Alibaba Cloud Model Studio:SDK de Python para reconocimiento de voz no en tiempo real de Qwen-Audio-3.x-ASR-Flash-Filetrans/Fun-ASR

model

str

Sí

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.

file_urls

list[str]

Sí

Una lista de URL de los archivos de audio o video a transcribir. Se admiten HTTP y HTTPS. Una sola solicitud admite únicamente una URL. Para los requisitos de entrada, como formatos de audio compatibles, límites de tamaño de archivo y límites de duración, consulte Especificaciones de audio.

Si la grabación se almacena en Alibaba Cloud OSS, la API RESTful admite URLs temporales con el prefijo oss://, mientras que el SDK no admite URLs temporales con el prefijo oss://.

keep_dialect

bool

No

Compatible solo con qwen-audio-3.1-asr-flash-filetrans. El valor predeterminado es false, que transcribe dialectos al chino estándar. Establézcalo en true para conservar las expresiones dialectales. Páselo como argumento de palabra clave con el mismo nombre. Consulte la Referencia de API para más detalles.

vocabulary_id

str

No

El ID de una lista de palabras clave precompilada.

Genere este ID con antelación llamando a la API de creación de lista de palabras clave. Pase el ID durante el reconocimiento para usar las palabras clave de la lista.

Adecuado para escenarios donde el vocabulario es conocido y relativamente estable, y donde necesita reutilizar la misma lista de palabras en distintas solicitudes.

Para obtener detalles sobre el uso, consulte Palabras clave precompiladas.

vocabulary

dict

No

Palabras clave instantáneas.

Se pasan como pares clave-valor, donde la clave es el texto de la palabra clave (string) y el valor es el peso de la palabra clave (integer). No es necesario crear una lista de palabras clave con antelación. El peso oscila entre [1, 5] o se establece en 50: un valor en [1, 5] hace que el modelo tenga más probabilidades de generar la palabra a medida que aumenta el valor; un valor de 50 designa una súper palabra clave, lo que mejora enormemente la recuperación, pero el número de súper palabras clave no puede exceder 50.

Adecuado para la optimización temporal de palabras clave a nivel de sesión.

Cuando las palabras clave instantáneas y precompiladas se configuran juntas, el sistema fusiona ambos conjuntos. Si el conjunto fusionado contiene más de 2000 palabras clave, el sistema selecciona aleatoriamente 2000 para usar. Para detalles de uso, consulte Palabras clave instantáneas.

Ejemplo:

from dashscope.audio.asr import Transcription

vocab = {"Zhang San": 5, "Li Si": 5}
result = Transcription.async_call(
    model="qwen-audio-3.1-asr-flash-filetrans",
    vocabulary=vocab,
    file_urls=['{YOUR_AUDIO_URL}']
)

channel_id

list[int]

No

El índice de las pistas de audio a reconocer en un archivo de audio multipista. El índice comienza en 0. Por ejemplo, [0] reconoce la primera pista, y [0, 1] reconoce la primera y la segunda pista simultáneamente. Si omite este parámetro, solo se procesa la primera pista.

Valor predeterminado: [0].

special_word_filter

str

No

Las palabras sensibles a procesar durante el reconocimiento de voz. Puede establecer un método de manejo diferente para cada palabra sensible. Para más detalles, consulte Filtrado de palabras sensibles.

diarization_enabled

bool

No

Si se debe habilitar la diarización de hablantes. Deshabilitado de forma predeterminada.

Se aplica solo a audio monoaural. El audio multicanal no admite la diarización de hablantes.

Cuando está habilitado, el resultado del reconocimiento incluye un campo speaker_id que distingue a los diferentes hablantes.

Valor predeterminado: False.

Para ver un ejemplo de speaker_id, consulte Descripción del resultado de reconocimiento.

speaker_count

int

No

Un valor de referencia para el número de hablantes. El rango válido es un entero de 2 a 100 (inclusive).

De forma predeterminada, el número de hablantes se detecta automáticamente. Si configura este valor, solo guía al algoritmo para generar el recuento especificado cuando sea posible y no garantiza ese recuento exacto.

