Modelos de voz a texto para transcripción en tiempo real y de archivos - Alibaba Cloud Model Studio

Elija el modelo adecuado para el reconocimiento de voz en tiempo real o basado en archivos.

Migrar desde modelos de código cerrado

Asigne su servicio actual de Whisper, Deepgram o Google ASR a un equivalente de Bailian.

Caso de uso	Ejemplos de código cerrado	Recomendación de Bailian
Reconocimiento en tiempo real	Deepgram Nova-3, Google Chirp 3	Métodos de entrada y mensajes de voz: `qwen-audio-3.1-asr-flash-message` Transcripción continua: `qwen-audio-3.1-asr-flash-streaming`
Transcripción sin conexión / de archivos	OpenAI gpt-4o-transcribe, Whisper	`qwen-audio-3.1-asr-flash-filetrans`, `qwen-audio-3.1-asr-flash`

Utilice los cuatro "Criterios de selección" —tiempo real frente a sin conexión, terminología de dominio, diarización de hablantes y reconocimiento de emociones— para identificar el modelo adecuado. Luego consulte "Modelos recomendados" para ver las mejores opciones por escenario, "Todos los modelos" para la lista completa de versiones por familia de modelos, y "Especificaciones de audio" para las restricciones de entrada. Los idiomas compatibles (incluidos los dialectos) se enumeran bajo cada familia de modelos en "Todos los modelos".

Criterios de selección

Evalúe cuatro dimensiones para encontrar el modelo adecuado.

¿En tiempo real o sin conexión?

El reconocimiento en tiempo real devuelve resultados a medida que el usuario habla. El reconocimiento sin conexión transcribe un archivo pregrabado después de que finaliza la grabación.

El reconocimiento en tiempo real transmite audio a través de WebSocket. Elija según el caso de uso:
- Entrada de voz corta, como métodos de entrada y mensajes de voz: use qwen-audio-3.1-asr-flash-message para obtener una baja latencia de primer texto y general, pulido de texto opcional y un resultado final revisado cuando termine un segmento de habla.
- Transcripción continua, como reuniones y notas de clase: use qwen-audio-3.1-asr-flash-streaming cuando los usuarios lean los resultados a medida que llegan y la precisión de los resultados intermedios sea prioritaria.
Sin conexión (transcripción de archivos): Utiliza una API HTTP para enviar archivos de audio y recuperar resultados de transcripción. Adecuado para grabaciones de centros de llamadas, podcasts y entrevistas. Modelo recomendado: qwen-audio-3.1-asr-flash-filetrans (palabras clave, contexto de prompt, diarización de hablantes).

Para integraciones de cliente que requieren latencia estable, resiliencia en redes débiles y supresión de ruido y cancelación de eco dúplex completa, consulte la comparación del protocolo AOQ y los modelos compatibles en la Descripción general de la API en tiempo real.

Para opciones de integración HTTP, WebSocket y SDK, consulte la Referencia de la API de reconocimiento de voz. Consulte la documentación correspondiente del SDK para conocer los modelos y parámetros compatibles.

Para integración en tiempo real, consulte Reconocimiento de voz en tiempo real. Para integración sin conexión, consulte Reconocimiento de voz sin conexión.

Terminología de dominio

Dos enfoques, clasificados por flexibilidad:

Inyección de contexto mediante prompt: Describa su dominio en el prompt del sistema. No se requiere configuración; el modelo se adapta por solicitud. Modelos recomendados: qwen-audio-3.1-asr-flash-streaming, qwen-audio-3.1-asr-flash-filetrans y qwen-audio-3.1-asr-flash.
Palabras clave: Proporcione una lista de vocabulario ponderada. Modelos recomendados: qwen-audio-3.1-asr-flash-streaming, qwen-audio-3.1-asr-flash-filetrans y qwen-audio-3.1-asr-flash.

qwen-audio-3.1-asr-flash-message admite palabras clave instantáneas, palabras clave precompiladas y contexto de conversación. Configure vocabulary o vocabulary_id para las palabras clave, y pase las transcripciones anteriores del usuario y las respuestas del asistente a través de input.context. Para las definiciones de parámetros, consulte Eventos del cliente.

Diarización de hablantes

Los modelos sin conexión qwen-audio-3.1-asr-flash, qwen-audio-3.1-asr-flash-filetrans, qwen-audio-3.0-asr-flash-filetrans y Fun-ASR (fun-asr) admiten diarización de hablantes. Para identificar quién dijo qué, utilice qwen-audio-3.1-asr-flash-filetrans.

