Alibaba Cloud Model Studio:Synthèse et reconnaissance vocales

Référence de commande CLI Bailian pour la synthèse vocale (TTS), la reconnaissance vocale (ASR) et la gestion du vocabulaire de mots-clés.

Une seule commande invoque les fonctionnalités de synthèse et de reconnaissance vocales de Bailian depuis le terminal, avec une gestion du vocabulaire de mots-clés pour améliorer la précision.

Synthèse vocale

bl speech synthesize

Synthétise du texte en parole. Nécessite une authentification par clé API.

Utilisation

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

Paramètre	Type	Requis	Description
--text <text>	string	Non	Texte à synthétiser en parole (ou utilisez --text-file)
--text-file <path>	string	Non	Lire le texte à partir d’un fichier au lieu de --text
--model <model>	string	Non	ID du modèle (par défaut : modèle TTS configuré dans le profil, sinon cosyvoice-v3-flash). Les voix système varient selon le modèle
--voice <voice>	string	Non	ID de la voix. Utilisez --list-voices pour le modèle sélectionné (ex. qwen-audio-3.0-tts-plus/flash, cosyvoice-v3-flash) ; pour v3.5-flash, fournissez un ID de voix clone/design
--list-voices	switch	Non	Listez les voix système intégrées pour le modèle sélectionné puis quittez (lien console affiché dans la sortie)
--format <format>	string	Non	Format audio : mp3, pcm, wav, opus (par défaut : mp3 ; format streaming par défaut : pcm)
--sample-rate <rate>	string	Non	Fréquence d’échantillonnage audio en Hz (ex. 24000)
--volume <volume>	string	Non	Volume 0-100 (par défaut : 50)
--rate <rate>	string	Non	Vitesse de parole 0,5-2,0 (par défaut : 1,0)
--pitch <pitch>	string	Non	Multiplicateur de hauteur 0,5-2,0 (par défaut : 1,0)
--seed <seed>	string	Non	Graine aléatoire 0-65535 pour une synthèse reproductible
--language <lang>	string	Non	Indication de langue (ex. zh, en, ja, ko, fr, de)
--instruction <text>	string	Non	Instruction en langage naturel pour contrôler le style de parole (ex. "Utilisez un ton doux")
--enable-ssml	switch	Non	Activer l’analyse du balisage SSML dans le texte d’entrée
--out <path>	string	Non	Enregistrer l’audio dans un fichier (par défaut : génération automatique dans le répertoire temporaire)
--stream	switch	Non	Diffuser l’audio brut PCM vers stdout (rediriger vers un lecteur)
--concurrent <n>	number	Non	Exécuter N requêtes en parallèle (par défaut : 1)

Exemple : Synthétiser de la parole à partir d’un texte en utilisant un modèle TTS

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

Reconnaissance vocale

bl speech recognize

Reconnaît la parole à partir de fichiers audio (FunAudio-ASR / Qwen-ASR Flash). Nécessite une authentification par clé API.

Utilisation

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

Paramètre	Type	Requis	Description
--url <url>	array	Oui	URL du fichier audio ou chemin local du fichier (répétable, max 100)
--model <model>	string	Non	ID du modèle (par défaut : modèle ASR configuré dans le profil, sinon fun-asr). Asynchrone : fun-asr / -filetrans / paraformer- ; synchronisé : qwen3-asr-flash* / fun-asr-flash* / qwen-audio-*-asr-flash
--language <lang>	string	Non	Indication de langue (ex. zh, en, ja). Classique asynchrone/entrée-audio : language_hints ; qwen3-filetrans : language ; qwen3 synchronisé : asr_options.language
--diarization	switch	Non	Activer la diarisation automatique des locuteurs
--speaker-count <n>	number	Non	Nombre prévu de locuteurs (nécessite --diarization)
--vocabulary-id <id>	string	Non	ID de vocabulaire de mots-clés pré-construit (créez-le via speech vocabulary create). Son target_model doit correspondre exactement à --model, sinon il est ignoré silencieusement. Prise en charge plus large que --vocabulary, incluant Fun-ASR et Paraformer
--vocabulary <json>	string	Non	Mots-clés instantanés sous forme d’objet JSON word→weight, ex. '{"Fendouzhe":4}'. Poids 1-5 (4 recommandé ; des valeurs plus élevées peuvent nuire aux autres mots), 50 pour un mot très chaud. Aucun vocabulaire pré-construit requis. Prend effet uniquement sur les modèles Qwen-Audio-3.0-ASR-Flash
--context <text>	string	Non	Liste de mots d’amélioration contextuelle pour améliorer la précision sur les noms propres ; doit contenir les mots cibles eux-mêmes (une simple description de sujet a peu d’effet) ; max 400 caractères. Prend effet uniquement sur les modèles Qwen-Audio-3.0-ASR-Flash et Fun-ASR-Flash
--channel-id <n>	number	Non	ID du canal audio (par défaut : 0)
--out <path>	string	Non	Enregistrer le résultat complet de transcription dans un fichier JSON
--async	switch	Non	Retourner l’ID de tâche asynchrone sans attendre
--poll-interval <seconds>	number	Non	Intervalle de sondage en secondes (par défaut : 2)

Exemple : Reconnaître la parole à partir d’une URL de fichier audio

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

Gestion du vocabulaire de mots-clés

Gérer des vocabulaires de mots-clés pré-construits réutilisables afin d’améliorer la précision de l’ASR sur les noms propres.

bl speech vocabulary create

Crée un vocabulaire de mots-clés pré-compilé pour l’ASR. Nécessite une authentification par clé API.

