Alibaba Cloud Model Studio:Síntesis y reconocimiento de voz

Referencia de comandos de la CLI Bailian para síntesis de voz (TTS), reconocimiento de voz (ASR) y administración de vocabularios de palabras clave.

Un único comando invoca las capacidades de síntesis y reconocimiento de voz de Bailian desde la terminal, con administración de vocabularios de palabras clave para mejorar la precisión.

Síntesis de voz

bl speech synthesize

Generar voz a partir de texto. Requiere autenticación con clave de API.

Uso

bl speech synthesize --text <text> [flags]

Parámetro	Tipo	Obligatorio	Descripción
--text <text>	string	No	Texto para sintetizar en voz (o use --text-file)
--text-file <path>	string	No	Leer texto desde un archivo en lugar de --text
--model <model>	string	No	ID del modelo (predeterminado: modelo TTS configurado en el perfil, de lo contrario cosyvoice-v3-flash). Las voces del sistema varían según el modelo
--voice <voice>	string	No	ID de voz. Use --list-voices para el modelo seleccionado (por ejemplo, qwen-audio-3.0-tts-plus/flash, cosyvoice-v3-flash); para v3.5-flash proporcione un ID de voz clonada/diseño
--list-voices	switch	No	Listar voces del sistema integradas para el modelo seleccionado y salir (se muestra un vínculo de consola en la salida)
--format <format>	string	No	Formato de audio: mp3, pcm, wav, opus (predeterminado: mp3; predeterminado para transmisión: pcm)
--sample-rate <rate>	string	No	Tasa de muestreo de audio en Hz (por ejemplo, 24000)
--volume <volume>	string	No	Volumen 0-100 (predeterminado: 50)
--rate <rate>	string	No	Velocidad de habla 0.5-2.0 (predeterminado: 1.0)
--pitch <pitch>	string	No	Multiplicador de tono 0.5-2.0 (predeterminado: 1.0)
--seed <seed>	string	No	Semilla aleatoria 0-65535 para síntesis reproducible
--language <lang>	string	No	Pista de idioma (por ejemplo, zh, en, ja, ko, fr, de)
--instruction <text>	string	No	Instrucción en lenguaje natural para controlar el estilo de voz (por ejemplo, "Usar un tono suave")
--enable-ssml	switch	No	Habilitar análisis de marcado SSML en el texto de entrada
--out <path>	string	No	Guardar audio en archivo (predeterminado: generación automática en directorio temporal)
--stream	switch	No	Transmitir audio crudo PCM a stdout (redirigir a reproductor)
--concurrent <n>	number	No	Ejecutar N solicitudes simultáneas (predeterminado: 1)

Ejemplo: Sintetizar voz a partir de texto usando un modelo TTS

bl speech synthesize --list-voices --model qwen-audio-3.0-tts-plus

Reconocimiento de voz

bl speech recognize

Reconocer voz a partir de archivos de audio (FunAudio-ASR / Qwen-ASR Flash). Requiere autenticación con clave de API.

Uso

bl speech recognize --url <audio-url> [flags]

Parámetro	Tipo	Obligatorio	Descripción
--url <url>	array	Sí	URL de archivo de audio o ruta de archivo local (repetible, máximo 100)
--model <model>	string	No	ID del modelo (predeterminado: modelo ASR configurado en el perfil, de lo contrario fun-asr). Asíncrono: fun-asr / -filetrans / paraformer-; sincronizado: qwen3-asr-flash* / fun-asr-flash* / qwen-audio-*-asr-flash
--language <lang>	string	No	Pista de idioma (por ejemplo, zh, en, ja). Clásico asíncrono/entrada-audio: language_hints; qwen3-filetrans: language; qwen3 sincronizado: asr_options.language
--diarization	switch	No	Habilitar diarización automática de hablantes
--speaker-count <n>	number	No	Número esperado de hablantes (requiere --diarization)
--vocabulary-id <id>	string	No	ID de vocabulario de palabras clave precompilado (cree uno mediante speech vocabulary create). Su target_model debe coincidir exactamente con --model, de lo contrario se ignora silenciosamente. Soporte más amplio de modelos que --vocabulary, incluyendo Fun-ASR y Paraformer
--vocabulary <json>	string	No	Palabras clave instantáneas como objeto JSON de palabra→peso, por ejemplo '{"Fendouzhe":4}'. Peso 1-5 (se recomienda 4; valores más altos pueden afectar otras palabras), 50 para palabra clave super fuerte. No se requiere vocabulario precompilado. Solo tiene efecto en modelos Qwen-Audio-3.0-ASR-Flash
--context <text>	string	No	Lista de palabras de mejora de contexto para aumentar la precisión en nombres propios; debe contener las palabras objetivo (una descripción de tema sola tiene poco efecto); máximo 400 caracteres. Solo tiene efecto en modelos Qwen-Audio-3.0-ASR-Flash y Fun-ASR-Flash
--channel-id <n>	number	No	ID de canal de audio (predeterminado: 0)
--out <path>	string	No	Guardar resultado completo de transcripción en archivo JSON
--async	switch	No	Devolver ID de tarea asíncrona sin esperar
--poll-interval <seconds>	number	No	Intervalo de sondeo en segundos (predeterminado: 2)

Ejemplo: Reconocer voz a partir de una URL de archivo de audio

bl speech recognize --url https://example.com/audio.mp3

Administración de vocabularios de palabras clave

Administrar vocabularios de palabras clave precompilados reutilizables para mejorar la precisión del ASR en nombres propios.

bl speech vocabulary create

Crear un vocabulario de palabras clave precompilado para ASR. Requiere autenticación con clave de API.