Reconocimiento de emociones

Los modelos Qwen-ASR detectan emociones junto con la transcripción. Modelos recomendados: qwen3-asr-flash-realtime (tiempo real) o qwen3-asr-flash-filetrans (sin conexión).

Modelos recomendados

Mejores opciones para escenarios comunes.

ID de modelo	Modo	API	Mejora de precisión	Reconocimiento de emociones	Diarización de hablantes	Idiomas	Duración/tamaño máximo de audio
`qwen-audio-3.1-asr-flash-message`	Tiempo real	WebSocket	Palabras clave, Contexto	No compatible	No compatible	Multilingüe con dialectos	—
`qwen-audio-3.1-asr-flash-streaming`	Tiempo real	WebSocket	Palabras clave, contexto del prompt	No compatible	No compatible	Multilingüe con dialectos	Ilimitado
`qwen-audio-3.1-asr-flash-filetrans`	Sin conexión	HTTP	Palabras clave, contexto del prompt	No compatible	Compatible	Multilingüe con dialectos	12 horas / 2 GB

Todos los modelos

Qwen-Audio-ASR-Message

ID de modelo	Modo	API	Mejora de precisión	Reconocimiento de emociones	Diarización de hablantes	Idiomas	Duración/tamaño máximo de audio
`qwen-audio-3.1-asr-flash-message`	Tiempo real	WebSocket	Palabras clave, Contexto	No compatible	No compatible	Multilingüe con dialectos	—

Idiomas admitidos:

qwen-audio-3.1-asr-flash-message: Chino (mandarín, cantonés, wu, hokkien, hakka, gan, xiang, jin; además de acentos regionales que incluyen llanuras centrales, suroeste, ji-lu, jianghuai, lan-yin, jiao-liao, noreste, Pekín y Hong Kong/Taiwán —abarcando los acentos de Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nankín, Jiangsu, Hangzhou, Gansu y Ningxia), inglés, japonés, coreano, vietnamita, tailandés, indonesio, malayo, filipino, hindi, árabe, francés, alemán, español, portugués, ruso, italiano, neerlandés, sueco, danés, finés, noruego, griego, polaco, checo, húngaro, rumano, búlgaro, croata, eslovaco

Qwen-Audio-ASR-Streaming

ID de modelo	Modo	API	Mejora de precisión	Reconocimiento de emociones	Diarización de hablantes	Idiomas	Duración/tamaño máximo de audio
`qwen-audio-3.1-asr-flash-streaming`	Tiempo real	WebSocket	Palabras clave, contexto del prompt	No compatible	No compatible	Multilingüe con dialectos	Ilimitado
`qwen-audio-3.0-asr-flash-streaming`	Tiempo real	WebSocket	Palabras clave, contexto del prompt	No compatible	No compatible	Multilingüe con dialectos	Ilimitado

Idiomas compatibles (por versión):

qwen-audio-3.1-asr-flash-streaming, qwen-audio-3.0-asr-flash-streaming: Chino (mandarín, cantonés, wu, hokkien, hakka, gan, xiang, jin; además de acentos regionales que incluyen llanuras centrales, suroeste, ji-lu, jianghuai, lan-yin, jiao-liao, nororiental, pekinés y Hong Kong/Taiwán —abarcando acentos de Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nankín, Jiangsu, Hangzhou, Gansu y Ningxia), inglés, japonés, coreano, vietnamita, tailandés, indonesio, malayo, filipino, hindi, árabe, francés, alemán, español, portugués, ruso, italiano, neerlandés, sueco, danés, finés, noruego, griego, polaco, checo, húngaro, rumano, búlgaro, croata, eslovaco

Qwen-Audio-ASR-Filetrans

ID de modelo	Modo	API	Mejora de precisión	Reconocimiento de emociones	Diarización de hablantes	Idiomas	Duración/tamaño máximo de audio
`qwen-audio-3.1-asr-flash-filetrans`	Sin conexión	HTTP	Palabras clave, contexto del prompt	No compatible	Compatible	Multilingüe con dialectos	12 horas / 2 GB
`qwen-audio-3.0-asr-flash-filetrans`	Sin conexión	HTTP	Palabras clave, contexto del prompt	No compatible	Compatible	Multilingüe con dialectos	12 horas / 2 GB

