Prérequis
Le service est activé et vous avez obtenu une clé API. Pour éviter les risques de sécurité liés à la divulgation de code, configurez la clé API comme variable d'environnement au lieu de l'intégrer directement dans votre code.
Démarrage rapide
Utilisez les mêmes exemples pour les modèles ci-dessous. Remplacez l’ID de modèle à l’aide de ce tableau.
| Modèle | ID de modèle dans l’exemple |
|---|---|
| Qwen-Audio-ASR-Streaming | qwen-audio-3.1-asr-flash-streaming |
| Qwen-Audio-ASR-Message | qwen-audio-3.1-asr-flash-messagePrend uniquement en charge la fréquence d’échantillonnage de 16000 Hz. |
| Fun-ASR-Realtime | fun-asr-realtime |
Référence de l’API
La ressource principale (client.audio.asr) fournit des interfaces pour les appels non diffusés (non-streaming) et les appels bidirectionnels en flux continu (streaming). Choisissez la méthode d'appel adaptée à vos besoins :
- Appel non diffusé (
recognize_file) : reconnaît un fichier local. Le SDK envoie automatiquement l'audio par segments et conduit la tâche jusqu'à son terme. Convient au traitement de fichiers audio préenregistrés. - Appel bidirectionnel en flux continu (session
recognize) : reconnaît un flux audio directement et produit des résultats en temps réel. Le flux audio peut provenir d'un périphérique externe, tel qu'un microphone, ou être lu depuis un fichier local. Convient aux scénarios nécessitant un retour immédiat.
Appel non diffusé
Soumettez une tâche unique de reconnaissance vocale en temps réel et obtenez le résultat de manière synchrone en transmettant un fichier local.
Appelez la méthode recognize_file de la ressource principale (client.audio.asr) pour associer les paramètres de requête et transmettre le chemin du fichier local, puis itérez sur les événements du serveur pour obtenir le résultat de reconnaissance.
import os
import dashscope
# Les API Key des régions Singapour et Pékin sont différentes. Obtenez votre API Key : https://www.alibabacloud.com/help/model-studio/get-api-key
# Si la variable d'environnement n'est pas configurée, remplacez la ligne suivante par votre API Key de Model Studio : api_key="sk-xxx"
client = dashscope.Client(
api_key=os.environ.get('DASHSCOPE_API_KEY'),
# Voici la configuration de la région de Singapour (ap-southeast-1). Remplacez {WorkspaceId} par l'ID de votre workspace. La valeur de region varie selon la région.
workspace="{WorkspaceId}",
region="ap-southeast-1",
)
# Reconnaître un fichier audio local : recognize_file envoie automatiquement l'audio par segments et conduit la tâche jusqu'à son terme
for event in client.audio.asr.recognize_file(
'{YOUR_AUDIO_FILE}',
model='qwen-audio-3.1-asr-flash-streaming',
format='wav',
sample_rate=16000):
payload = event.get('payload') or {}
sentence = (payload.get('output') or {}).get('sentence') or {}
if sentence.get('text') and not sentence.get('heartbeat'):
print('Recognition result:', sentence['text'])
Appel bidirectionnel en flux continu
Soumettez une tâche unique de reconnaissance vocale en temps réel et diffusez les résultats en temps réel en itérant sur les événements.
-
Démarrez la reconnaissance vocale en flux continu.
Appelez la méthode
recognizede la ressource principale (client.audio.asr) pour créer une session de reconnaissance et associer les paramètres de requête, puis entrez dans le contextewith(qui appelle automatiquement la méthodestartpour établir la connexion et envoyer la tâche) pour lancer la reconnaissance vocale en flux continu. -
Diffusez l'audio.
Appelez la méthode
send_audio_framede la session dans une boucle afin d'envoyer le flux audio binaire au serveur par segments. Le flux est lu depuis un fichier local ou un périphérique, tel qu'un microphone.L'envoi et la réception doivent s'exécuter de manière concurrente : le thread récepteur itère sur les événements du serveur via la méthode
events()de la session, qui renvoie les résultats de reconnaissance au client en temps réel.Envoyez environ 100 ms d'audio par trame, en veillant à ce que chaque trame soit comprise entre 1 Ko et 16 Ko.
-
Terminez la tâche.
