Model speech-to-text untuk transkripsi real-time dan berbasis file - Alibaba Cloud Model Studio

Pilih model yang tepat untuk pengenalan suara secara real-time atau berbasis file.

Migrasi dari model closed-source

Petakan layanan Whisper, Deepgram, atau Google ASR Anda saat ini ke padanan Bailian.

Kasus penggunaan	Contoh closed-source	Rekomendasi Bailian
Pengenalan real-time	Deepgram Nova-3, Google Chirp 3	`qwen-audio-3.0-asr-flash-streaming`
Transkripsi offline / file	OpenAI gpt-4o-transcribe, Whisper	`qwen-audio-3.0-asr-flash-filetrans`, `qwen-audio-3.0-asr-flash`

Gunakan empat "Kriteria pemilihan"—real-time vs. offline, terminologi domain, diarization pembicara, dan pengenalan emosi—untuk mengidentifikasi model yang tepat. Selanjutnya, lihat "Model yang direkomendasikan" untuk pilihan terbaik berdasarkan skenario, "Semua model" untuk daftar lengkap versi berdasarkan family model, dan "Spesifikasi audio" untuk batasan input. Bahasa yang didukung (termasuk dialek) tercantum di bawah setiap family model dalam "Semua model".

Kriteria pemilihan

Evaluasi empat dimensi untuk menemukan model yang tepat.

Real-time atau offline?

Pengenalan real-time mengembalikan hasil saat pengguna berbicara. Pengenalan offline mentranskripsikan file yang telah direkam setelah rekaman selesai.

Real-time (pengenalan streaming): Menggunakan koneksi WebSocket untuk mengalirkan audio masuk dan teks keluar. Ideal untuk takarir langsung, asisten suara, dan transkripsi rapat. Model yang direkomendasikan: qwen-audio-3.0-asr-flash-streaming (hot words, konteks prompt, multibahasa dengan dialek).
Offline (transkripsi file): Menggunakan API HTTP untuk mengirimkan file audio dan mengambil hasil transkripsi. Cocok untuk rekaman pusat panggilan, podcast, dan wawancara. Model yang direkomendasikan: qwen-audio-3.0-asr-flash-filetrans (hot words, konteks prompt, diarization pembicara).

Model seri Qwen-Audio-3.0-ASR-Flash-Streaming dan Fun-ASR-Realtime juga mendukung protokol AOQ. Untuk integrasi sisi client yang memprioritaskan latensi stabil, ketahanan pada jaringan lemah, serta penekanan noise full-duplex dan pembatalan gema bawaan, AOQ direkomendasikan. Untuk perbandingan protokol, lihat Ikhtisar API real-time.

Qwen-Audio-3.0-ASR-Flash-Streaming, Qwen-Audio-3.0-ASR-Flash-Filetrans, serta model real-time Fun-ASR dan Qwen-ASR mendukung SDK DashScope (Java, Python). Semua model lain memerlukan panggilan API WebSocket atau HTTP langsung.

Untuk integrasi real-time, lihat Pengenalan suara real-time. Untuk integrasi offline, lihat Pengenalan suara non-real-time.

Terminologi domain

Dua pendekatan, diurutkan berdasarkan fleksibilitas:

Injeksi konteks prompt: Jelaskan domain Anda dalam prompt sistem. Tidak perlu penyiapan—model menyesuaikan per permintaan. Direkomendasikan: seri Qwen-Audio-3.0-ASR-Flash-Streaming, Qwen-Audio-3.0-ASR-Flash-Filetrans, dan Qwen-Audio-3.0-ASR-Flash.
Hot words: Sediakan daftar kosakata berbobot. Direkomendasikan: seri Qwen-Audio-3.0-ASR-Flash-Streaming, Qwen-Audio-3.0-ASR-Flash-Filetrans, dan Qwen-Audio-3.0-ASR-Flash.