Sin valor predeterminado.

language_hints

list[str]

No

Los códigos de idioma a reconocer. Si no puede determinar el idioma con antelación, déjelo sin configurar y el modelo detectará el idioma automáticamente.

Para los modelos Qwen-Audio-3.x-ASR-Flash-Filetrans, puede configurar hasta 4 valores; cualquier valor más allá de los primeros 4 se ignora. Para los modelos Fun-ASR, solo puede configurar 1 valor; si configura varios, solo el primero surte efecto.

status_code

Código de estado HTTP de la solicitud.

code

• El code más externo se puede ignorar.

• El code bajo output.results es el código de error. Combínelo con el campo message y consulte Códigos de error para solucionar el problema.

message

• El message más externo se puede ignorar.

• El message bajo output.results es el mensaje de error. Combínelo con el campo code y consulte Códigos de error para solucionar el problema.

task_id

ID de tarea.

task_status

Estado de la tarea.

Uno de cuatro estados: PENDING, RUNNING, SUCCEEDED y FAILED.

Cuando una tarea contiene múltiples subtareas, el estado general de la tarea se marca como SUCCEEDED siempre que cualquier subtarea tenga éxito. Compruebe el campo subtask_status para determinar el resultado de cada subtarea.

results

Resultados de reconocimiento de la subtarea.

subtask_status

Estado de la subtarea.

Uno de cuatro estados: PENDING, RUNNING, SUCCEEDED y FAILED.

file_url

URL del audio reconocido.

transcription_url

URL del resultado de reconocimiento de audio.

El resultado de reconocimiento se guarda como un archivo JSON. Puede descargar el archivo desde el enlace asociado con transcription_url o leer su contenido directamente mediante una solicitud HTTP. Para ver el contenido del archivo JSON, consulte Descripción del resultado de reconocimiento.

code

El código de error. Combínelo con el campo message y consulte Códigos de error para solucionar el problema.

message

El mensaje de error. Combínelo con el campo code y consulte Códigos de error para solucionar el problema.

task_id

ID de tarea.

task_status

Estado de la tarea.

Uno de cuatro estados: PENDING, RUNNING, SUCCEEDED y FAILED.

Cuando una tarea contiene múltiples subtareas, el estado general de la tarea se marca como SUCCEEDED siempre que cualquier subtarea tenga éxito. Compruebe el campo subtask_status para determinar el resultado de cada subtarea.

results

Resultados de reconocimiento de la subtarea.

subtask_status

Estado de la subtarea.

Uno de cuatro estados: PENDING, RUNNING, SUCCEEDED y FAILED.

file_url

URL del audio reconocido.

transcription_url

URL del resultado de reconocimiento de audio.

El resultado de reconocimiento se guarda como un archivo JSON. Puede descargar el archivo desde el enlace asociado con transcription_url o leer su contenido directamente mediante una solicitud HTTP. Para ver el contenido del archivo JSON, consulte Descripción del resultado de reconocimiento.

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.

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.

async_call

@classmethod
def async_call(cls,
               model: str,
               file_urls: List[str],
               phrase_id: str = None,
               api_key: str = None,
               workspace: str = None,
               **kwargs) -> TranscriptionResponse

Envía una tarea de reconocimiento de voz de forma asíncrona.

wait

@classmethod
def wait(cls,
         task: Union[str, TranscriptionResponse],
         api_key: str = None,
         workspace: str = None,
         **kwargs) -> TranscriptionResponse

Bloquea el hilo actual hasta que finalice la tarea asíncrona (el estado de la tarea es SUCCEEDED o FAILED).

Este método devuelve una TranscriptionResponse.

fetch

@classmethod
def fetch(cls,
          task: Union[str, TranscriptionResponse],
          api_key: str = None,
          workspace: str = None,
          **kwargs) -> TranscriptionResponse

Consulta el resultado de la tarea actual de forma asíncrona.

Este método devuelve una TranscriptionResponse.