Appelez la méthode
stopde la session pour mettre fin à la reconnaissance vocale.Cette méthode notifie seulement le serveur que la saisie est terminée ; le thread récepteur doit continuer à consommer
events()jusqu'à l'événementtask-finishedpour obtenir les résultats et statistiques finaux de reconnaissance. Les erreurs de la couche WebSocket sont levées sous forme d'exceptionsDashScopeError, que vous pouvez capturer par try/except côté envoi ou réception.
import os
import signal # for keyboard events handling (press "Ctrl+C" to terminate recording)
import sys
import dashscope
import pyaudio
from concurrent.futures import ThreadPoolExecutor
mic = None
stream = None
# Définir les paramètres d'enregistrement
sample_rate = 16000 # Utilisez la même fréquence pour la capture et la reconnaissance. Qwen-Audio-ASR-Message prend uniquement en charge 16000 Hz.
channels = 1 # canal mono
dtype = 'int16' # type de données
format_pcm = 'pcm' # le format des données audio
block_size = 3200 # nombre de trames par tampon
# Récepteur d'événements de reconnaissance vocale en temps réel
def receive_events(rec):
for event in rec.events():
payload = event.get('payload') or {}
sentence = (payload.get('output') or {}).get('sentence') or {}
if sentence.get('text') and not sentence.get('heartbeat'):
print('Recognition text: ', sentence['text'])
if sentence.get('sentence_end'):
print(
'Recognition sentence end, request_id:%s, usage:%s'
% (rec.request_id, rec.usage))
def signal_handler(sig, frame):
print('Ctrl+C pressed, stop recognition ...')
# Arrêter la reconnaissance
recognition.stop()
print('Recognition stopped.')
print(
'[Metric] requestId: {}, first package delay ms: {}, last package delay ms: {}'
.format(
recognition.request_id,
recognition.first_package_delay,
recognition.last_package_delay,
))
# Forcer la sortie du programme
sys.exit(0)
# fonction principale
if __name__ == '__main__':
# Les API Key des régions Singapour et Pékin sont différentes. Obtenez votre API Key : https://www.alibabacloud.com/help/model-studio/get-api-key
# Si la variable d'environnement n'est pas configurée, remplacez la ligne suivante par votre API Key de Model Studio : api_key="sk-xxx"
client = dashscope.Client(
api_key=os.environ.get('DASHSCOPE_API_KEY'),
# Voici la configuration de la région de Singapour (ap-southeast-1). Remplacez {WorkspaceId} par l'ID de votre workspace. La valeur de region varie selon la région.
workspace="{WorkspaceId}",
region="ap-southeast-1",
)
# Appelez le service de reconnaissance ; vous pouvez personnaliser les paramètres de reconnaissance, comme model, format,
# sample_rate
with client.audio.asr.recognize(
model='qwen-audio-3.1-asr-flash-streaming',
format=format_pcm,
# 'pcm'、'wav'、'opus'、'speex'、'aac'、'amr' ; consultez les formats pris en charge dans la documentation
sample_rate=sample_rate,
) as recognition:
# Ouvrir le microphone
mic = pyaudio.PyAudio()
stream = mic.open(format=pyaudio.paInt16,
channels=1,
rate=sample_rate,
input=True)
with ThreadPoolExecutor(max_workers=1) as pool:
receiver = pool.submit(receive_events, recognition)
try:
# Envoyer l'audio du microphone jusqu'à l'appui sur "Ctrl+C"
while stream:
data = stream.read(3200, exception_on_overflow=False)
recognition.send_audio_frame(data)
recognition.stop()
receiver.result()
finally:
# close doit être exécuté dans le contexte du pool pour débloquer le récepteur
recognition.close()
stream.stop_stream()
stream.close()
mic.terminate()
stream = None
mic = None
import os
import time
import dashscope
from concurrent.futures import ThreadPoolExecutor
# Les API Key des régions Singapour et Pékin sont différentes. Obtenez votre API Key : https://www.alibabacloud.com/help/model-studio/get-api-key
# Si la variable d'environnement n'est pas configurée, remplacez la ligne suivante par votre API Key de Model Studio : api_key="sk-xxx"
client = dashscope.Client(
api_key=os.environ.get('DASHSCOPE_API_KEY'),
# Voici la configuration de la région de Singapour (ap-southeast-1). Remplacez {WorkspaceId} par l'ID de votre workspace. La valeur de region varie selon la région.