Diarization pembicara

Seri Qwen-Audio-3.0-ASR-Flash-Filetrans (qwen-audio-3.0-asr-flash-filetrans) dan model offline Fun-ASR (fun-asr dan fun-asr-mtl) mendukung diarization pembicara. Untuk mengidentifikasi siapa yang mengatakan apa, gunakan qwen-audio-3.0-asr-flash-filetrans.

Pengenalan emosi

Model Qwen-ASR mendeteksi emosi bersamaan dengan transkripsi. Model yang direkomendasikan: qwen3-asr-flash-realtime (real-time) atau qwen3-asr-flash-filetrans (offline).

Model yang direkomendasikan

Pilihan terbaik untuk skenario umum.

ID Model	Mode	API	Peningkatan akurasi	Pengenalan emosi	Diarization pembicara	Bahasa	Durasi/ukuran audio maksimum
`qwen-audio-3.0-asr-flash-streaming`	Real-time	WebSocket	Hot words, konteks prompt	Tidak didukung	Tidak didukung	Multibahasa dengan dialek	Tanpa Batas
`qwen-audio-3.0-asr-flash-filetrans`	Offline	HTTP	Hot words, konteks prompt	Tidak didukung	Didukung	Multibahasa dengan dialek	12 jam / 2 GB

Semua model

Qwen-Audio-3.0-ASR-Flash-Streaming

ID Model	Mode	API	Peningkatan akurasi	Pengenalan emosi	Diarization pembicara	Bahasa	Durasi/ukuran audio maksimum
`qwen-audio-3.0-asr-flash-streaming`	Real-time	WebSocket	Hot words, konteks prompt	Tidak didukung	Tidak didukung	Multibahasa dengan dialek	Tanpa Batas

Bahasa yang didukung (berdasarkan versi):

qwen-audio-3.0-asr-flash-streaming: Bahasa Tionghoa (Mandarin, Kanton, Wu, Hokkien, Hakka, Gan, Xiang, Jin; plus aksen regional termasuk Dataran Tengah, Barat Daya, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Timur Laut, Beijing, dan Hong Kong/Taiwan—meliputi aksen Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu, dan Ningxia), Inggris, Jepang, Korea, Vietnam, Thailand, Indonesia, Melayu, Filipina, Hindi, Arab, Prancis, Jerman, Spanyol, Portugis, Rusia, Italia, Belanda, Swedia, Denmark, Finlandia, Norwegia, Yunani, Polandia, Ceko, Hongaria, Rumania, Bulgaria, Kroasia, Slovakia

Qwen-Audio-3.0-ASR-Flash-Filetrans

ID Model	Mode	API	Peningkatan akurasi	Pengenalan emosi	Diarization pembicara	Bahasa	Durasi/ukuran audio maksimum
`qwen-audio-3.0-asr-flash-filetrans`	Offline	HTTP	Hot words, konteks prompt	Tidak didukung	Didukung	Multibahasa dengan dialek	12 jam / 2 GB

Bahasa yang didukung (berdasarkan versi):

qwen-audio-3.0-asr-flash-filetrans: Bahasa Tionghoa (Mandarin, Kanton, Wu, Hokkien, Hakka, Gan, Xiang, Jin; plus aksen regional termasuk Dataran Tengah, Barat Daya, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Timur Laut, Beijing, dan Hong Kong/Taiwan—meliputi aksen Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu, dan Ningxia), Inggris, Jepang, Korea, Vietnam, Thailand, Indonesia, Melayu, Filipina, Hindi, Arab, Prancis, Jerman, Spanyol, Portugis, Rusia, Italia, Belanda, Swedia, Denmark, Finlandia, Norwegia, Yunani, Polandia, Ceko, Hongaria, Rumania, Bulgaria, Kroasia, Slovakia

Qwen-Audio-3.0-ASR-Flash

ID Model	Mode	API	Peningkatan akurasi	Pengenalan emosi	Diarization pembicara	Bahasa	Durasi/ukuran audio maksimum
`qwen-audio-3.0-asr-flash`	Offline	HTTP	Hot words, konteks prompt	Tidak didukung	Tidak didukung	Multibahasa dengan dialek	5 menit / 2 GB