Uso

bl speech vocabulary create --model <model> --prefix <prefix> (--words <json> | --words-file <path>) [flags]

Parámetro	Tipo	Obligatorio	Descripción
--model <model>	string	Sí	Modelo ASR para el cual se crea este vocabulario. Debe coincidir exactamente con el --model pasado a speech recognize posteriormente, de lo contrario el vocabulario se ignora silenciosamente
--prefix <prefix>	string	Sí	Prefijo personalizado de vocabulario. Solo dígitos y letras minúsculas, máximo 10 caracteres
--words <json>	string	No	Palabras clave como objeto JSON de palabra→peso, por ejemplo '{"Fendouzhe":4}'; o la matriz de entrada de la API para lenguaje por entrada. Peso 1-5 (se recomienda 4); cuando el target_model del vocabulario es un modelo de serie Qwen-Audio-3.0-ASR-Flash, también se permite 50 como palabra clave super fuerte. O use --words-file
--words-file <path>	string	No	Archivo JSON con las palabras clave (use - para stdin)
--lang <code>	string	No	Código de idioma aplicado a cada palabra clave al usar forma de objeto (opcional; ignorado para forma de matriz). Paraformer: zh/en/ja/yue/ko/de/fr/ru; Fun-ASR: zh/en/ja

Ejemplo: Crear un vocabulario de palabras clave para ASR con palabras personalizadas

bl speech vocabulary create --model fun-asr --prefix demo --words '{"Fendouzhe":4,"Jingluo":4}'

• El parámetro --model debe coincidir exactamente con el --model usado posteriormente con speech recognize --vocabulary-id; una discrepancia causa falla silenciosa sin error.

bl speech vocabulary list

Listar vocabularios de palabras clave precompilados. Requiere autenticación con clave de API.

Uso

bl speech vocabulary list [--prefix <prefix>] [--page <n>] [--page-size <n>]

Parámetro	Tipo	Obligatorio	Descripción
--prefix <prefix>	string	No	Filtrar por prefijo de vocabulario
--page <n>	number	No	Número de página, basado en 1 (predeterminado: 1). Mapeado a page_index de la API (basado en 0) como page - 1
--page-size <n>	number	No	Resultados por página (predeterminado: 10)

Ejemplo: Listar vocabularios de palabras clave precompilados por prefijo

bl speech vocabulary list --prefix demo

• Las respuestas de lista no incluyen target_model; use speech vocabulary get para inspeccionar el modelo para el cual se creó un vocabulario.
• Los vocabularios con estado UNDEPLOYED se ignoran silenciosamente por el ASR.

bl speech vocabulary get

Obtener detalles de un vocabulario de palabras clave precompilado. Requiere autenticación con clave de API.

Uso

bl speech vocabulary get --id <id>

Parámetro	Tipo	Obligatorio	Descripción
--id <id>	string	Sí	ID del vocabulario de palabras clave

Ejemplo: Recuperar detalles de un vocabulario específico de palabras clave

bl speech vocabulary get --id vocab-demo-xxx

• Use este comando para confirmar target_model antes de llamar a speech recognize --vocabulary-id; una discrepancia de modelo causa falla silenciosa.

bl speech vocabulary update

Reemplazar el contenido de un vocabulario de palabras clave precompilado. Requiere autenticación con clave de API.

Uso

bl speech vocabulary update --id <id> (--words <json> | --words-file <path>) [flags]

Parámetro	Tipo	Obligatorio	Descripción
--id <id>	string	Sí	ID del vocabulario de palabras clave
--words <json>	string	No	Palabras clave como objeto JSON de palabra→peso, por ejemplo '{"Fendouzhe":4}'; o la matriz de entrada de la API para lenguaje por entrada. Peso 1-5 (se recomienda 4); cuando el target_model del vocabulario es un modelo de serie Qwen-Audio-3.0-ASR-Flash, también se permite 50 como palabra clave super fuerte. O use --words-file
--words-file <path>	string	No	Archivo JSON con las palabras clave (use - para stdin)
--lang <code>	string	No	Código de idioma aplicado a cada palabra clave al usar forma de objeto (opcional; ignorado para forma de matriz). Paraformer: zh/en/ja/yue/ko/de/fr/ru; Fun-ASR: zh/en/ja
--yes	switch	No	Confirmar esta operación de alto riesgo

Ejemplo: Previsualizar la actualización de un vocabulario de palabras clave con palabras especificadas

bl speech vocabulary update --id vocab-demo-xxx --words '{"Fendouzhe":4}' --dry-run

• update realiza un reemplazo completo, no una adición. Se recomienda usar --dry-run primero para previsualizar el vocabulario completo que se escribirá.

bl speech vocabulary delete

Elimina un vocabulario de palabras clave precompilado. Requiere autenticación con clave de API.

Uso

bl speech vocabulary delete --id <id>

Parámetro	Tipo	Obligatorio	Descripción
--id <id>	string	Sí	ID del vocabulario de palabras clave
--yes	switch	No	Confirmar esta operación de alto riesgo

Ejemplo: Previsualizar la eliminación del vocabulario de palabras clave

bl speech vocabulary delete --id vocab-demo-xxx --dry-run