workspace="{WorkspaceId}",
region="ap-southeast-1",
)
from datetime import datetime
def get_timestamp():
now = datetime.now()
formatted_timestamp = now.strftime("[%Y-%m-%d %H:%M:%S.%f]")
return formatted_timestamp
# Récepteur d'événements de reconnaissance vocale en temps réel
def receive_events(rec):
for event in rec.events():
payload = event.get('payload') or {}
sentence = (payload.get('output') or {}).get('sentence') or {}
if sentence.get('text') and not sentence.get('heartbeat'):
print(get_timestamp() + ' Recognition text: ', sentence['text'])
if sentence.get('sentence_end'):
print(get_timestamp() +
'Recognition sentence end, request_id:%s, usage:%s'
% (rec.request_id, rec.usage))
with client.audio.asr.recognize(
model='qwen-audio-3.1-asr-flash-streaming',
format='wav',
sample_rate=16000,
) as recognition:
with ThreadPoolExecutor(max_workers=1) as pool:
receiver = pool.submit(receive_events, recognition)
try:
audio_data: bytes = None
f = open("{YOUR_AUDIO_FILE}", 'rb')
if os.path.getsize("{YOUR_AUDIO_FILE}"):
# Lire toutes les données du fichier dans le tampon en une seule fois
file_buffer = f.read()
f.close()
print("Start Recognition")
# Envoyer 3200 octets du tampon à la fois
buffer_size = len(file_buffer)
offset = 0
chunk_size = 3200
while offset < buffer_size:
# Calculer la taille du segment de données à envoyer cette fois
remaining_bytes = buffer_size - offset
current_chunk_size = min(chunk_size, remaining_bytes)
# Extraire le segment de données courant du tampon
audio_data = file_buffer[offset:offset + current_chunk_size]
# Envoyer la trame de données audio
recognition.send_audio_frame(audio_data)
# Mettre à jour le décalage
offset += current_chunk_size
# Ajouter un délai pour simuler la transmission en temps réel
time.sleep(0.1)
recognition.stop()
receiver.result()
else:
raise Exception(
'The supplied file was empty (zero bytes long)')
finally:
# close doit être exécuté dans le contexte du pool pour débloquer le récepteur
recognition.close()
print(
'[Metric] requestId: {}, first package delay ms: {}, last package delay ms: {}'
.format(
recognition.request_id,
recognition.first_package_delay,
recognition.last_package_delay,
))
Paramètres de requête
Qwen-Audio-ASR-Streaming
Référence commune
Consultez la documentation Qwen-Audio-ASR-Streaming Python SDK actuelle.
Définissez les paramètres de requête via les méthodes recognize/recognize_file de la ressource principale (client.audio.asr) : model, format, sample_rate et vocabulary_id sont des arguments nommés. Transmettez language_hints dans le dictionnaire parameters.
| Paramètre | Type | Obligatoire | Description |
|---|---|---|---|
model | str | Oui | Le nom du modèle. |
sample_rate | int | Oui | Le taux d’échantillonnage en Hz. Tous les taux sont pris en charge. |
format | str | Oui | Le format audio. Valeurs valides :
Importantopus/speex : doit utiliser l'encapsulation Ogg. wav : doit utiliser l'encodage PCM. amr : seul le type AMR-NB est pris en charge. |
keep_dialect | bool | Non | RemarqueS’applique uniquement à Par défaut : |
vad_model | str | Non | RemarqueS’applique uniquement à Modèle VAD : |
vocabulary_id | str | Non | L'ID d'une liste de mots clés précompilée. Générez cet ID à l'avance en appelant l'API de création de liste de mots clés. Transmettez l'ID lors de la reconnaissance pour utiliser les mots clés de la liste. Convient aux scénarios où le vocabulaire est connu et relativement stable, et où vous devez réutiliser la même liste de mots entre plusieurs requêtes. Pour plus de détails sur l'utilisation, consultez la rubrique Mots clés précompilés. |
vocabulary | dict | Non | Mots clés instantanés. Transmis sous forme de paires clé-valeur, où la clé correspond au texte du mot clé ( Adapté à l'optimisation temporaire des mots clés au niveau de la session. Lorsqu'ils sont configurés conjointement avec des mots clés précompilés, seuls les mots clés instantanés prennent effet. Pour plus de détails sur l'utilisation, consultez la rubrique Mots clés instantanés. Exemple : |
max_sentence_silence | int | Non | Le seuil de silence VAD pour la segmentation, en ms. Lorsque le silence après un segment de parole dépasse ce seuil, le système considère que la phrase est terminée. Valeur par défaut : 800. Valeurs valides : [200, 6000]. |
multi_threshold_mode_enabled | bool | Non | Indique s'il faut activer le mode multi-seuil. Lorsqu'il est activé, ce mode empêche la segmentation VAD de produire des segments trop longs. Par défaut : False. |
punctuation_prediction_enabled | bool | Non | Indique s'il faut ajouter automatiquement la ponctuation aux résultats de reconnaissance :
|
heartbeat | bool | Non | Indique s'il faut activer les paquets de maintien de connexion (heartbeat). Par défaut : False.