Bahasa yang didukung (berdasarkan versi):

qwen-audio-3.0-asr-flash: Bahasa Tionghoa (Mandarin, Kanton, Wu, Hokkien, Hakka, Gan, Xiang, Jin; plus aksen regional termasuk Dataran Tengah, Barat Daya, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Timur Laut, Beijing, dan Hong Kong/Taiwan—meliputi aksen Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu, dan Ningxia), Inggris, Jepang, Korea, Vietnam, Thailand, Indonesia, Melayu, Filipina, Hindi, Arab, Prancis, Jerman, Spanyol, Portugis, Rusia, Italia, Belanda, Swedia, Denmark, Finlandia, Norwegia, Yunani, Polandia, Ceko, Hongaria, Rumania, Bulgaria, Kroasia, Slovakia

Fun-ASR

ID Model	Mode	API	Peningkatan akurasi	Pengenalan emosi	Diarization pembicara	Bahasa	Durasi/ukuran audio maksimum
`fun-asr-realtime`	Real-time	WebSocket	Hot words	Tidak didukung	Tidak didukung	Bahasa Tionghoa, Inggris, Jepang, dan dialek	Tanpa Batas
`fun-asr-realtime-2026-02-28`	Real-time	WebSocket	Hot words	Tidak didukung	Tidak didukung	Bahasa Tionghoa, Inggris, Jepang, dan dialek	Tanpa Batas
`fun-asr-realtime-2025-11-07`	Real-time	WebSocket	Hot words	Tidak didukung	Tidak didukung	Bahasa Tionghoa, Inggris, Jepang, dan dialek	Tanpa Batas
`fun-asr-realtime-2025-09-15`	Real-time	WebSocket	Hot words	Tidak didukung	Tidak didukung	Bahasa Tionghoa, Inggris	Tanpa Batas
`fun-asr-flash-8k-realtime`	Real-time	WebSocket	Hot words	Tidak didukung	Tidak didukung	Bahasa Tionghoa	Tanpa Batas
`fun-asr-flash-8k-realtime-2026-01-28`	Real-time	WebSocket	Hot words	Tidak didukung	Tidak didukung	Bahasa Tionghoa	Tanpa Batas
`fun-asr`	Offline	HTTP	Hot words	Tidak didukung	Didukung	Multibahasa dengan dialek	12 jam / 2 GB
`fun-asr-flash-2026-06-15`	Offline	HTTP	Konteks prompt	Tidak didukung	Tidak didukung	Multibahasa dengan dialek	5 menit / 2 GB
`fun-asr-2025-11-07`	Offline	HTTP	Hot words	Tidak didukung	Didukung	Multibahasa dengan dialek	12 jam / 2 GB
`fun-asr-2025-08-25`	Offline	HTTP	Hot words	Tidak didukung	Didukung	Bahasa Tionghoa, Inggris	12 jam / 2 GB
`fun-asr-mtl`	Offline	HTTP	Hot words	Tidak didukung	Didukung	Multibahasa dengan dialek	12 jam / 2 GB
`fun-asr-mtl-2025-08-25`	Offline	HTTP	Hot words	Tidak didukung	Didukung	Multibahasa dengan dialek	12 jam / 2 GB

Bahasa yang didukung (berdasarkan versi):

