Alibaba Cloud Model Studio:iOS SDK de reconocimiento de voz no en tiempo real (Qwen-Audio-ASR)

url

String

Sí

Endpoints de servicio:

• wss://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation

• China (Pekín): wss://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation

• Singapur: wss://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation

Reemplace {WorkspaceId} con su ID de espacio de trabajo.

apikey

String

Sí

Clave de API.

service_mode

String

Sí

El modo de operación. Para el reconocimiento de voz no en tiempo real, establezca este parámetro en "1".

device_id

String

Sí

Una cadena única que identifica al usuario final. Puede usar un ID de usuario dentro de la aplicación o un identificador de dispositivo único generado por el cliente. Este ID se utiliza principalmente para el rastreo de registros y la resolución de problemas.

debug_path

String

No

La ruta para los archivos de registro. Este parámetro solo surte efecto cuando llama a nui_initialize con save_log establecido en YES. En este caso, debe especificar la ruta del archivo de registro. De lo contrario, se producirá un error. Se conservan hasta dos archivos de registro localmente.

max_log_file_size

int

No

El tamaño máximo del archivo de registro en bytes. Este parámetro solo surte efecto cuando llama a nui_initialize con save_log establecido en YES. Valor predeterminado: 104857600 (100 * 1024 * 1024 bytes, o 100 MiB).

log_track_level

int

No

El nivel de filtrado para los registros enviados a través del callback de registro (onFileTransLogTrackCallback). Valor predeterminado: 2. Valores válidos:

• 0: LOG_LEVEL_VERBOSE
• 1: LOG_LEVEL_DEBUG
• 2: LOG_LEVEL_INFO
• 3: LOG_LEVEL_WARNING
• 4: LOG_LEVEL_ERROR
• 5: LOG_LEVEL_NONE (deshabilita esta función).

apikey

string

No

Si Parámetros de conexión y control apikey utiliza una clave API temporal, puede actualizarla aquí para evitar su caducidad.

nls_config

object

Sí

El objeto de configuración principal de reconocimiento de voz, que incluye el modelo y los parámetros que controlan el reconocimiento.

nls_config.model

string

Sí

El nombre del modelo.

nls_config.format

string

Sí

El formato de audio. Establezca este parámetro en el formato real. Los formatos admitidos incluyen wav, mp3, opus. Para más detalles, consulte Especificaciones de audio.

nls_config.sample_rate

string

No

La frecuencia de muestreo de audio en Hz. Por ejemplo, 16000 indica una frecuencia de muestreo de 16 kHz. Para más detalles, consulte Especificaciones de audio.

nls_config.vocabulary_id

string

No

El ID de vocabulario precompilado. Cree un vocabulario con antelación y pase su ID durante el reconocimiento para usar sus palabras clave. Use esta opción cuando el vocabulario es conocido, relativamente estable y se reutiliza en varias solicitudes. Para instrucciones de uso, consulte Palabras clave precompiladas.

nls_config.instant_vocabulary

object

No

Palabras clave instantáneas.

Pase pares clave-valor. La clave es el texto de la palabra clave (string) y el valor es su peso (integer). No necesita crear un vocabulario con antelación. Los pesos válidos son [1, 5] o 50. Dentro de [1, 5], un peso mayor hace que sea más probable que el modelo genere la palabra. Un peso de 50 especifica una súper palabra clave y aumenta significativamente la recuperación. Puede especificar hasta 50 súper palabras clave.

Use esta opción para la optimización temporal de palabras clave a nivel de sesión.

Cuando se configuran tanto palabras clave instantáneas como precompiladas, el sistema las fusiona. Si la lista fusionada excede 2000 entradas, selecciona aleatoriamente 2000 entradas. Para instrucciones de uso, consulte Palabras clave instantáneas.

{
  "张三": 5,
  "李四": 5
}

nls_config.language_hints

array[string]

No

Los códigos de idioma que se reconocerán. Si desconoce el idioma, omita este parámetro para que el modelo lo detecte automáticamente. Puede especificar hasta 4 valores. Si especifica más, solo los primeros 4 tendrán efecto.

Especificar los códigos de idioma puede mejorar la precisión del reconocimiento.

messages

array[object]

Sí

La lista de mensajes. Contiene el audio a reconocer y el contexto de conversación opcional para mejorar el reconocimiento.

role

string

Sí

El rol del mensaje. Valores válidos:

• user (requerido): Un mensaje de usuario. Cuando type es input_audio, representa el audio a reconocer. Cuando type es input_text, representa resultados de reconocimiento de turnos anteriores o un vocabulario específico del dominio (contexto opcional).