L'audio silencieux désigne le contenu d'un fichier audio ou d'un flux de données ne contenant aucun signal sonore. Vous pouvez générer de l'audio silencieux de plusieurs manières, par exemple en utilisant des logiciels de montage audio tels qu'Audacity ou Adobe Audition, ou des outils en ligne de commande comme FFmpeg. Ce champ nécessite la version 2.0.1 ou ultérieure du SDK. |
language_hints | list[str] | Non | La langue de l'audio à reconnaître. Il n'y a pas de valeur par défaut ; si ce paramètre n'est pas défini, le modèle détecte automatiquement la langue. Vous pouvez définir jusqu’à 4 valeurs. Au-delà, seules les 4 premières prennent effet. Cliquez pour afficher les codes de langue pris en charge
|
speech_noise_threshold | float | Non | Le seuil permettant de distinguer la parole du bruit, utilisé pour ajuster la sensibilité de la détection d'activité vocale (VAD). Valeurs valides : [-1,0, 1,0]. Descriptions des valeurs :
Il s'agit d'un paramètre de configuration avancé. Son ajustement peut affecter significativement les résultats de reconnaissance. Recommandations :
|
special_word_filter | str | Non | Spécifie les mots sensibles à traiter lors de la reconnaissance vocale et permet de définir différentes méthodes de traitement pour différents mots sensibles. Pour plus de détails, consultez la rubrique Filtrage des mots sensibles. |
Transmettez le contexte dans input lors de la création de la session avec recognize.
| Paramètre | Type | Obligatoire | Description |
|---|---|---|---|
input | dict | Non | L'objet d'entrée utilisé pour transmettre le contexte de conversation. L'amélioration contextuelle améliore la précision de la reconnaissance pour les termes spécifiques à un domaine. Pour l'utilisation, consultez le guide de démarrage rapide. Le dictionnaire doit inclure une clé
ImportantLimites : les messages de contexte de type ImportantLorsque vous transmettez un contexte, les messages dans RemarqueCe champ nécessite la version 2.0.1 ou ultérieure du SDK. Transmettez-le via le paramètre |
Qwen-Audio-ASR-Message
Référence commune
Consultez la documentation Qwen-Audio-ASR-Message Python SDK actuelle.
Définissez les paramètres de requête via les méthodes recognize/recognize_file de la ressource principale (client.audio.asr) : model, format, sample_rate et vocabulary_id sont des arguments nommés. Transmettez language_hints dans le dictionnaire parameters.
| Paramètre | Type | Obligatoire | Description |
|---|---|---|---|
model | str | Oui | Le nom du modèle. |
sample_rate | int | Oui | Le taux d’échantillonnage en Hz. Seule la valeur |
format | str | Oui | Le format audio. Valeurs valides :
Importantopus/speex : doit utiliser l'encapsulation Ogg. wav : doit utiliser l'encodage PCM. amr : seul le type AMR-NB est pris en charge. |
keep_dialect | bool | Non | Par défaut : Ce paramètre s’applique uniquement aux résultats finaux ( |
vad_model | str | Non | Modèle VAD : |
disfluency_removal_enabled | bool | Non | Indique s’il faut supprimer les mots de remplissage et améliorer le texte produit. Par défaut : |
intermediate_result_enabled | bool | Non | Indique s’il faut renvoyer les résultats intermédiaires en streaming. Par défaut : |
vocabulary_id | str | Non | L'ID d'une liste de mots clés précompilée. Générez cet ID à l'avance en appelant l'API de création de liste de mots clés. Transmettez l'ID lors de la reconnaissance pour utiliser les mots clés de la liste. Convient aux scénarios où le vocabulaire est connu et relativement stable, et où vous devez réutiliser la même liste de mots entre plusieurs requêtes. Pour plus de détails sur l'utilisation, consultez la rubrique Mots clés précompilés. |
vocabulary | dict | Non | Mots clés instantanés. Transmis sous forme de paires clé-valeur, où la clé correspond au texte du mot clé ( Adapté à l'optimisation temporaire des mots clés au niveau de la session. Lorsqu'ils sont configurés conjointement avec des mots clés précompilés, seuls les mots clés instantanés prennent effet. Pour plus de détails sur l'utilisation, consultez la rubrique Mots clés instantanés. ImportantSeuls les modèles Exemple : |
language_hints | list[str] | Non | La langue de l'audio à reconnaître. Il n'y a pas de valeur par défaut ; si ce paramètre n'est pas défini, le modèle détecte automatiquement la langue. Vous pouvez définir jusqu’à 4 valeurs. Au-delà, seules les 4 premières prennent effet. Cliquez pour afficher les codes de langue pris en charge
Transmettez ce champ dans le dictionnaire Ce paramètre s’applique uniquement aux résultats finaux ( |
max_sentence_silence | int | Non | Seuil de silence VAD pour la segmentation, en millisecondes. La phrase est considérée comme terminée si le silence après la parole dépasse ce seuil. Par défaut : |
heartbeat | bool | Non | Indique s'il faut activer les paquets de maintien de connexion (heartbeat). Par défaut : False.
