本文介紹 Qwen-ASR 模型的輸入與輸出參數。可通過OpenAI 相容或DashScope協議調用 API。
使用者指南：模型介紹和選型請參見非即時語音辨識。
不同模型支援的接入方式不同，請根據下表選擇正確的方式進行整合。
與OpenAI相容模式或DashScope同步調用（均為一次請求、立即返回結果）不同，非同步呼叫專為處理長音頻檔案或耗時較長的任務設計，該模式採用“提交-輪詢”的兩步式流程，避免了因長時間等待而導致的請求逾時：
模型接入方式
不同模型支援的接入方式不同，請根據下表選擇正確的方式進行整合。
模型 | 接入方式 |
|---|---|
千問3-ASR-Flash-Filetrans | 僅支援DashScope非同步呼叫方式 |
千問3-ASR-Flash |
OpenAI 相容
URL
- 新加坡
- 美國（維吉尼亞）
- 華北2（北京）
HTTP請求地址：
POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1/chat/completionsSDK調用配置的base_url：https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1調用時請將{WorkspaceId}替換為真實的Workspace ID。請求參數modelstring（必選）模型名稱。僅適用於千問3-ASR-Flash模型。messagesarray（必選）訊息列表。
訊息類型 System Message object（可選）用於為語音辨識提供上下文（Context），如背景文本和實體詞表等參考資訊，不支援設定模型角色等傳統系統提示詞。如果設定系統訊息，請放在messages列表的第一位。
屬性 role string（必選）固定為system。object（必選）使用者發送給模型的訊息。
屬性 content array（必選）使用者訊息的內容。僅允許設定一組訊息。
屬性 string（必選）使用者訊息的角色，固定為user。object（可選）用來指定某些功能是否啟用。
屬性 language string（可選）無預設值若已知音訊語種，可通過該參數指定待識別語種，以提升識別準確率。只能指定一個語種。若音頻語種不確定，或包含多種語種（例如中英日韓混合），請勿指定該參數。
取值範圍
boolean（可選）預設值為false是否啟用ITN（Inverse Text Normalization，逆文本標準化）。該功能僅適用於中文和英文音頻。開啟後，語音辨識結果中的中文數字（如"一百二十三"）或英文數字（如"one hundred"）將自動轉換為阿拉伯數字（如"123"）。參數值：
boolean（可選）預設值為false是否以流式輸出方式回複。相關文檔：流式輸出可選值：
true，可提升閱讀體驗並降低逾時風險。stream_optionsobject（可選）流式輸出的配置項，僅在 stream 為 true 時生效。
屬性 include_usage boolean（可選）預設值為false是否在響應的最後一個資料區塊包含Token消耗資訊。可選值：
流式輸出時，Token 消耗資訊僅可出現在響應的最後一個資料區塊。 |
|
響應參數idstring本次調用的唯一識別碼。choicesarray模型的輸出資訊。
屬性 finish_reason string有三種情況：
integer當前對象在choices數組中的索引。messageobject模型輸出的訊息對象。
屬性 role string輸出訊息的角色，固定為assistant。contentarray語音辨識結果。annotationsarray輸出標註資訊（如語種）
屬性 language string被識別音訊語種。當請求參數language已指定語種時，該值與所指定的參數一致。
取值範圍
string固定為audio_info，表示音頻資訊。emotionstring被識別音訊情感。支援的情感如下：
integer請求建立時的 Unix 時間戳記（秒）。modelstring本次請求使用的模型。objectstring始終為chat.completion。usageobject本次請求的Token消耗資訊。
屬性 completion_tokens integer模型輸出的 Token 數。completion_tokens_details object模型輸出的 Token 細粒度詳情。
屬性 text_tokens integer模型輸出文本的Token數。object輸入的Token數。prompt_tokens_details object輸入的 Token 細粒度詳情。
屬性 audio_tokens integer輸入音頻長度（Token）。音頻轉換Token規則：每秒音頻轉換為25個Token，不足1秒按1秒計算。text_tokens integer無需關注該參數。integer音頻時間長度（秒）。total_tokens integer輸入和輸出總Token數（total_tokens = completion_tokens + prompt_tokens）。 |
