Este tema describe los parámetros y los detalles de la interfaz de la API HTTP para el reconocimiento de voz no en tiempo real con Qwen-Audio-3.x-ASR-Flash-Filetrans y Fun-ASR.
Guía del usuario:Reconocimiento de voz no en tiempo real. Para los requisitos de entrada, como formatos de audio compatibles, límites de tamaño de archivo y límites de duración, consulte Especificaciones de audio.
Funcionamiento
A diferencia de las llamadas síncronas de DashScope, que devuelven el resultado inmediatamente en una sola solicitud, las llamadas asíncronas están diseñadas para archivos de audio largos o tareas que consumen mucho tiempo. Este modo utiliza un flujo de dos pasos de envío y sondeo que evita los tiempos de espera de solicitud causados por largas esperas:
-
Paso 1: Enviar la tarea.
- El cliente envía una solicitud de procesamiento asíncrono.
- Después de validar la solicitud, el servidor no ejecuta la tarea inmediatamente. En su lugar, devuelve un
task_idúnico para indicar que la tarea se creó correctamente.
-
Paso 2: Recuperar el resultado.
- El cliente utiliza el
task_iddevuelto para sondear repetidamente la interfaz de consulta. - Cuando la tarea finaliza, la interfaz de consulta devuelve el resultado final del reconocimiento.
- El cliente utiliza el
Endpoints de servicio
Singapore
Interfaz de envío de tareas: POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/audio/asr/transcription
Interfaz de consulta de tareas: GET https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/tasks/{task_id}
Reemplace {WorkspaceId} con su ID de espacio de trabajo real.
China (Beijing)
Interfaz de envío de tareas: POST https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/audio/asr/transcription
Interfaz de consulta de tareas: GET https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/tasks/{task_id}
Reemplace {WorkspaceId} con su ID de espacio de trabajo real.
ImportanteAlibaba Cloud Model Studio ha lanzado dominios específicos del espacio de trabajo para las regiones China (Pekín) y Singapore. Los nuevos dominios dedicados ofrecen un rendimiento superior y una mayor estabilidad para las solicitudes de inferencia. Recomendamos migrar a los nuevos dominios:
- China (Pekín): de
dashscope.aliyuncs.coma{WorkspaceId}.cn-beijing.maas.aliyuncs.com - Singapur: de
dashscope-intl.aliyuncs.coma{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com
Reemplace {WorkspaceId} con su ID de espacio de trabajo real. Los dominios existentes permanecen totalmente funcionales.
ImportanteCuando envíe una tarea con el nuevo dominio (https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com), el cuerpo de la solicitud debe incluir el objeto parameters. Incluso si no necesita establecer ningún parámetro, pase un objeto vacío {}. De lo contrario, la tarea se envía correctamente pero el reconocimiento falla.
Encabezados de solicitud
Parámetro | Tipo | Obligatorio | Descripción |
|---|---|---|---|
Authorization | string | Sí | Token de autenticación en el formato |
Content-Type | string | Sí | El tipo de medio del cuerpo de la solicitud. Requerido solo para la interfaz de envío de tareas. Valor fijo: |
X-DashScope-Async | string | Sí | El indicador de tarea asíncrona. Requerido solo para la interfaz de envío de tareas. Valor fijo: |
Interfaz de envío de tareas
Envía una tarea de reconocimiento de voz. Esta interfaz responde de forma asíncrona, por lo que debe sondear el estado de la tarea con la Interfaz de consulta de tareas.
Cuerpo de la solicitudmodel El nombre del modelo. Los valores admitidos incluyen las familias de modelos Qwen-Audio-3.x-ASR-Flash-Filetrans y Fun-ASR. Para más detalles, consulte Modelos y regiones admitidos. input El objeto de parámetros de entrada. parameters El objeto de parámetros de solicitud. ImportanteCuando llame a Cuando utilice el nuevo dominio ( | Llamada básicaEl siguiente ejemplo utiliza la región Singapore. Reemplace "{WorkspaceId}" con su ID de espacio de trabajo real. La configuración varía según la región. La región Singapore y la región de Beijing utilizan diferentes claves de API. Palabras clave en líneaUtilice palabras clave en línea en el siguiente formato: ContextUtilice el contexto en el siguiente formato: |
Cuerpo de respuestarequest_id El identificador único de esta llamada. output Los datos devueltos por la interfaz de envío de tareas. | |
Interfaz de consulta de tareas
Consulta el estado de ejecución y el resultado de una tarea de reconocimiento de voz. Sondee esta interfaz hasta que la tarea alcance un estado terminal.