Idiomas compatibles (por versión):

qwen-audio-3.1-asr-flash-filetrans, qwen-audio-3.0-asr-flash-filetrans: Chino (mandarín, cantonés, wu, hokkien, hakka, gan, xiang, jin; además de acentos regionales que incluyen llanuras centrales, suroeste, ji-lu, jianghuai, lan-yin, jiao-liao, nororiental, pekinés y Hong Kong/Taiwán —abarcando acentos de Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nankín, Jiangsu, Hangzhou, Gansu y Ningxia), inglés, japonés, coreano, vietnamita, tailandés, indonesio, malayo, filipino, hindi, árabe, francés, alemán, español, portugués, ruso, italiano, neerlandés, sueco, danés, finés, noruego, griego, polaco, checo, húngaro, rumano, búlgaro, croata, eslovaco

Qwen-Audio-ASR

ID de modelo	Modo	API	Mejora de precisión	Reconocimiento de emociones	Diarización de hablantes	Idiomas	Duración/tamaño máximo de audio
`qwen-audio-3.1-asr-flash`	Sin conexión	HTTP	Palabras clave, contexto del prompt	No compatible	Compatible	Multilingüe con dialectos	5 minutos / 2 GB
`qwen-audio-3.0-asr-flash`	Sin conexión	HTTP	Palabras clave, contexto del prompt	No compatible	No compatible	Multilingüe con dialectos	5 minutos / 2 GB

Idiomas compatibles (por versión):

qwen-audio-3.1-asr-flash, qwen-audio-3.0-asr-flash: Chino (mandarín, cantonés, wu, hokkien, hakka, gan, xiang, jin; además de acentos regionales que incluyen llanuras centrales, suroeste, ji-lu, jianghuai, lan-yin, jiao-liao, nororiental, pekinés y Hong Kong/Taiwán —abarcando acentos de Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nankín, Jiangsu, Hangzhou, Gansu y Ningxia), inglés, japonés, coreano, vietnamita, tailandés, indonesio, malayo, filipino, hindi, árabe, francés, alemán, español, portugués, ruso, italiano, neerlandés, sueco, danés, finés, noruego, griego, polaco, checo, húngaro, rumano, búlgaro, croata, eslovaco

Fun-ASR

ID de modelo	Modo	API	Mejora de precisión	Reconocimiento de emociones	Diarización de hablantes	Idiomas	Duración/tamaño máximo de audio
`fun-asr-realtime`	Tiempo real	WebSocket	Palabras clave	No compatible	No compatible	Multilingüe con dialectos	Ilimitado
`fun-asr-realtime-2026-02-28`	Tiempo real	WebSocket	Palabras clave	No compatible	No compatible	Chino, inglés, japonés y dialectos	Ilimitado
`fun-asr-flash-8k-realtime`	Tiempo real	WebSocket	Palabras clave	No compatible	No compatible	Chino	Ilimitado
`fun-asr-flash-8k-realtime-2026-01-28`	Tiempo real	WebSocket	Palabras clave	No compatible	No compatible	Chino	Ilimitado
`fun-asr`	Sin conexión	HTTP	Palabras clave	No compatible	Compatible	Multilingüe con dialectos	12 horas / 2 GB
`fun-asr-flash-2026-06-15`	Sin conexión	HTTP	Contexto del prompt	No compatible	No compatible	Multilingüe con dialectos	5 minutos / 2 GB

Idiomas compatibles (por versión):