DashScope同步調用
URL
- 新加坡
- 美國（維吉尼亞）
- 華北2（北京）
HTTP請求地址：
POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generationSDK調用配置的base_url：https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1調用時請將{WorkspaceId}替換為真實的Workspace ID。請求參數modelstring（必選）模型名稱。僅適用於千問3-ASR-Flash模型。messagesarray（必選）訊息列表。通過HTTP調用時，請將messages放入 input 對象中。
訊息類型 System Message object（可選）用於為語音辨識提供上下文（Context），如背景文本和實體詞表等參考資訊，不支援設定模型角色等傳統系統提示詞。如果設定系統訊息，請放在messages列表的第一位。僅千問3-ASR-Flash支援該參數。
屬性 role string（必選）固定為system。object（必選）使用者發送給模型的訊息。object（可選）用來指定某些功能是否啟用。僅千問3-ASR-Flash支援該參數。
屬性 language string（可選）無預設值若已知音訊語種，可通過該參數指定待識別語種，以提升識別準確率。只能指定一個語種。若音頻語種不確定，或包含多種語種（例如中英日韓混合），請勿指定該參數。
取值範圍
boolean（可選）預設值為false是否啟用ITN（Inverse Text Normalization，逆文本標準化）。該功能僅適用於中文和英文音頻。開啟後，語音辨識結果中的中文數字（如"一百二十三"）或英文數字（如"one hundred"）將自動轉換為阿拉伯數字（如"123"）。參數值：
| 以下樣本為音頻 URL 識別；本地音頻檔案識別樣本請參見快速開始。 |
響應參數request_idstring本次調用的唯一識別碼。Java SDK返回參數為requestId。output object調用結果資訊。
屬性 choices array模型的輸出資訊。當result_format為message時返回choices參數。
屬性 finish_reason string有三種情況：
object模型輸出的訊息對象。
屬性 role string輸出訊息的角色，固定為assistant。contentarray輸出訊息的內容。
屬性 text string語音辨識結果。array輸出標註資訊（如語種）
屬性 language string被識別音訊語種。當請求參數language已指定語種時，該值與所指定的參數一致。
取值範圍
string固定為audio_info，表示音頻資訊。emotionstring被識別音訊情感。支援的情感如下：
object本次請求的Token消耗資訊。
屬性 input_tokens_details object千問3-ASR-Flash輸入內容長度（Token）。
屬性 text_tokens integer無需關注該參數。object千問3-ASR-Flash輸出內容長度（Token）。
屬性 text_tokens integer千問3-ASR-Flash輸出的識別結果文本長度（Token）。integer千問3-ASR-Flash音頻時間長度（秒）。 |
DashScope非同步呼叫
流程說明
與OpenAI相容模式或DashScope同步調用（均為一次請求、立即返回結果）不同，非同步呼叫專為處理長音頻檔案或耗時較長的任務設計，該模式採用“提交-輪詢”的兩步式流程，避免了因長時間等待而導致的請求逾時：
-
第一步：提交任務
- 用戶端發起一個非同步處理請求。
- 伺服器驗證請求後，不會立即執行任務，而是返回一個唯一的
task_id，表示任務已成功建立。
-
第二步：擷取結果
- 用戶端使用擷取到的
task_id，通過輪詢方式反覆調用結果查詢介面。 - 當任務處理完成後，結果查詢介面將返回最終的識別結果。
- 用戶端使用擷取到的
-
使用 SDK（範例程式碼請參見快速開始，請求參數請參見提交任務的請求參數請求參數，返回結果請參見非同步呼叫識別結果說明）
SDK封裝了底層的API調用細節，提供了更便捷的編程體驗。
- 提交任務：調用
async_call()(Python) 或asyncCall()(Java) 方法提交任務。此方法將返回一個包含task_id的任務對象。 - 擷取結果：使用上一步返回的任務對象或
task_id，調用fetch()方法擷取結果。SDK內部會自動處理輪詢邏輯，直到任務完成或逾時。
- 提交任務：調用
-
- 使用 RESTful API
提交任務
URL
- 新加坡
- 華北2（北京）
HTTP請求地址：
POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/audio/asr/transcriptionSDK調用配置的base_url：https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1調用時請將{WorkspaceId}替換為真實的Workspace ID。請求參數modelstring（必選）模型名稱。僅適用於千問3-ASR-Flash-Filetrans模型。inputobject（必選）
屬性 object（可選）
屬性 language string（可選）無預設值若已知音訊語種，可通過該參數指定待識別語種，以提升識別準確率。只能指定一個語種。若音頻語種不確定，或包含多種語種（例如中英日韓混合），請勿指定該參數。
取值範圍
boolean（可選）預設值為false是否啟用ITN（Inverse Text Normalization，逆文本標準化）。該功能僅適用於中文和英文音頻。開啟後，語音辨識結果中的中文數字（如"一百二十三"）或英文數字（如"one hundred"）將自動轉換為阿拉伯數字（如"123"）。參數值：
boolean（可選）預設值為false控制是否返回字層級時間戳記：
array（可選）預設值為[0]指定在多音軌音頻檔案中需要識別的音軌索引，索引從 0 開始。例如，[0] 表示識別第一個音軌，[0, 1] 表示同時識別第一和第二個音軌。如果省略此參數，則預設處理第一個音軌。 |
|
響應參數request_idstring本次調用的唯一識別碼。outputobject調用結果資訊。
屬性 task_id string任務ID。該ID在查詢語音辨識任務介面中作為請求參數傳入。task_statusstring任務狀態：
|
擷取任務執行結果
URL
- 新加坡
- 華北2（北京）
HTTP請求地址：
GET https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/tasks/{task_id}SDK調用配置的base_url：https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1調用時請將{WorkspaceId}替換為真實的Workspace ID。請求參數task_idstring（必選）任務ID。將提交任務返回結果中的task_id作為參數傳入，查詢語音辨識結果。 |
|
響應參數request_idstring本次調用的唯一識別碼。outputobject調用結果資訊。
屬性 task_id string任務ID。該ID在查詢語音辨識任務介面中作為請求參數傳入。task_statusstring任務狀態：
object語音辨識結果。
屬性 transcription_url string識別結果檔案的下載 URL，連結有效期間為 24 小時。到期後無法查詢任務，也無法通過先前的 URL 下載結果。識別結果以 JSON 檔案儲存，可通過該連結下載檔案，或直接使用 HTTP 要求讀取檔案內容。 詳情參見非同步呼叫識別結果說明。 string任務提交時間。schedule_timestring任務調度時間，即開始執行時間。end_timestring任務結束時間。task_metricsobject任務指標，包含子任務狀態的統計資訊。
屬性 TOTAL integer子任務總數。SUCCEEDEDinteger子任務成功數。FAILEDinteger子任務失敗數。string錯誤碼，僅在任務失敗時返回。messagestring錯誤資訊，僅任務失敗時返回。usageobject本次請求的Token消耗資訊。
屬性 seconds integer千問3-ASR-Flash音頻時間長度（秒）。 |
非同步呼叫識別結果說明file_urlstring被識別的音頻檔案URL。audio_infoobject被識別音頻檔案相關資訊。
屬性 format string音頻格式。sample_rate integer音頻採樣率。array完整的識別結果清單，每個元素對應一條音軌的識別內容。
屬性 channel_id integer音軌索引，以0為起始。textstring識別結果文本。sentencesobject句子層級的識別結果清單。
屬性 begin_time integer句子開始時間戳（毫秒）。end_timeinteger句子結束時間戳記（毫秒）。textstring識別結果文本。sentence_idinteger句子索引，以0為起始。languagestring被識別音訊語種。當請求參數language已指定語種時，該值與所指定的參數一致。
取值範圍
string被識別音訊情感。支援的情感如下：
object詞層級的識別結果清單。當請求參數enable_words設為true時展示該結果。
屬性 begin_time integer開始時間戳（毫秒）。end_timeinteger結束時間戳記（毫秒）。textstring識別結果文本。punctuationstring標點符號。 |