L'audio silencieux désigne le contenu d'un fichier audio ou d'un flux de données ne contenant aucun signal sonore. Vous pouvez générer de l'audio silencieux de plusieurs manières, par exemple en utilisant des logiciels de montage audio tels qu'Audacity ou Adobe Audition, ou des outils en ligne de commande comme FFmpeg. Ce champ nécessite la version 2.0.1 ou ultérieure du SDK. |
speech_noise_threshold | float | Non | Le seuil permettant de distinguer la parole du bruit, utilisé pour ajuster la sensibilité de la détection d'activité vocale (VAD). Valeurs valides : [-1,0, 1,0]. Descriptions des valeurs :
Il s'agit d'un paramètre de configuration avancé. Son ajustement peut affecter significativement les résultats de reconnaissance. Recommandations :
|
Transmettez le contexte dans input lors de la création de la session avec recognize.
| Paramètre | Type | Obligatoire | Description |
|---|---|---|---|
input | dict | Non | L'objet d'entrée utilisé pour transmettre le contexte de conversation. L'amélioration contextuelle améliore la précision de la reconnaissance pour les termes spécifiques à un domaine. Pour l'utilisation, consultez le guide de démarrage rapide. ImportantLe paramètre de contexte est pris en charge uniquement par les modèles Le dictionnaire doit inclure une clé
ImportantLimites : les messages de contexte de type ImportantLorsque vous transmettez un contexte, les messages dans RemarqueCe champ nécessite la version 2.0.1 ou ultérieure du SDK. Transmettez-le via le paramètre |
Fun-ASR-Realtime
Référence commune
Consultez la documentation Fun-ASR-Realtime Python SDK actuelle.
Définissez les paramètres de requête via les méthodes recognize/recognize_file de la ressource principale (client.audio.asr) : model, format, sample_rate et vocabulary_id sont des arguments nommés. Transmettez max_sentence_silence et language_hints dans le dictionnaire parameters.
| Paramètre | Type | Obligatoire | Description |
|---|---|---|---|
model | str | Oui | Le nom du modèle. |
sample_rate | int | Oui | La fréquence d'échantillonnage, en Hz. Valeurs valides : les modèles 8 kHz prennent uniquement en charge 8 000 Hz ; les autres modèles acceptent n'importe quelle fréquence d'échantillonnage. |
format | str | Oui | Le format audio. Valeurs valides :
Importantopus/speex : doit utiliser l'encapsulation Ogg. wav : doit utiliser l'encodage PCM. amr : seul le type AMR-NB est pris en charge. |
vocabulary_id | str | Non | L'ID d'une liste de mots clés précompilée. Générez cet ID à l'avance en appelant l'API de création de liste de mots clés. Transmettez l'ID lors de la reconnaissance pour utiliser les mots clés de la liste. Convient aux scénarios où le vocabulaire est connu et relativement stable, et où vous devez réutiliser la même liste de mots entre plusieurs requêtes. Pour plus de détails sur l'utilisation, consultez la rubrique Mots clés précompilés. |
max_sentence_silence | int | Non | Le seuil de silence VAD pour la segmentation, en ms. Lorsque le silence après un segment de parole dépasse ce seuil, le système considère que la phrase est terminée. Valeur par défaut : 1300. Valeurs valides : [200, 6000]. |
multi_threshold_mode_enabled | bool | Non | Indique s'il faut activer le mode multi-seuil. Lorsqu'il est activé, ce mode empêche la segmentation VAD de produire des segments trop longs. Par défaut : False. |
punctuation_prediction_enabled | bool | Non | Indique s'il faut ajouter automatiquement la ponctuation aux résultats de reconnaissance :
|
heartbeat | bool | Non | Indique s'il faut activer les paquets de maintien de connexion (heartbeat). Par défaut : False.