Versi utama Fun-ASR-Realtime (fun-asr-realtime, fun-asr-realtime-2026-02-28, fun-asr-realtime-2025-11-07): Bahasa Tionghoa (Mandarin, Kanton, Wu, Hokkien, Hakka, Gan, Xiang, Jin; plus aksen regional termasuk Dataran Tengah, Barat Daya, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Timur Laut, Beijing, dan Hong Kong/Taiwan—meliputi aksen Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu, dan Ningxia), Inggris, Jepang
fun-asr-realtime-2025-09-15: Bahasa Tionghoa (Mandarin), Inggris
Fun-ASR-Flash-Realtime(8K) (fun-asr-flash-8k-realtime, fun-asr-flash-8k-realtime-2026-01-28): Bahasa Tionghoa
Versi utama Fun-ASR (fun-asr, fun-asr-2025-11-07): Bahasa Tionghoa (Mandarin, Kanton, Wu, Hokkien, Hakka, Gan, Xiang, Jin; plus aksen regional termasuk Dataran Tengah, Barat Daya, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Timur Laut, Beijing, dan Hong Kong/Taiwan—meliputi aksen Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu, dan Ningxia), Inggris, Jepang, Korea, Vietnam, Thailand, Indonesia, Melayu, Filipina, Hindi, Arab, Prancis, Jerman, Spanyol, Portugis, Rusia, Italia, Belanda, Swedia, Denmark, Finlandia, Norwegia, Yunani, Polandia, Ceko, Hongaria, Rumania, Bulgaria, Kroasia, Slovakia
Fun-ASR-Flash (fun-asr-flash-2026-06-15): Bahasa Tionghoa (Mandarin, Kanton, Wu, Hokkien, Hakka, Gan, Xiang, Jin; plus aksen regional termasuk Dataran Tengah, Barat Daya, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Timur Laut, Beijing, dan Hong Kong/Taiwan—meliputi aksen Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu, dan Ningxia), Inggris, Jepang, Korea, Vietnam, Thailand, Indonesia, Melayu, Filipina, Hindi, Arab, Prancis, Jerman, Spanyol, Portugis, Rusia, Italia, Belanda, Swedia, Denmark, Finlandia, Norwegia, Yunani, Polandia, Ceko, Hongaria, Rumania, Bulgaria, Kroasia, Slovakia
fun-asr-2025-08-25: Bahasa Tionghoa (Mandarin), Inggris
Fun-ASR(MTL) (fun-asr-mtl, fun-asr-mtl-2025-08-25): Bahasa Tionghoa (Mandarin, Kanton), Inggris, Jepang, Korea, Vietnam, Thailand, Indonesia, Melayu, Filipina, Hindi, Arab, Prancis, Jerman, Spanyol, Portugis, Rusia, Italia, Belanda, Swedia, Denmark, Finlandia, Norwegia, Yunani, Polandia, Ceko, Hongaria, Rumania, Bulgaria, Kroasia, Slovakia

Qwen-ASR

ID Model	Mode	API	Peningkatan akurasi	Pengenalan emosi	Diarization pembicara	Bahasa	Durasi/ukuran audio maksimum
`qwen3-asr-flash-realtime`	Real-time	WebSocket	Tidak didukung	Didukung	Tidak didukung	Multibahasa dengan dialek	Tanpa Batas
`qwen3-asr-flash-realtime-2026-02-10`	Real-time	WebSocket	Tidak didukung	Didukung	Tidak didukung	Multibahasa dengan dialek	Tanpa Batas
`qwen3-asr-flash-realtime-2025-10-27`	Real-time	WebSocket	Tidak didukung	Didukung	Tidak didukung	Multibahasa dengan dialek	Tanpa Batas
`qwen3-asr-flash-filetrans`	Offline	HTTP	Tidak didukung	Didukung	Tidak didukung	Multibahasa dengan dialek	12 jam / 2 GB
`qwen3-asr-flash-filetrans-2025-11-17`	Offline	HTTP	Tidak didukung	Didukung	Tidak didukung	Multibahasa dengan dialek	12 jam / 2 GB
`qwen3-asr-flash`	Offline	HTTP (kompatibel OpenAI)	Tidak didukung	Didukung	Tidak didukung	Multibahasa dengan dialek	5 menit / 10 MB
`qwen3-asr-flash-2026-02-10`	Offline	HTTP (kompatibel OpenAI)	Tidak didukung	Didukung	Tidak didukung	Multibahasa dengan dialek	5 menit / 10 MB
`qwen3-asr-flash-2025-09-08`	Offline	HTTP (kompatibel OpenAI)	Tidak didukung	Didukung	Tidak didukung	Multibahasa dengan dialek	5 menit / 10 MB

