本文介紹Qwen-Audio-3.0-ASR-Flash-Streaming/Fun-ASR-Realtime即時語音辨識Java SDK的參數和介面細節。
使用者指南:關於模型介紹和選型建議請參見語音辨識。
Recognition類提供了非流式調用和雙向流式調用等介面。請根據實際需求選擇合適的調用方式:
提交單個語音即時轉寫任務,通過傳入本地檔案的方式同步阻塞地拿到轉寫結果。
執行個體化Recognition類,調用
提交單個語音即時轉寫任務,通過實現回調介面的方式流式輸出即時識別結果。
提交單個語音即時轉寫任務,通過實現工作流程(Flowable)的方式流式輸出即時識別結果。
Flowable 是一個用於工作流程和商務程序管理的開源架構,它基於 Apache 2.0 許可證發布。關於Flowable的使用,請參見Flowable API詳情。
在DashScope Java SDK中,採用了OkHttp3的串連池技術,以減少重複建立串連的開銷。詳情請參見即時語音辨識高並發情境。
SDK的介面地址需在初始化前設定為下方地址(包含WorkspaceId)。如需切換到其他地區,請修改
切換到新加坡地區:
通過
雙向流式調用時,服務端會通過回調的方式,將關鍵流程資訊和資料返回給用戶端。您需要實現回調方法,處理服務端返回的資訊或者資料。
回調方法的實現,通過繼承抽象類別
如遇報錯問題,請參見錯誤碼進行排查。
若問題仍未解決,請加入開發人員群反饋遇到的問題,並提供Request ID,以便進一步排查問題。
將請求參數
可使用FFmpeg工具,更多用法請參見FFmpeg官網。
識別本地檔案有兩種方式:
前提條件
快速開始
Recognition類提供了非流式調用和雙向流式調用等介面。請根據實際需求選擇合適的調用方式:
- 非流式調用:針對本地檔案進行識別,並一次性返回完整的處理結果。適合處理錄製好的音頻。
- 雙向流式調用:可直接對音頻流進行識別,並即時輸出結果。音頻流可以來自外部裝置(如麥克風)或從本地檔案讀取。適合需要即時反饋的情境。
非流式調用
提交單個語音即時轉寫任務,通過傳入本地檔案的方式同步阻塞地拿到轉寫結果。
執行個體化Recognition類,調用call方法綁定請求參數和待識別檔案,進行識別並最終擷取識別結果。
點擊查看完整樣本
點擊查看完整樣本
雙向流式調用:基於回調
提交單個語音即時轉寫任務,通過實現回調介面的方式流式輸出即時識別結果。
-
啟動流式語音辨識
執行個體化Recognition類,調用
call方法綁定請求參數和回調介面(ResultCallback)並啟動流式語音辨識。 -
串流
迴圈調用Recognition類的
sendAudioFrame方法,將從本地檔案或裝置(如麥克風)讀取的二進位音頻流分段發送至服務端。 在發送音頻資料的過程中,服務端會通過回調介面(ResultCallback)的onEvent方法,將識別結果即時返回給用戶端。 建議每次發送的音頻時間長度約為100毫秒,資料大小保持在1KB至16KB之間。 -
結束處理
調用Recognition類的
stop方法結束語音辨識。 該方法會阻塞當前線程,直到回調介面(ResultCallback)的onComplete或者onError回調觸發後才會釋放線程阻塞。
點擊查看完整樣本
點擊查看完整樣本
雙向流式調用:基於Flowable
提交單個語音即時轉寫任務,通過實現工作流程(Flowable)的方式流式輸出即時識別結果。
Flowable 是一個用於工作流程和商務程序管理的開源架構,它基於 Apache 2.0 許可證發布。關於Flowable的使用,請參見Flowable API詳情。
點擊查看完整樣本
點擊查看完整樣本
直接調用Recognition類的
streamCall方法開始識別。streamCall方法返回一個Flowable<RecognitionResult>執行個體,您可以調用Flowable執行個體的blockingForEach、subscribe等方法處理識別結果。識別結果封裝在RecognitionResult中。streamCall方法需要傳入兩個參數:RecognitionParam執行個體(請求參數):通過它可以設定語音辨識所需的模型、採樣率、音頻格式等參數。Flowable<ByteBuffer>執行個體:您需要建立一個Flowable<ByteBuffer>類型的執行個體,並在其中實現解析音頻流的方法。
高並發調用