L'audio silencieux désigne le contenu d'un fichier audio ou d'un flux de données ne contenant aucun signal sonore. Vous pouvez générer de l'audio silencieux de plusieurs manières, par exemple en utilisant des logiciels de montage audio tels qu'Audacity ou Adobe Audition, ou des outils en ligne de commande comme FFmpeg. Ce champ nécessite la version 2.0.1 ou ultérieure du SDK. |
language_hints | list[str] | Non | La langue de l'audio à reconnaître. Il n'y a pas de valeur par défaut ; si ce paramètre n'est pas défini, le modèle détecte automatiquement la langue. Vous pouvez définir une seule valeur. Si vous en définissez plusieurs, seule la première prend effet. Cliquez pour afficher les codes de langue pris en charge
|
speech_noise_threshold | float | Non | Le seuil permettant de distinguer la parole du bruit, utilisé pour ajuster la sensibilité de la détection d'activité vocale (VAD). Valeurs valides : [-1,0, 1,0]. Descriptions des valeurs :
Il s'agit d'un paramètre de configuration avancé. Son ajustement peut affecter significativement les résultats de reconnaissance. Recommandations :
|
special_word_filter | str | Non | Spécifie les mots sensibles à traiter lors de la reconnaissance vocale et permet de définir différentes méthodes de traitement pour différents mots sensibles. Pour plus de détails, consultez la rubrique Filtrage des mots sensibles. |
Transmettez le contexte dans input lors de la création de la session avec recognize.
| Paramètre | Type | Obligatoire | Description |
|---|---|---|---|
input | dict | Non | L'objet d'entrée utilisé pour transmettre le contexte de conversation. L'amélioration contextuelle améliore la précision de la reconnaissance pour les termes spécifiques à un domaine. Pour l'utilisation, consultez la rubrique Améliorer la précision de la reconnaissance. ImportantLe paramètre de contexte est pris en charge uniquement par les modèles Le dictionnaire doit inclure une clé
ImportantLimites : les messages de contexte de type ImportantLorsque vous transmettez un contexte, les messages dans RemarqueCe champ nécessite la version 2.0.1 ou ultérieure du SDK. Transmettez-le via le paramètre |
Référence de l’API
Interfaces communes
Ressource principale (client.audio.asr)
La reconnaissance vocale en temps réel est montée sur la ressource client.audio.asr : recognize crée une session de reconnaissance bidirectionnelle en flux continu (Recognition) et recognize_file reconnaît un fichier local en un seul appel.
| Méthode membre | Signature de la méthode | Description |
|---|---|---|
recognize | | Crée une session de reconnaissance bidirectionnelle en flux continu. L'entrée dans le contexte with appelle automatiquement start pour établir la connexion et envoyer la tâche.L'envoi d'audio et la consommation d'événements doivent s'exécuter de manière concurrente (à utiliser avec |
recognize_file | | Un appel non diffusé basé sur un fichier local : envoie automatiquement l'audio par segments et conduit la tâche jusqu'à son terme, en délivrant les événements du serveur un par un. Cette méthode nécessite une autorisation de lecture sur le fichier. |
start | | Démarre la reconnaissance vocale : établit la connexion, envoie la tâche et attend task-started. Appelée automatiquement à l'entrée dans le contexte with. L'audio ne peut être envoyé qu'après un démarrage réussi. |
send_audio_frame | | Envoie l'audio. Veillez à ce que chaque trame audio envoyée ne soit ni trop grande ni trop petite : environ 100 ms par trame, entre 1 Ko et 16 Ko. Les résultats de reconnaissance s'obtiennent en itérant sur |
stop | | Arrête la reconnaissance vocale : notifie seulement le serveur que la saisie est terminée. Le thread récepteur doit continuer à consommer events() jusqu'à l'événement task-finished. |
events / results | | Itère sur les événements du serveur : events() délivre des dict d'événements bruts (le texte reconnu se trouve dans payload.output.sentence) ; results() ne délivre que les trames de résultats de reconnaissance, en renvoyant des objets typés Résultat de reconnaissance (RecognitionResult) (les trames de heartbeat sont filtrées). |
close | | Ferme la session de reconnaissance. Appelée automatiquement à la sortie du contexte with. |
request_id / first_package_delay / last_package_delay / last_response | | Récupère le request_id, la latence du premier paquet (délai entre l'envoi du premier paquet audio et la réception du premier résultat de reconnaissance) et la latence du dernier paquet (temps écoulé entre l'envoi de la commande stop et le dernier résultat de reconnaissance). À utiliser après la fin de la tâche. last_response est le dernier message brut lu correctement, utile pour récupérer les erreurs d'une tâche échouée. Restent lisibles après la fermeture de la session. |
Itération d'événements (events()/results())
Lors d'un appel bidirectionnel en flux continu, le serveur renvoie les informations clés du processus et les données au client via des événements. Dans un thread récepteur, itérez sur les events() de la session (dict d'événements bruts) ou results() (trames typées de résultats de reconnaissance) pour traiter les informations et données renvoyées par le serveur.