Versión principal de Fun-ASR-Realtime (fun-asr-realtime): Chino (mandarín, cantonés, wu, hokkien, hakka, gan, xiang, jin; además de acentos regionales que incluyen llanuras centrales, suroeste, ji-lu, jianghuai, lan-yin, jiao-liao, nororiental, pekinés y Hong Kong/Taiwán —abarcando acentos de Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nankín, Jiangsu, Hangzhou, Gansu y Ningxia), inglés, japonés, coreano, vietnamita, tailandés, indonesio, malayo, filipino, hindi, árabe, francés, alemán, español, portugués, ruso, italiano, neerlandés, sueco, danés, finés, noruego, griego, polaco, checo, húngaro, rumano, búlgaro, croata, eslovaco
fun-asr-realtime-2026-02-28: Chino (mandarín, cantonés, wu, hokkien, hakka, gan, xiang, jin; además de acentos regionales que incluyen llanuras centrales, suroeste, ji-lu, jianghuai, lan-yin, jiao-liao, nororiental, pekinés y Hong Kong/Taiwán —abarcando acentos de Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nankín, Jiangsu, Hangzhou, Gansu y Ningxia), inglés, japonés
Fun-ASR-Flash-Realtime(8K) (fun-asr-flash-8k-realtime, fun-asr-flash-8k-realtime-2026-01-28): Chino
Versiones principales de Fun-ASR (fun-asr): Chino (mandarín, cantonés, wu, hokkien, hakka, gan, xiang, jin; además de acentos regionales que incluyen llanuras centrales, suroeste, ji-lu, jianghuai, lan-yin, jiao-liao, nororiental, pekinés y Hong Kong/Taiwán —abarcando acentos de Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nankín, Jiangsu, Hangzhou, Gansu y Ningxia), inglés, japonés, coreano, vietnamita, tailandés, indonesio, malayo, filipino, hindi, árabe, francés, alemán, español, portugués, ruso, italiano, neerlandés, sueco, danés, finés, noruego, griego, polaco, checo, húngaro, rumano, búlgaro, croata, eslovaco
Fun-ASR-Flash (fun-asr-flash-2026-06-15): Chino (mandarín, cantonés, wu, hokkien, hakka, gan, xiang, jin; además de acentos regionales que incluyen llanuras centrales, suroeste, ji-lu, jianghuai, lan-yin, jiao-liao, nororiental, pekinés y Hong Kong/Taiwán —abarcando acentos de Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nankín, Jiangsu, Hangzhou, Gansu y Ningxia), inglés, japonés, coreano, vietnamita, tailandés, indonesio, malayo, filipino, hindi, árabe, francés, alemán, español, portugués, ruso, italiano, neerlandés, sueco, danés, finés, noruego, griego, polaco, checo, húngaro, rumano, búlgaro, croata, eslovaco

Qwen-ASR

ID de modelo	Modo	API	Mejora de precisión	Reconocimiento de emociones	Diarización de hablantes	Idiomas	Duración/tamaño máximo de audio
`qwen3-asr-flash-realtime`	Tiempo real	WebSocket	No compatible	Compatible	No compatible	Multilingüe con dialectos	Ilimitado
`qwen3-asr-flash-filetrans`	Sin conexión	HTTP	No compatible	Compatible	No compatible	Multilingüe con dialectos	12 horas / 2 GB
`qwen3-asr-flash`	Sin conexión	HTTP (compatible con OpenAI)	No compatible	Compatible	No compatible	Multilingüe con dialectos	5 minutos / 10 MB

Idiomas compatibles: Todos los modelos Qwen-ASR (qwen3-asr-flash-realtime, qwen3-asr-flash-filetrans, qwen3-asr-flash) comparten la misma lista de idiomas: chino (mandarín, sichuanés, hokkien, wu, cantonés), inglés, japonés, alemán, coreano, ruso, francés, portugués, árabe, italiano, español, hindi, indonesio, tailandés, turco, ucraniano, vietnamita, checo, danés, filipino, finés, islandés, malayo, noruego, polaco, sueco.

Paraformer

Paraformer es una familia de modelos ASR de generación anterior. Migre a Fun-ASR o Qwen-ASR cuando sea posible.

ID de modelo	API	Descripción
`paraformer-realtime-v2`	WebSocket	Reconocimiento en tiempo real; chino, inglés, japonés, coreano, alemán, francés, ruso
`paraformer-realtime-8k-v2`	WebSocket	Reconocimiento en tiempo real para telefonía de 8 kHz; chino
`paraformer-v2`	HTTP	Transcripción de archivos con diarización de hablantes; chino, inglés, japonés, coreano, alemán, francés, ruso
`paraformer-8k-v2`	HTTP	Transcripción de archivos para telefonía de 8 kHz; chino

Idiomas compatibles (por versión):

paraformer-realtime-v2, paraformer-v2: Chino (mandarín, cantonés, wu, hokkien, nororiental, gansu, guizhou, henan, hubei, hunan, ningxia, shanxi, shaanxi, shandong, sichuan, tianjin, jiangxi, yunnan, shanghainés), inglés, japonés, coreano, alemán, francés, ruso
paraformer-realtime-8k-v2, paraformer-8k-v2: Chino (mandarín)

Especificaciones de audio

Especificaciones de audio para los modos en tiempo real y sin conexión. Para consultar los idiomas compatibles, consulte la subsección de familia de modelos en "Todos los modelos".

