência comum
Use os métodos encadeados de RecognitionParam para configurar modelo, taxa de amostragem, formato de áudio e outros parâmetros. Passe o objeto configurado para o método call/streamCall da The Recognition class.
| Parâmetro | Tipo | Obrigatório | Descrição |
|---|---|---|---|
model | String | Sim | O nome do modelo. |
sampleRate | Integer | Sim | Taxa de amostragem, em Hz.Valores válidos: modelos de 8 kHz suportam apenas 8000 Hz; demais modelos aceitam qualquer taxa. |
format | String | Sim | Formato de áudio.Valores válidos:
|
vocabularyId | String | 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.Adequado para cenários com vocabulário conhecido e relativamente estável, nos quais é necessário reutilizar a mesma lista entre solicitações.Para detalhes de uso, consulte Precompiled hotwords. |
max_sentence_silence | Integer | Não | Limiar de silêncio VAD para segmentação, em ms. Se o silêncio após um segmento de fala superar esse limiar, o sistema considera a frase encerrada.Valor padrão: 1300.Valores válidos: [200, 6000].Defina max_sentence_silence pelo método parameter ou parameters da instância RecognitionParam: |
multi_threshold_mode_enabled | boolean | Não | Ativa o modo de múltiplos limiares. Quando ativado, evita que segmentos VAD fiquem excessivamente longos.Valor padrão: false.Defina multi_threshold_mode_enabled pelo método parameter ou parameters da instância RecognitionParam: |
punctuation_prediction_enabled | boolean | Não | Define se a pontuação deve ser adicionada automaticamente aos resultados:
punctuation_prediction_enabled pelo método parameter ou parameters da instância RecognitionParam: |
heartbeat | boolean | Não | Ativa pacotes de heartbeat.Valor padrão: false.
Para usar este campo, a versão do SDK deve ser 2.19.1 ou posterior. heartbeat pelo método parameter ou parameters da instância RecognitionParam: |
language_hints | String[] | Não | Idioma do áudio a ser reconhecido. Não há valor padrão; se omitido, o modelo detecta o idioma automaticamente.Você pode definir 1 valor. Se definir mais, somente o primeiro terá efeito.
Clique para visualizar os códigos de idioma suportados
language_hints pelo método parameter ou parameters da instância RecognitionParam: |
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:
speech_noise_threshold pelo método parameter ou parameters da instância RecognitionParam: |
special_word_filter | String | Não | Especifica palavras sensíveis a serem processadas durante o reconhecimento, permitindo definir métodos distintos para cada palavra. Para mais detalhes, consulte Sensitive word filtering.Defina special_word_filter pelo método parameter ou parameters da instância RecognitionParam: |
input | Map<String, Object> | Não | Objeto de entrada que fornece o contexto da conversa. O contexto auxilia no reconhecimento e melhora a precisão de termos específicos. Para uso, consulte Quick start.O Map deve conter a chave context, cujo valor é um array de mensagens do tipo List<Map<String, Object>>. Cada mensagem contém os seguintes campos:
Para usar este campo, a versão do SDK deve ser 2.22.23 ou posterior. input pelo método input da instância RecognitionParam: |
apiKey | String | Não | Sua chave de API. |
Referência da API
Interfaces comuns
Classe Recognition
Importe Recognition com import com.alibaba.dashscope.audio.asr.recognition.Recognition;. Suas interfaces principais são:
| Interface/Método | Parâmetro | Valor de retorno | Descrição |
|---|---|---|---|
| Nenhum | Reconhecimento em tempo real via streaming baseado em callback. Não bloqueia a thread atual. | |
| Resultado do reconhecimento. | Reconhecimento não streaming de arquivo local. Bloqueia a thread atual até concluir a leitura completa do arquivo, que deve ser legível. | |
| Flowable<RecognitionResult> | Reconhecimento em tempo real via streaming baseado em Flowable. | |
| Nenhum | Envia áudio. Mantenha cada bloco enviado com tamanho razoável. Recomenda-se cerca de 100 ms de áudio por bloco, entre 1 KB e 16 KB.Os resultados chegam pelo método onEvent da The callback interface (ResultCallback). | |