# Itérer sur les événements bruts : le texte reconnu se trouve dans payload.output.sentence
def receive_events(rec):
for event in rec.events():
payload = event.get('payload') or {}
sentence = (payload.get('output') or {}).get('sentence') or {}
if sentence.get('text') and not sentence.get('heartbeat'):
print('Recognized text: ', sentence['text'])
# Ou itérer uniquement sur les trames de résultats de reconnaissance (renvoie RecognitionResult, les trames de heartbeat sont filtrées)
def receive_results(rec):
for result in rec.results():
sentence = result.get_sentence()
if sentence and 'text' in sentence:
print('Recognized text: ', sentence['text'])
| Événement/méthode d'itération | Sortie | Valeur de retour | Description |
|---|---|---|---|
| Événement task-started | None | Lu en interne par start() et enregistré dans last_response au retour du démarrage. N'est pas redélivré par events(). |
| event : dict d'événement du serveur | Itérateur | Délivre des événements lors des réponses du serveur. Le résultat de reconnaissance se trouve dans payload.output.sentence, qui peut être un événement de heartbeat ou de texte vide que les applications peuvent ignorer selon les besoins. Consommez-le depuis un unique thread récepteur et ne créez pas plusieurs lecteurs concurrents. |
| result : résultat de reconnaissance (RecognitionResult) | Itérateur | Ne délivre que les trames de résultats de reconnaissance (les trames de heartbeat sont filtrées). L'itération se termine après le renvoi de tous les résultats de reconnaissance. |
| Exception DashScopeError | None | Levée dans le thread d'envoi/réception en cas d'erreur. Vous pouvez la capturer par try/except. |
| Événement task-finished | None | Délivré par events() lorsque le serveur a terminé toute la reconnaissance, après quoi l'itération se termine. Vous devez continuer à lire cet événement après l'appel de stop(). |
Informations d'horodatage au niveau des mots (Word)
Les membres de la classe Word sont les suivants :
| Paramètre | Type | Description |
|---|---|---|
begin_time | int | Heure de début du mot, en ms. |
end_time | int | Heure de fin du mot, en ms. |
text | str | Le mot. |
punctuation | str | La ponctuation. |
Qwen-Audio-ASR-Streaming
Interfaces principales
Mettre à jour le contexte de conversation
Appelez update_context pour mettre à jour le contexte de la conversation pendant l'exécution d'une tâche de reconnaissance. Le contexte sert à aider la reconnaissance de l'audio ultérieur. Cette méthode nécessite DashScope Python SDK 2.0.1 ou ultérieure.
def update_context(self, context: dict)
- Quand appeler : après le début de la reconnaissance en flux continu (l'entrée dans le contexte
withappelle automatiquementstart) et avant l'appel destop. - Paramètre :
contextest un dictionnaire contenant l'objetpayload.inputd'un événementcontinue-task, incluant le champcontext. N'ajoutez pas d'enveloppepayloadouinputsupplémentaire. - Modèles pris en charge et restrictions de paramètres : consultez continue-task.
L'exemple suivant utilise une instance recognition existante et démarrée.
payload_input = {
"context": [
{
"role": "user",
"content": [{"type": "input_text", "text": "Hello"}]
},
{
"role": "assistant",
"content": [{"type": "text", "text": "Hello, I am Qwen. How can I help you?"}]
}
]
}
recognition.update_context(context=payload_input)
Réponse
Résultat de reconnaissance (RecognitionResult)
RecognitionResult représente une trame de résultat de reconnaissance unique délivrée lors de l'itération sur les results() de la session (utilisable aussi bien dans les appels bidirectionnels en flux continu que non diffusés ; events() délivre des dict d'événements bruts ; utilisez results() si vous avez besoin de cette vue typée).