在DashScope Java SDK中,採用了OkHttp3的串連池技術,以減少重複建立串連的開銷。詳情請參見即時語音辨識高並發情境。
介面地址
SDK的介面地址需在初始化前設定為下方地址(包含WorkspaceId)。如需切換到其他地區,請修改 Constants.baseWebsocketApiUrl為對應地區的URL。
- 新加坡
- 華北2(北京)
wss://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api-ws/v1/inference調用時請將{WorkspaceId}替換為真實的Workspace ID。請求參數
通過RecognitionParam的鏈式方法配置模型、採樣率、音頻格式等參數。配置完成的參數對象傳入Recognition類的call/streamCall方法中使用。
點擊查看樣本
點擊查看樣本
| 參數 | 類型 | 是否必須 | 說明 |
|---|---|---|---|
| model | String | 是 | 指定模型名。支援Qwen-Audio-3.0-ASR-Flash-Streaming和Fun-ASR-Realtime系列模型,詳情請參見支援的模型與地區。 |
| sampleRate | Integer | 是 | 採樣率(Hz)。取值範圍:8k模型僅支援 8000 Hz,其他模型支援任意採樣率。 |
| format | String | 是 | 音頻格式。取值範圍:
|
| vocabularyId | String | 否 | 先行編譯熱詞列表 ID。需預先調用建立熱詞列表介面產生,識別時傳入該 ID 即可使用列表中的熱詞。適用於詞彙已知且相對穩定、需要跨請求複用同一詞表的情境。使用方法請參見先行編譯熱詞。 |
| vocabulary | Map<String, Integer> | 否 | 即時熱詞。以索引值對形式傳入,鍵為熱詞文本(string),值為熱詞權重(integer),無需預先建立熱詞列表。權重取值範圍為 [1, 5] 或 50:取 [1, 5] 時值越大模型越傾向輸出該詞;取 50 時為超級熱詞,召回率大幅提升,但超級熱詞數量最多不超過 50 個。適用於臨時性、會話層級的熱詞最佳化。與先行編譯熱詞同時配置時,僅即時熱詞生效。使用方法請參見即時熱詞。vocabulary需要通過 RecognitionParam 執行個體的 parameter 方法或者 parameters 方法進行設定: |
| semantic_punctuation_enabled | boolean | 否 | 是否啟用語義斷句。預設值:false。
semantic_punctuation_enabled需要通過RecognitionParam執行個體的parameter方法或者parameters方法進行設定: |
| max_sentence_silence | Integer | 否 | VAD 斷句靜音閾值(ms)。當一段語音後的靜音時間長度超過該閾值時,系統會判定該句子已結束。當semantic_punctuation_enabled為true時,不作為sentence_end返回依據,但設定過小可能會影響識別效果。預設值:1300。取值範圍:[200, 6000]。max_sentence_silence需要通過RecognitionParam執行個體的parameter方法或者parameters方法進行設定: |
| multi_threshold_mode_enabled | boolean | 否 | 是否啟用多閾值模式。啟用後可防止 VAD 斷句切割過長。預設值:false。multi_threshold_mode_enabled需要通過RecognitionParam執行個體的parameter方法或者parameters方法進行設定: |
| punctuation_prediction_enabled | boolean | 否 | 設定是否在識別結果中自動添加標點:
punctuation_prediction_enabled需要通過RecognitionParam執行個體的parameter方法或者parameters方法進行設定: |
| heartbeat | boolean | 否 | 是否啟用心跳包。預設值:false。