Utilisation

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

Paramètre	Type	Requis	Description
--model <model>	string	Oui	Modèle ASR pour lequel ce vocabulaire est construit. Doit correspondre exactement au --model passé ultérieurement à speech recognize, sinon le vocabulaire est ignoré silencieusement
--prefix <prefix>	string	Oui	Préfixe personnalisé du vocabulaire. Seuls chiffres et lettres minuscules autorisés, max 10 caractères
--words <json>	string	Non	Mots-clés sous forme d’objet JSON word→weight, ex. '{"Fendouzhe":4}'; ou le tableau d’entrée API pour chaque entrée lang. Poids 1-5 (4 recommandé) ; lorsque le target_model du vocabulaire est un modèle de série Qwen-Audio-3.0-ASR-Flash, 50 est également autorisé comme mot très chaud. Ou utilisez --words-file
--words-file <path>	string	Non	Fichier JSON contenant les mots-clés (utilisez - pour stdin)
--lang <code>	string	Non	Code langue appliqué à chaque mot-clé lors de l’utilisation du format objet (optionnel ; ignoré pour le format tableau). Paraformer : zh/en/ja/yue/ko/de/fr/ru ; Fun-ASR : zh/en/ja

Exemple : Créer un vocabulaire de mots-clés pour l’ASR avec des mots personnalisés

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

• Le paramètre --model doit correspondre exactement au --model utilisé ultérieurement avec speech recognize --vocabulary-id ; une incompatibilité entraîne une échec silencieux sans message d’erreur.

bl speech vocabulary list

Liste les vocabulaires de mots-clés pré-compilés. Nécessite une authentification par clé API.

Utilisation

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

Paramètre	Type	Requis	Description
--prefix <prefix>	string	Non	Filtrer par préfixe de vocabulaire
--page <n>	number	Non	Numéro de page, basé sur 1 (par défaut : 1). Mappé vers page_index API (basé sur 0) comme page - 1
--page-size <n>	number	Non	Résultats par page (par défaut : 10)

Exemple : Liste des vocabulaires de mots-clés pré-compilés par préfixe

bl speech vocabulary list --prefix demo

• Les réponses de liste n’incluent pas target_model ; utilisez speech vocabulary get pour inspecter le modèle pour lequel un vocabulaire a été construit.
• Les vocabulaires dont le statut est UNDEPLOYED sont ignorés silencieusement par l’ASR.

bl speech vocabulary get

Obtenir les détails d’un vocabulaire de mots-clés pré-compilé. Nécessite une authentification par clé API.

Utilisation

bl speech vocabulary get --id <id>

Paramètre	Type	Requis	Description
--id <id>	string	Oui	ID du vocabulaire de mots-clés

Exemple : Récupérer les détails d’un vocabulaire de mots-clés spécifique

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

• Utilisez cette commande pour confirmer target_model avant d’appeler speech recognize --vocabulary-id ; une incompatibilité de modèle entraîne un échec silencieux.

bl speech vocabulary update

Remplacer le contenu d’un vocabulaire de mots-clés pré-compilé. Nécessite une authentification par clé API.

Utilisation

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

Paramètre	Type	Requis	Description
--id <id>	string	Oui	ID du vocabulaire de mots-clés
--words <json>	string	Non	Mots-clés sous forme d’objet JSON word→weight, ex. '{"Fendouzhe":4}'; ou le tableau d’entrée API pour chaque entrée lang. Poids 1-5 (4 recommandé) ; lorsque le target_model du vocabulaire est un modèle de série Qwen-Audio-3.0-ASR-Flash, 50 est également autorisé comme mot très chaud. Ou utilisez --words-file
--words-file <path>	string	Non	Fichier JSON contenant les mots-clés (utilisez - pour stdin)
--lang <code>	string	Non	Code langue appliqué à chaque mot-clé lors de l’utilisation du format objet (optionnel ; ignoré pour le format tableau). Paraformer : zh/en/ja/yue/ko/de/fr/ru ; Fun-ASR : zh/en/ja
--yes	switch	Non	Confirmer cette opération à haut risque

Exemple : Prévisualiser la mise à jour du vocabulaire de mots-clés avec des mots spécifiés

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

• update remplace entièrement, ce n’est pas une ajout. Privilégiez --dry-run en premier pour prévisualiser le vocabulaire complet qui sera écrit.

bl speech vocabulary delete

Supprime un vocabulaire de mots-clés prédéfinis. Nécessite une authentification par clé API.

Utilisation

bl speech vocabulary delete --id <id>

Paramètre	Type	Requis	Description
--id <id>	string	Oui	Identifiant du vocabulaire de mots-clés
--yes	switch	Non	Confirmer cette opération à haut risque

Exemple : Prévisualiser la suppression d'un vocabulaire de mots-clés

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