| Méthode membre | Signature de la méthode | Description |
|---|---|---|
get_sentence | | Récupère la phrase reconnue actuelle et ses informations d'horodatage. Cette méthode renvoie Dict[str, Any] (informations d'une seule phrase). Pour plus de détails, consultez la rubrique Phrase (Sentence). |
request_id | | Le request_id correspondant à l'événement courant. |
is_sentence_end | | Détermine si la phrase courante est terminée. Cette méthode vérifie si le champ end_time dans les informations de phrase unique renvoyées par get_sentence() est None : une valeur end_time différente de None indique que la phrase est terminée. |
Les membres de la classe Sentence sont les suivants :
| Paramètre | Type | Description |
|---|---|---|
begin_time | int | Heure de début de la phrase, en ms. |
end_time | int | Heure de fin de la phrase, en ms. |
text | str | Texte reconnu. |
words | Une liste d'informations d'horodatage au niveau des mots (Word) | Informations d'horodatage au niveau des mots. |
Qwen-Audio-ASR-Message
Interfaces principales
Mettre à jour le contexte de conversation
Appelez update_context pour mettre à jour le contexte de la conversation pendant l'exécution d'une tâche de reconnaissance. Le contexte sert à aider la reconnaissance de l'audio ultérieur. Cette méthode nécessite DashScope Python SDK 2.0.1 ou ultérieure.
def update_context(self, context: dict)
- Quand appeler : après le début de la reconnaissance en flux continu (l'entrée dans le contexte
withappelle automatiquementstart) et avant l'appel destop. - Paramètre :
contextest un dictionnaire contenant l'objetpayload.inputd'un événementcontinue-task, incluant le champcontext. N'ajoutez pas d'enveloppepayloadouinputsupplémentaire. - Modèles pris en charge et restrictions de paramètres : consultez continue-task.
L'exemple suivant utilise une instance recognition existante et démarrée.
payload_input = {
"context": [
{
"role": "user",
"content": [{"type": "input_text", "text": "Hello"}]
},
{
"role": "assistant",
"content": [{"type": "text", "text": "Hello, I am Qwen. How can I help you?"}]
}
]
}
recognition.update_context(context=payload_input)
Réponse
Résultat de reconnaissance (RecognitionResult)
RecognitionResult représente une trame de résultat de reconnaissance unique délivrée lors de l'itération sur les results() de la session (utilisable aussi bien dans les appels bidirectionnels en flux continu que non diffusés ; events() délivre des dict d'événements bruts ; utilisez results() si vous avez besoin de cette vue typée).
| Méthode membre | Signature de la méthode | Description |
|---|---|---|
get_sentence | | Récupère la phrase reconnue actuelle et ses informations d'horodatage. Cette méthode renvoie Dict[str, Any] (informations d'une seule phrase). Pour plus de détails, consultez la rubrique Phrase (Sentence). |
request_id | | Le request_id correspondant à l'événement courant. |
is_sentence_end | | Détermine si la phrase courante est terminée. Cette méthode vérifie si le champ end_time dans les informations de phrase unique renvoyées par get_sentence() est None : une valeur end_time différente de None indique que la phrase est terminée. |
Les membres de la classe Sentence sont les suivants :
| Paramètre | Type | Description |
|---|---|---|
begin_time | int | Heure de début de la phrase, en ms. |
end_time | int | Heure de fin de la phrase, en ms. |
text | str | Texte reconnu. |
words | Une liste d'informations d'horodatage au niveau des mots (Word) | Informations d'horodatage au niveau des mots. |
Fun-ASR-Realtime
Interfaces principales
Réponse
Résultat de reconnaissance (RecognitionResult)
RecognitionResult représente une trame de résultat de reconnaissance unique délivrée lors de l'itération sur les results() de la session (utilisable aussi bien dans les appels bidirectionnels en flux continu que non diffusés ; events() délivre des dict d'événements bruts ; utilisez results() si vous avez besoin de cette vue typée).
| Méthode membre | Signature de la méthode | Description |
|---|---|---|
get_sentence | | Récupère la phrase reconnue actuelle et ses informations d'horodatage. Cette méthode renvoie Dict[str, Any] (informations d'une seule phrase). Pour plus de détails, consultez la rubrique Phrase (Sentence). |
request_id | | Le request_id correspondant à l'événement courant. |
is_sentence_end | | Détermine si la phrase courante est terminée. Cette méthode vérifie si le champ end_time dans les informations de phrase unique renvoyées par get_sentence() est None : une valeur end_time différente de None indique que la phrase est terminée. |
Informations sur la phrase (Sentence)
Les membres de la classe Sentence sont les suivants :
| Paramètre | Type | Description |
|---|---|---|
begin_time | int | Heure de début de la phrase, en ms. |
end_time | int | Heure de fin de la phrase, en ms. |
text | str | Texte reconnu. |
words | Une liste d'informations d'horodatage au niveau des mots (Word) | Informations d'horodatage au niveau des mots. |
Codes d’erreur
Si vous rencontrez des erreurs, consultez la rubrique Codes d'erreur pour le dépannage.
Si le problème persiste, rejoignez la communauté des développeurs pour signaler votre problème et fournir l'ID de requête afin de poursuivre l'investigation.