使用該欄位時,SDK版本不能低於2.19.1。 heartbeat需要通過RecognitionParam執行個體的parameter方法或者parameters方法進行設定: |
| language_hints | String[] | 否 | 待識別音頻語種。無預設值,不設定時模型自動識別。對於 Qwen-Audio-3.0-ASR-Flash-Streaming 系列模型,最多支援設定 4 個值,即便設定超出 4 個,也僅前 4 個生效;對於 Fun-ASR-Realtime 系列模型,僅支援設定 1 個值,即便設定多個,也僅第一個生效。
點擊查看支援的語言代碼
language_hints需要通過RecognitionParam執行個體的parameter方法或者parameters方法進行設定: |
| speech_noise_threshold | float | 否 | 語音與噪音的判定閾值,用於調整語音活動檢測(VAD)的靈敏度。取值範圍:[-1.0, 1.0]。取值說明:
speech_noise_threshold需要通過RecognitionParam執行個體的parameter方法或者parameters方法進行設定: |
| special_word_filter | String | 否 | 指定在語音辨識過程中需要處理的敏感詞,並支援對不同敏感詞設定不同的處理方式。詳情請參見敏感詞過濾。special_word_filter需要通過RecognitionParam執行個體的parameter方法或者parameters方法進行設定: |
| input | Map<String, Object> | 否 | 輸入對象,用於傳入對話上下文(context)。上下文用於輔助識別、提升專有詞彙的識別準確率。使用方法詳見快速開始。Map 中需包含 context 鍵,值為 List<Map<String, Object>> 類型的訊息數組,每條訊息包含以下欄位:
使用該欄位時,SDK版本不能低於2.22.23。 input通過RecognitionParam執行個體的input方法進行設定: |
| apiKey | String | 否 | 使用者API Key。 |
關鍵介面
Recognition類
Recognition通過“import com.alibaba.dashscope.audio.asr.recognition.Recognition;”方式引入。它的關鍵介面如下:
| 介面/方法 | 參數 | 傳回值 | 描述 |
|---|---|---|---|
| 無 | 基於回調形式的流式即時識別,該方法不會阻塞當前線程。 | |
| 識別結果 | 基於本地檔案的非流式調用,該方法會阻塞當前線程直到全部音頻讀完,該方法要求所識別檔案具有可讀許可權。 | |
| Flowable<RecognitionResult> | 基於Flowable的流式即時識別。 | |
| 無 | 推送音頻,每次推送的音頻流不宜過大或過小,建議每包音頻時間長度為100ms左右,大小在1KB~16KB之間。識別結果通過回調介面(ResultCallback)的onEvent方法擷取。 | |
| 無 | 無 | 停止即時識別。該方法會阻塞當前線程,直到回調執行個體ResultCallback的onComplete或者onError被調用之後才會解除對當前線程的阻塞。 | |
| code: WebSocket關閉碼(Close Code)reason:關閉原因這兩個參數可參考The WebSocket Protocol文檔進行配置 | true | 在任務結束後,無論是否出現異常都需要關閉WebSocket串連,避免造成串連泄漏。關於如何複用串連提升效率請參考即時語音辨識高並發情境。 | |
| 無 | requestId | 擷取當前任務的requestId,在調用call、streamingCall開始新任務之後可以使用。該方法自2.18.0版本及以後的SDK中才開始提供。 | |
| 無 | 首包延遲 | 擷取首包延遲,從發送第一包音頻到收到首包識別結果延遲,在任務完成後使用。 該方法自2.18.0版本及以後的SDK中才開始提供。 | |
| 無 | 尾包延遲 | 獲得尾包延遲,發送stop指令到最後一包識別結果下發耗時,在任務完成後使用。該方法自2.18.0版本及以後的SDK中才開始提供。 |
回調介面(ResultCallback)
