Qwen-ASR即時語音辨識WebSocket API

使用者指南：關於模型介紹和選型建議請參見語音辨識，範例程式碼請參見即時語音辨識。

​

介面地址

WebSocket URL 固定如下，通過查詢參數 model 指定要調用的模型名稱（將 <model_name> 替換為實際的模型）：

​

要求標頭

要求標頭中需添加如下資訊：

參數	類型	是否必選	說明
Authorization	string	是	鑒權令牌，格式為 Bearer <your_api_key>，將 <your_api_key> 替換為實際的 API Key。
user-agent	string	否	用戶端標識，便於服務端追蹤來源。
X-DashScope-WorkSpace	string	否	阿里雲百鍊業務空間ID。
X-DashScope-DataInspection	string	否	是否啟用資料合規檢測功能。預設不傳或設為enable。如非必要，請勿啟用該參數。

​

互動流程

用戶端事件和服務端事件的詳細說明，請參見用戶端事件和服務端事件。 支援兩種互動模式：

• VAD 模式（預設）：服務端自動檢測語音的起點和終點（斷句），適用於即時對話、會議記錄等情境。
• Manual 模式：由用戶端控制斷句，適用於用戶端能明確判斷語句邊界的情境，如聊天軟體中的發送語音。

​

VAD 模式（預設）

服務端自動檢測語音的起點和終點（斷句）。開發人員只需持續發送音頻流，服務端會在檢測到一句話結束時自動返回最終識別結果。此模式適用於即時對話、會議記錄等情境。 啟用方式：配置用戶端session.update事件的session.turn_detection參數。

• 用戶端通過發送input_audio_buffer.append事件將音頻追加到緩衝區。
• 服務端在檢測到語音時返回input_audio_buffer.speech_started事件。 注意：如果用戶端尚未收到該事件，就直接發送session.finish結束會話，服務端會直接返回session.finished事件，隨後用戶端需主動中斷連線。
• 用戶端繼續發送input_audio_buffer.append事件提交音頻。
• 用戶端在音頻提交完後，發送session.finish事件通知服務端結束當前會話。
  在 VAD 模式下，推完音頻後必須先發送session.finish事件再關閉串連。如果用戶端直接關閉 WebSocket 串連而未發送該事件，服務端將丟棄當前 in_progress item，conversation.item.input_audio_transcription.completed 等事件將不會到達。建議在調用 ws.Close() 之前，先發送 {"type":"session.finish"}，並等待收到session.finished事件後再關閉串連。
• 服務端在檢測到語音結束時返回input_audio_buffer.speech_stopped事件。
• 服務端返回input_audio_buffer.committed事件。
• 服務端返回conversation.item.created事件。
• 服務端返回conversation.item.input_audio_transcription.text事件，其中包含語音辨識即時結果。
• 服務端返回conversation.item.input_audio_transcription.completed事件，其中包含語音辨識最終結果。
• 服務端返回session.finished事件，通知用戶端識別結束，此時用戶端需要主動中斷連線。

​

Manual 模式

由用戶端控制斷句。用戶端需要發送完一整句話的音頻後，再發送一個input_audio_buffer.commit事件來通知服務端。此模式適用於用戶端能明確判斷語句邊界的情境，如聊天軟體中的發送語音。 啟用方式：將用戶端session.update事件的session.turn_detection設為null。

• 用戶端通過發送input_audio_buffer.append事件將音頻追加到緩衝區。
• 用戶端通過發送input_audio_buffer.commit事件來提交輸入音頻緩衝區。 該提交會在對話中建立一個新的使用者訊息項。
• 用戶端發送session.finish事件通知服務端結束當前會話。
• 服務端返回input_audio_buffer.committed事件進行響應。
• 服務端返回conversation.item.input_audio_transcription.text事件，其中包含語音辨識即時結果。
• 服務端返回conversation.item.input_audio_transcription.completed事件，其中包含語音辨識最終結果。
• 服務端返回session.finished事件，通知用戶端識別結束，此時用戶端需要主動中斷連線。