Tiempo real

ID de modelo	Método de entrada	Formato de audio	Tasa de muestreo	Tamaño/duración
`qwen-audio-3.1-asr-flash-message`	Flujo binario	`pcm`, `wav`, `mp3`, `opus`, `speex`, `aac`, `amr`	16 kHz	—
`qwen-audio-3.1-asr-flash-streaming`, `qwen-audio-3.0-asr-flash-streaming`	Flujo binario	`pcm`, `wav`, `mp3`, `opus`, `speex`, `aac`, `amr`	Cualquiera	Ilimitado
Serie Fun-ASR-Realtime (`fun-asr-realtime`, etc.)	Flujo binario	`pcm`, `wav`, `mp3`, `opus`, `speex`, `aac`, `amr`	Cualquiera	Ilimitado
Serie Fun-ASR-Flash-8K-Realtime (`fun-asr-flash-8k-realtime`, etc.)	Flujo binario	Igual que Fun-ASR-Realtime	8 kHz	Ilimitado
`qwen3-asr-flash-realtime`	Flujo binario	`pcm`, `opus`	8 kHz, 16 kHz	Ilimitado
`paraformer-realtime-v2`, `paraformer-realtime-8k-v2`	Flujo binario	Igual que Fun-ASR-Realtime	`paraformer-realtime-v2` cualquier tasa; `paraformer-realtime-8k-v2` 8 kHz	Ilimitado

Todos los modelos en tiempo real aceptan únicamente entrada mono (un solo canal).

Sin conexión

ID de modelo	Método de entrada	Formato de audio	Tasa de muestreo	Tamaño/duración del archivo
`qwen-audio-3.1-asr-flash-filetrans`, `qwen-audio-3.0-asr-flash-filetrans`	URL de archivo de acceso público; 1 URL por solicitud	`aac`, `amr`, `avi`, `flac`, `flv`, `m4a`, `mkv`, `mov`, `mp3`, `mp4`, `mpeg`, `ogg`, `opus`, `wav`, `webm`, `wma`, `wmv`	Cualquiera	≤2 GB; ≤12 horas (se recomiendan ≤2 horas cuando la diarización de hablantes está habilitada)
`qwen-audio-3.1-asr-flash`	URL / Base64; 1 archivo por solicitud	`aac`, `amr`, `avi`, `flac`, `flv`, `m4a`, `mkv`, `mov`, `mp3`, `mp4`, `mpeg`, `ogg`, `opus`, `wav`, `webm`, `wma`, `wmv`	Cualquiera	≤2 GB; ≤5 minutos
`qwen-audio-3.0-asr-flash`	URL / Base64; 1 archivo por solicitud	`aac`, `amr`, `avi`, `flac`, `flv`, `m4a`, `mkv`, `mov`, `mp3`, `mp4`, `mpeg`, `ogg`, `opus`, `wav`, `webm`, `wma`, `wmv`	Cualquiera	≤10 MB; ≤5 minutos
`fun-asr`	URL de archivo de acceso público; 1 URL por solicitud	`aac`, `amr`, `avi`, `flac`, `flv`, `m4a`, `mkv`, `mov`, `mp3`, `mp4`, `mpeg`, `ogg`, `opus`, `wav`, `webm`, `wma`, `wmv`	Cualquiera	≤2 GB; ≤12 horas (se recomiendan ≤2 horas cuando la diarización de hablantes está habilitada)
`fun-asr-flash-2026-06-15`	URL / Base64; 1 archivo por solicitud	`aac`, `amr`, `avi`, `flac`, `flv`, `m4a`, `mkv`, `mov`, `mp3`, `mp4`, `mpeg`, `ogg`, `opus`, `wav`, `webm`, `wma`, `wmv`	Cualquiera	≤2 GB; ≤5 minutos
`paraformer-v2`, `paraformer-8k-v2`	Igual que Fun-ASR	Igual que Fun-ASR	paraformer-v2 cualquier tasa; `paraformer-8k-v2` solo 8 kHz	Igual que Fun-ASR
`qwen3-asr-flash-filetrans`	URL de archivo de acceso público; 1 URL por solicitud	`aac`, `amr`, `avi`, `flac`, `flv`, `m4a`, `mkv`, `mov`, `mp3`, `mp4`, `mpeg`, `ogg`, `opus`, `wav`, `webm`, `wma`, `wmv`	`pcm` requiere 16 kHz; otros formatos aceptan cualquier tasa (el servidor remuestrea a 16 kHz antes del reconocimiento)	≤2 GB; ≤12 horas
`qwen3-asr-flash`	URL / Base64 / ruta absoluta de archivo local; 1 archivo por solicitud	`aac`, `amr`, `avi`, `aiff`, `flac`, `flv`, `mkv`, `mp3`, `mpeg`, `ogg`, `opus`, `wav`, `webm`, `wma`, `wmv`	`pcm` requiere 16 kHz; otros formatos aceptan cualquier tasa (el servidor remuestrea a 16 kHz antes del reconocimiento)	≤10 MB; ≤5 minutos