雙向流式調用時,服務端會通過回調的方式,將關鍵流程資訊和資料返回給用戶端。您需要實現回調方法,處理服務端返回的資訊或者資料。
回調方法的實現,通過繼承抽象類別ResultCallback完成,繼承該抽象類別時,您可以指定泛型為RecognitionResult。RecognitionResult封裝了伺服器返回的資料結構。
由於Java支援串連複用,因此沒有onClose和onOpen。
樣本
樣本
| 介面/方法 | 參數 | 傳回值 | 描述 |
|---|---|---|---|
result:即時識別結果(RecognitionResult) | 無 | 當服務有回複時會被回調。 | |
| 無 | 無 | 任務完成後該介面被回調。 | |
e:異常資訊 | 無 | 發生異常時該介面被回調。 |
響應結果
即時識別結果(RecognitionResult)
RecognitionResult代表一次即時識別的結果。
| 介面/方法 | 參數 | 傳回值 | 描述 |
|---|---|---|---|
| 無 | requestId | 擷取requestId。 | |
| 無 | 是否是完整句子,即產生斷句 | 判斷給定句子是否已經結束。 | |
| 無 | 單句資訊(Sentence) | 擷取單句資訊,包括時間戳記和文本資訊等。 |
單句資訊(Sentence)
| 介面/方法 | 參數 | 傳回值 | 描述 |
|---|---|---|---|
| 無 | 句子開始時間,單位為ms | 返回句子開始時間。 | |
| 無 | 句子結束時間,單位為ms | 返回句子結束時間。 | |
| 無 | 識別文本 | 返回識別文本。 | |
| 無 | 字時間戳記資訊(Word)的List集合 | 返回字時間戳記資訊。 |
字時間戳記資訊(Word)
| 介面/方法 | 參數 | 傳回值 | 描述 |
|---|---|---|---|
| 無 | 字開始時間,單位為ms | 返回字開始時間。 | |
| 無 | 字結束時間,單位為ms | 返回字結束時間。 | |
| 無 | 字 | 返回識別的字。 | |
| 無 | 標點 | 返回標點。 |
錯誤碼
如遇報錯問題,請參見錯誤碼進行排查。
若問題仍未解決,請加入開發人員群反饋遇到的問題,並提供Request ID,以便進一步排查問題。
常見問題
功能特性
Q:在長時間靜默的情況下,如何保持與服務端長串連?
將請求參數heartbeat設定為true,並持續向服務端發送靜音音頻。
靜音音頻指的是在音頻檔案或資料流中沒有聲音訊號的內容。靜音音頻可以通過多種方法產生,例如使用音頻編輯軟體如Audacity或Adobe Audition,或者通過命令列工具如FFmpeg。
Q:如何將音頻格式轉換為滿足要求的格式?
可使用FFmpeg工具,更多用法請參見FFmpeg官網。
Q:如何識別本地檔案(錄音檔案)?
識別本地檔案有兩種方式:
-
直接傳入本地檔案路徑:此種方式在最終識別結束後擷取完整識別結果,不適合即時反饋的情境。
參見非流式調用,在Recognition類的
call方法中傳入檔案路徑對錄音檔案直接進行識別。 -
將本地檔案轉成二進位流進行識別:此種方式一邊識別檔案一邊流式擷取識別結果,適合即時反饋的情境。
- 參見雙向流式調用:基於回調,通過Recognition類的
sendAudioFrame方法向服務端發送二進位流對其進行識別。 - 參見雙向流式調用:基於Flowable,通過Recognition類的
streamCall方法向服務端發送二進位流對其進行識別。
- 參見雙向流式調用:基於回調,通過Recognition類的
故障排查
Q:無法識別語音(無識別結果)是什麼原因?
-
請檢查請求參數中的音頻格式(
format)和採樣率(sampleRate/sample_rate)設定是否正確且符合參數約束。以下為常見錯誤樣本:- 音頻副檔名為 .wav,但實際為 MP3 格式,而請求參數
format設定為 mp3(參數設定錯誤)。 - 音頻採樣率為 3600Hz,但請求參數
sampleRate/sample_rate設定為 48000(參數設定錯誤)。
- 音頻副檔名為 .wav,但實際為 MP3 格式,而請求參數
-
請檢查
language_hints設定的語言是否與音頻實際語言一致。 例如:音頻實際為中文,但language_hints設定為en(英文)。 - 若以上檢查均無問題,可通過定製熱詞提升對特定詞語的識別效果。