Bahasa yang didukung: Semua model Qwen-ASR (qwen3-asr-flash-realtime, qwen3-asr-flash-filetrans, qwen3-asr-flash, dan versi snapshot-nya) memiliki daftar bahasa yang sama: Bahasa Tionghoa (Mandarin, Sichuan, Hokkien, Wu, Kanton), Inggris, Jepang, Jerman, Korea, Rusia, Prancis, Portugis, Arab, Italia, Spanyol, Hindi, Indonesia, Thailand, Turki, Ukraina, Vietnam, Ceko, Denmark, Filipina, Finlandia, Islandia, Melayu, Norwegia, Polandia, Swedia.

Paraformer

Paraformer adalah family model ASR generasi lama. Migrasikan ke Fun-ASR atau Qwen-ASR jika memungkinkan.

ID Model	API	Deskripsi
`paraformer-realtime-v2`	WebSocket	Pengenalan real-time; Bahasa Tionghoa, Inggris, Jepang, Korea, Jerman, Prancis, Rusia
`paraformer-realtime-v1`	WebSocket	Pengenalan real-time; Bahasa Tionghoa, Inggris, Jepang, Korea, Jerman, Prancis, Rusia
`paraformer-realtime-8k-v2`	WebSocket	Pengenalan real-time untuk telepon 8 kHz; Bahasa Tionghoa
`paraformer-realtime-8k-v1`	WebSocket	Pengenalan real-time untuk telepon 8 kHz; Bahasa Tionghoa
`paraformer-v2`	HTTP	Transkripsi file dengan diarization pembicara; Bahasa Tionghoa, Inggris, Jepang, Korea, Jerman, Prancis, Rusia
`paraformer-8k-v2`	HTTP	Transkripsi file untuk telepon 8 kHz; Bahasa Tionghoa

Bahasa yang didukung (berdasarkan versi):

paraformer-realtime-v2, paraformer-v2: Bahasa Tionghoa (Mandarin, Kanton, Wu, Hokkien, Timur Laut, Gansu, Guizhou, Henan, Hubei, Hunan, Ningxia, Shanxi, Shaanxi, Shandong, Sichuan, Tianjin, Jiangxi, Yunnan, Shanghai), Inggris, Jepang, Korea, Jerman, Prancis, Rusia
paraformer-realtime-v1, paraformer-realtime-8k-v2, paraformer-realtime-8k-v1, paraformer-8k-v2: Bahasa Tionghoa (Mandarin)

Spesifikasi audio

Spesifikasi audio untuk mode real-time dan offline. Untuk bahasa yang didukung, lihat subbagian family model di "Semua model".

Real-time

ID Model	Metode input	Format audio	Sample rate	Ukuran/durasi
Qwen-Audio-3.0-ASR-Flash-Streaming (`qwen-audio-3.0-asr-flash-streaming` series)	Aliran biner	`pcm`, `wav`, `mp3`, `opus`, `speex`, `aac`, `amr`	Apa saja	Tanpa Batas
Fun-ASR-Realtime / Fun-ASR-MTL-Realtime (`fun-asr-realtime`, `fun-asr-mtl-realtime` series)	Aliran biner	`pcm`, `wav`, `mp3`, `opus`, `speex`, `aac`, `amr`	Apa saja	Tanpa Batas
Fun-ASR-Flash-8K-Realtime (`fun-asr-flash-8k-realtime` series)	Aliran biner	Sama seperti Fun-ASR-Realtime	8 kHz	Tanpa Batas
Qwen-ASR-Realtime (`qwen3-asr-flash-realtime` series)	Aliran biner	`pcm`, `opus`	8 kHz, 16 kHz	Tanpa Batas
Paraformer-Realtime (`paraformer-realtime-v2/v1`, `paraformer-realtime-8k-v2/v1`)	Aliran biner	Sama seperti Fun-ASR-Realtime	`paraformer-realtime-v2` semua rate; `paraformer-realtime-v1` 16 kHz; `paraformer-realtime-8k-*` 8 kHz	Tanpa Batas

Semua model real-time hanya menerima input mono (satu channel).