Cuerpo de la solicitudtask_id ImportanteEste parámetro es un parámetro de ruta de URL. No hay cuerpo de solicitud. Para consultar una tarea, especifique su ID. Este ID es el | El siguiente ejemplo utiliza la región de Singapur. Reemplace "{WorkspaceId}" con su ID de espacio de trabajo real. La configuración varía según la región. La región de Singapur y la región de Beijing utilizan diferentes claves de API. |
Cuerpo de respuestarequest_id El identificador único de esta llamada. output Los datos devueltos por la interfaz de consulta de tareas. | |
Otras interfaces: consulta por lotes del estado de tareas / cancelar una tarea
Para más detalles, consulte Gestión de tareas asíncronas: puede consultar en lote las tareas de reconocimiento de voz no en tiempo real enviadas en las últimas 24 horas y cancelar tareas en estado PENDING (en cola).
Descripción del resultado de reconocimiento
El resultado del reconocimiento se guarda como un archivo JSON.
Haga clic para ver el ejemplo de resultado de reconocimiento
{
"file_url":"{YOUR_AUDIO_URL}",
"properties":{
"audio_format":"pcm_s16le",
"channels":[
0
],
"original_sampling_rate":16000,
"original_duration_in_milliseconds":3834
},
"transcripts":[
{
"channel_id":0,
"content_duration_in_milliseconds":3720,
"text":"Hello world, this is Alibaba Speech Lab.",
"sentences":[
{
"begin_time":100,
"end_time":3820,
"text":"Hello world, this is Alibaba Speech Lab.",
"sentence_id":1,
"speaker_id":0, //This field is displayed only when automatic speaker diarization is enabled
"words":[
{
"begin_time":100,
"end_time":596,
"text":"Hello ",
"punctuation":""
},
{
"begin_time":596,
"end_time":844,
"text":"world",
"punctuation":", "
}
// Other content is omitted here
]
}
]
}
]
}
Los siguientes parámetros son dignos de mención:
Parámetro | Tipo | Descripción |
audio_format | string | El formato de audio del archivo fuente. |
channels | array[integer] | El índice de pista del audio en el archivo fuente. Para audio de una sola pista, se devuelve [0]; para audio de doble pista, se devuelve [0, 1]; y así sucesivamente. |
original_sampling_rate | integer | La frecuencia de muestreo (Hz) del audio en el archivo fuente. |
original_duration_in_milliseconds | integer | La duración original del audio (ms) en el archivo fuente. |
channel_id | integer | El índice de pista del resultado de la transcripción, comenzando desde 0. |
content_duration | integer | La duración (ms) del contenido en la pista que se identifica como voz. El servicio de modelo de reconocimiento de voz transcribe únicamente el contenido de una pista identificada como voz, y realiza la medición y facturación basándose en dicha duración. El contenido que no es de voz no se mide ni se factura. Por lo general, la duración del contenido de voz es menor que la duración del audio original. Dado que la existencia de contenido de voz es determinada por un modelo de IA, el resultado puede diferir ligeramente de la situación real. |
transcript | string | El resultado de la transcripción a nivel de párrafo. |
sentences | array | El resultado de la transcripción a nivel de oración. |
words | array | El resultado de la transcripción a nivel de palabra. |
begin_time | integer | La marca de tiempo de inicio (ms). |
end_time | integer | La marca de tiempo de finalización (ms). |
text | string | El resultado de la transcripción. |
speaker_id | integer | El índice del hablante actual, comenzando desde 0, utilizado para distinguir entre diferentes hablantes. Este campo aparece en el resultado del reconocimiento solo cuando la diarización de hablantes está habilitada. |
punctuation | string | La puntuación predicha después de la palabra, si la hay. |