实时语音识别（Qwen-ASR-Realtime）客户端事件

用户指南：模型介绍、功能特性和完整示例代码请参见实时语音识别

session.update

用于更新会话配置，建议在 WebSocket 连接建立后首先发送该事件。建议在WebSocket连接建立成功后，立即发送此事件作为交互的第一步。如果未发送，系统将使用默认配置。服务端成功处理此事件后，会发送服务端事件事件作为确认。

参数	类型	是否必须	说明
type	string	是	事件类型。固定为`session.update`。
event_id	string	是	事件ID。
session	object	是	包含会话配置的对象。
session.input_audio_format	string	否	音频格式。支持`pcm`和`opus`。默认值：`pcm`。
session.sample_rate	integer	否	音频采样率（Hz）。支持`16000`和`8000`。默认值：`16000`。设置为 `8000` 时，服务端会先升采样到16000Hz再进行识别，可能引入微小延迟。建议仅在源音频为8000Hz（如电话线路）时使用。
session.input_audio_transcription	object	否	语音识别相关配置。
session.input_audio_transcription.language	string	否	音频源语言。 zh：中文（普通话、四川话、闽南语、吴语） yue：粤语 en：英文 ja：日语 de：德语 ko：韩语 ru：俄语 fr：法语 pt：葡萄牙语 ar：阿拉伯语 it：意大利语 es：西班牙语 hi：印地语 id：印尼语 th：泰语 tr：土耳其语 uk：乌克兰语 vi：越南语 cs：捷克语 da：丹麦语 fil：菲律宾语 fi：芬兰语 is：冰岛语 ms：马来语 no：挪威语 pl：波兰语 sv：瑞典语
session.turn_detection	object	否	VAD（Voice Activity Detection，语音活动检测）配置。它是启用/关闭VAD模式的开关：若将它设为null，则将关闭VAD 模式，启用Manual 模式；反之则相反。
session.turn_detection.type	string	否，`turn_dection`存在时必须	固定为 `server_vad`。
session.turn_detection.threshold	float	否	VAD检测阈值。推荐将该值设为`0.0`。默认值：`0.2`。取值范围：`[-1, 1]`。较低的阈值会提高 VAD 的灵敏度，可能将背景噪音误判为语音。较高的阈值则降低灵敏度，有助于在嘈杂环境中减少误触发。
session.turn_detection.silence_duration_ms	integer	否	VAD断句检测阈值（ms）。静音持续时长超过该阈值将被认为是语句结束。推荐将该值设为`400`。默认值：`800`。取值范围：`[200, 6000]`。较低的值（如 300ms）可使模型更快响应，但可能导致在自然停顿处发生不合理的断句。较高的值（如 1200ms）可更好地处理长句内的停顿，但会增加整体响应延迟。

{
    "event_id": "event_123",
    "type": "session.update",
    "session": {
        "input_audio_format": "pcm",
        "sample_rate": 16000,
        "input_audio_transcription": {
            "language": "zh"
        },
        "turn_detection": {
            "type": "server_vad",
            "threshold": 0.0,
            "silence_duration_ms": 400
        }
    }
}

input_audio_buffer.append

用于将音频数据块追加到服务端的输入缓冲区。这是流式发送音频的核心事件。 不同场景下的区别：

VAD 模式：音频缓冲区用于语音活动检测，服务端会自动决定何时提交音频进行识别。
非VAD模式：客户端可以控制每个事件中的音频数据量，单个 input_audio_buffer.append 事件中的 audio 字段内容最大为 15 MiB。建议流式发送较小的音频块以获得更快的响应。

重要提示：服务端不会对input_audio_buffer.append事件发送任何确认响应。

参数	类型	是否必须	说明
type	string	是	事件类型。固定为`input_audio_buffer.append`。
event_id	string	是	事件ID。
audio	string	是	Base64编码的音频数据。

{
  "event_id": "event_2728",
  "type": "input_audio_buffer.append",
  "audio": "<audio> by base64"
}

input_audio_buffer.commit

非VAD模式下，用于手动触发识别。此事件通知服务端，客户端已发送完一段完整的语音，将当前缓冲区内的所有音频数据作为一个整体进行识别。 禁用场景：VAD模式。服务端成功处理后，会发送input_audio_buffer.committed事件作为确认响应。

参数	类型	是否必须	说明
type	string	是	事件类型。固定为`input_audio_buffer.commit`。
event_id	string	是	事件ID。

{
  "event_id": "event_789",
   "type": "input_audio_buffer.commit"
}

session.finish

用于结束当前会话。服务端响应流程：

已检测到语音：服务端完成最后的语音识别后，发送包含识别结果的conversation.item.input_audio_transcription.completed事件，随后发送session.finished事件作为会话结束标识。
未检测到语音：服务端直接发送session.finished事件。

客户端监听到session.finished事件后，需主动断开连接。

参数	类型	是否必须	说明
type	string	是	事件类型。固定为`session.finish`。
event_id	string	是	事件ID。

{
  "event_id": "event_341",
  "type": "session.finish",
}

​session.update

​input_audio_buffer.append

​input_audio_buffer.commit

​session.finish

session.update

input_audio_buffer.append

input_audio_buffer.commit

session.finish