Offline

ID Model	Metode input	Format audio	Sample rate	Ukuran file/durasi
Qwen-Audio-3.0-ASR-Flash-Filetrans (`qwen-audio-3.0-asr-flash-filetrans` series)	URL file yang dapat diakses publik; 1 URL per permintaan	`aac`, `amr`, `avi`, `flac`, `flv`, `m4a`, `mkv`, `mov`, `mp3`, `mp4`, `mpeg`, `ogg`, `opus`, `wav`, `webm`, `wma`, `wmv`	Apa saja	≤2 GB; ≤12 jam (≤2 jam direkomendasikan saat diarization pembicara diaktifkan)
Qwen-Audio-3.0-ASR-Flash (`qwen-audio-3.0-asr-flash` series)	URL / Base64; 1 file per permintaan	`aac`, `amr`, `avi`, `flac`, `flv`, `m4a`, `mkv`, `mov`, `mp3`, `mp4`, `mpeg`, `ogg`, `opus`, `wav`, `webm`, `wma`, `wmv`	Apa saja	≤2 GB; ≤5 menit
Fun-ASR (`fun-asr`, `fun-asr-mtl` series)	URL file yang dapat diakses publik; 1 URL per permintaan	`aac`, `amr`, `avi`, `flac`, `flv`, `m4a`, `mkv`, `mov`, `mp3`, `mp4`, `mpeg`, `ogg`, `opus`, `wav`, `webm`, `wma`, `wmv`	Apa saja	≤2 GB; ≤12 jam (≤2 jam direkomendasikan saat diarization pembicara diaktifkan)
Fun-ASR-Flash (`fun-asr-flash-2026-06-15`)	URL / Base64; 1 file per permintaan	`aac`, `amr`, `avi`, `flac`, `flv`, `m4a`, `mkv`, `mov`, `mp3`, `mp4`, `mpeg`, `ogg`, `opus`, `wav`, `webm`, `wma`, `wmv`	Apa saja	≤2 GB; ≤5 menit
Paraformer (`paraformer-v2/v1`, `paraformer-mtl-v1`, `paraformer-8k-v2/v1`)	Sama seperti Fun-ASR	Sama seperti Fun-ASR	paraformer-v2 semua rate; `paraformer-8k-*` hanya 8 kHz	Sama seperti Fun-ASR
Qwen3-ASR-Flash-Filetrans (`qwen3-asr-flash-filetrans` series)	URL file yang dapat diakses publik; 1 URL per permintaan	`aac`, `amr`, `avi`, `flac`, `flv`, `m4a`, `mkv`, `mov`, `mp3`, `mp4`, `mpeg`, `ogg`, `opus`, `wav`, `webm`, `wma`, `wmv`	`pcm` memerlukan 16 kHz; format lain menerima rate apa saja (server melakukan resampling ke 16 kHz sebelum pengenalan)	≤2 GB; ≤12 jam
Qwen3-ASR-Flash (`qwen3-asr-flash` series)	URL / Base64 / jalur mutlak file lokal; 1 file per permintaan	`aac`, `amr`, `avi`, `aiff`, `flac`, `flv`, `mkv`, `mp3`, `mpeg`, `ogg`, `opus`, `wav`, `webm`, `wma`, `wmv`	`pcm` memerlukan 16 kHz; format lain menerima rate apa saja (server melakukan resampling ke 16 kHz sebelum pengenalan)	≤10 MB; ≤5 menit