Nenhum | Nenhum | Interrompe o reconhecimento em tempo real.Bloqueia a thread atual até que o callback ResultCallback invoque onComplete ou onError. | |
| code: Código de fechamento WebSocket.reason: Motivo do fechamento.Para orientações sobre esses parâmetros, consulte The WebSocket Protocol. | true | Sempre feche a conexão WebSocket ao término da tarefa, haja ou não exceção, para evitar vazamentos. Para reutilizar conexões visando eficiência, consulte Optimize Paraformer real-time speech recognition for high concurrency. | |
Nenhum | requestId | Obtém o requestId da tarefa atual. Disponível após iniciar nova tarefa com call ou streamingCall.Disponível apenas no SDK versão 2.18.0 ou posterior. | |
Nenhum | Latência do primeiro pacote. | Obtém a latência do primeiro pacote, ou seja, o atraso entre o envio do primeiro pacote de áudio e o recebimento do primeiro resultado. Use após concluir a tarefa. Disponível apenas no SDK versão 2.18.0 ou posterior. | |
Nenhum | Latência do último pacote. | Obtém a latência do último pacote, ou seja, o tempo entre o envio do comando stop e o recebimento do resultado final. Use após concluir a tarefa.Disponível apenas no SDK versão 2.18.0 ou posterior. |
Interface de callback (ResultCallback)
Durante bidirectional streaming calls, o servidor retorna informações-chave e dados ao cliente via callbacks. Implemente os métodos de callback para tratar essas informações.
Estenda a classe abstrata ResultCallback para implementar os métodos. Ao estendê-la, defina o tipo genérico como RecognitionResult. RecognitionResult encapsula a estrutura de dados retornada pelo servidor.
Como o Java suporta reutilização de conexão, não há onClose nem onOpen.
| Interface/Método | Parâmetro | Valor de retorno | Descrição |
|---|---|---|---|
result: Real-time recognition result (RecognitionResult) | Nenhum | Invocado quando o servidor envia resposta. | |
Nenhum | Nenhum | Invocado após a conclusão da tarefa. | |
e: Informações da exceção. | Nenhum | Invocado quando ocorre exceção. |
Resultado de reconhecimento em tempo real (RecognitionResult)
RecognitionResult representa o resultado de um único reconhecimento em tempo real.
| Interface/Método | Parâmetro | Valor de retorno | Descrição |
|---|---|---|---|
Nenhum | requestId | Obtém o requestId. | |
Nenhum | Indica se uma frase completa foi formada, ou seja, se houve detecção de limite de frase. | Determina se a frase terminou. | |
Nenhum | Sentence information (Sentence) | Obtém informações da frase, incluindo timestamps e texto. |
Informações da frase (Sentence)
| Interface/Método | Parâmetro | Valor de retorno | Descrição |
|---|---|---|---|
Nenhum | Tempo inicial da frase, em ms. | Retorna o tempo inicial da frase. | |
Nenhum | Tempo final da frase, em ms. | Retorna o tempo final da frase. | |
Nenhum | Texto reconhecido. | Retorna o texto reconhecido. | |
Nenhum | Lista de objetos Word-level timestamp information (Word). | Retorna timestamps no nível de palavra. |
Timestamps no nível de palavra (Word)
| Interface/Método | Parâmetro | Valor de retorno | Descrição |
|---|---|---|---|
Nenhum | Tempo inicial da palavra, em ms. | Retorna o tempo inicial da palavra. | |
Nenhum | Tempo final da palavra, em ms. | Retorna o tempo final da palavra. | |
Nenhum | Palavra. | Retorna a palavra reconhecida. | |
Nenhum | Pontuação. | Retorna a pontuação. |
Qwen-Audio-ASR-Streaming
Interfaces principais
Resposta
- Resultado de reconhecimento em tempo real (RecognitionResult)
- Informações da frase (
Sentence) - Timestamps no nível de palavra (Word)
Qwen-Audio-ASR-Message
Interfaces principais
Resposta
- Resultado de reconhecimento em tempo real (RecognitionResult)
- Informações da frase (
Sentence) - Timestamps no nível de palavra (Word)
Fun-ASR-Realtime
Interfaces principais
Resposta
- Resultado de reconhecimento em tempo real (RecognitionResult)
- Informações da frase (
Sentence) - Timestamps no nível de palavra (Word)