• assistant (contexto opcional): Respuestas del modelo de lenguaje grande de turnos anteriores.

content

array[object]

Sí

La lista de contenido de mensajes. Consulte las siguientes descripciones.

type

string

Sí

El tipo de contenido. Cada solicitud requiere al menos un mensaje input_audio . Valores válidos:

• input_audio (requerido): La entrada de audio a reconocer (el rol es user). También debe proporcionar el objeto input_audio.

• input_text (contexto opcional): Resultados de reconocimiento del habla del usuario de turnos anteriores o un vocabulario específico del dominio (el rol es user). También debe proporcionar el campo text.

• text (contexto opcional): Respuestas del modelo de lenguaje grande de turnos anteriores (el rol es assistant). También debe proporcionar el campo text.

input_audio

object

No

Requerido cuando type es input_audio.

input_audio.data

string

Sí

Los datos de audio a reconocer. Para formatos de audio admitidos, límites de tamaño de archivo, límites de duración y otros requisitos de entrada, consulte Especificaciones de audio. Se admiten los siguientes dos métodos de entrada:

• URL del archivo de audio: Pase una URL de archivo de audio accesible públicamente.

• Data URI Base64: Pase audio codificado en Base64 como un Data URI. Concatene el prefijo data:{MIME_TYPE};base64, con los datos de audio codificados en Base64. Los tipos MIME admitidos incluyen audio/wav, audio/mp3.

Ejemplo (URL): https://example.com/audio/sample.wav

Ejemplo (Base64): data:audio/wav;base64,{BASE64_ENCODED_DATA}

text

string

No

Requerido cuando type es input_text, proporcione resultados de reconocimiento del habla del usuario de turnos anteriores o un vocabulario específico del dominio. Cuando type es text, proporcione respuestas del modelo de lenguaje grande de turnos anteriores. La longitud del texto se cuenta en caracteres, y cada carácter cuenta como uno. La longitud total de todos los campos text de los mensajes en cada turno de contexto no debe exceder 400 caracteres. Los caracteres excedentes se truncan desde el final.

parameters

char*

Una cadena JSON que contiene parámetros de autenticación, conexión y depuración. Consulte Parámetros de conexión y control.

level

NuiSdkLogLevel

El nivel de registros impresos por el SDK.

save_log

BOOL

Indica si se deben guardar los registros localmente. Si se establece en YES, use Parámetros de conexión y control para establecer debug_path y especificar la ruta, y use max_log_file_size para establecer el tamaño del archivo.

params

char*

Parámetros de reconocimiento en nls_config y parámetros de messages.

Ejemplo:

{
  "messages": [
    {
      "content": [
        {
          "input_audio": {
            "data": "{YOUR_AUDIO_URL}"
          },
          "type": "input_audio"
        }
      ],
      "role": "user"
    }
  ],
  "nls_config": {
    "format": "mp3",
    "model": "qwen-audio-3.0-asr-flash"
  }
}

params

char*

Parámetros de reconocimiento. Ejemplo:

{
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "input_audio",
          "input_audio": {
            "data": "{YOUR_AUDIO_URL}"
          }
        }
      ]
    }
  ],
  "nls_config": {
    "format": "mp3",
    "model": "qwen-audio-3.0-asr-flash"
  }
}

task_id

char*

Puede ignorar este parámetro y pasar null.

task_id

char*

El ID de la tarea a consultar, obtenido de EVENT_FILE_TRANS_UPLOADED.

task_id

char*

El ID de la tarea a cancelar, obtenido de EVENT_FILE_TRANS_UPLOADED.

nuiEvent

NuiCallbackEvent

El evento de devolución de llamada.

asr_result

char*

El resultado del reconocimiento de voz.

task_id

char*

El ID de la tarea.

finish

BOOL

Si el reconocimiento para este turno ha finalizado.

code

int

Válido solo cuando ocurre el evento EVENT_ASR_ERROR.

EVENT_FILE_TRANS_CONNECTED

Conectado correctamente al servicio.

EVENT_FILE_TRANS_UPLOADED

El archivo de audio se cargó correctamente. Puede obtener el task_id actual en este punto.

EVENT_FILE_TRANS_RESULT

El resultado final del reconocimiento.

EVENT_ASR_ERROR

Ocurrió un error durante el reconocimiento de voz.