Alibaba Cloud Model Studio:Ikhtisar speech-to-text

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	Metode input dan pesan suara：qwen-audio-3.1-asr-flash-message Transkripsi berkelanjutan：qwen-audio-3.1-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.

• Pengenalan real-time menerima aliran audio melalui WebSocket. Pilih sesuai kasus penggunaan:

  • Input suara singkat, seperti metode input dan pesan suara: gunakan qwen-audio-3.1-asr-flash-message untuk latensi teks pertama dan keseluruhan yang rendah, penyuntingan teks opsional, serta hasil akhir yang disusun kembali saat segmen ucapan berakhir.
  • Transkripsi berkelanjutan, seperti rapat dan catatan kelas: gunakan qwen-audio-3.1-asr-flash-streaming untuk membaca hasil secara langsung dengan mengutamakan akurasi hasil sementara.

• 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-ASR-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-ASR-Streaming, Qwen-Audio-ASR-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:

1. Injeksi konteks prompt: Jelaskan domain Anda dalam prompt sistem. Tidak perlu penyiapan—model menyesuaikan per permintaan. Model yang direkomendasikan: qwen-audio-3.0-asr-flash-streaming, qwen-audio-3.0-asr-flash-filetrans, dan qwen-audio-3.0-asr-flash.
2. Hot words: Sediakan daftar kosakata berbobot. Model yang direkomendasikan: qwen-audio-3.0-asr-flash-streaming, qwen-audio-3.0-asr-flash-filetrans, dan qwen-audio-3.0-asr-flash.

qwen-audio-3.1-asr-flash-message mendukung hot words instan, hot words prakompilasi, dan konteks percakapan. Atur vocabulary atau vocabulary_id untuk hot words, dan kirim transkripsi pengguna serta balasan asisten sebelumnya melalui input.context. Definisi parameter: Peristiwa klien.

Diarization pembicara

Seri Qwen-Audio-ASR-Filetrans (qwen-audio-3.0-asr-flash-filetrans) dan model offline Fun-ASR (fun-asr) 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-3.1-asr-flash-message	Real-time	WebSocket	Hot words, Konteks	Tidak didukung	Tidak didukung	Multibahasa dengan dialek	—
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-ASR-Message

ID Model	Mode	API	Peningkatan akurasi	Pengenalan emosi	Diarization pembicara	Bahasa	Durasi/ukuran audio maksimum
qwen-audio-3.1-asr-flash-message	Real-time	WebSocket	Hot words, Konteks	Tidak didukung	Tidak didukung	Multibahasa dengan dialek	—

Bahasa yang didukung:

• qwen-audio-3.1-asr-flash-message: 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-ASR-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-3.1-asr-flash-streaming, 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-ASR-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-3.1-asr-flash-filetrans, 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-ASR

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-3.1-asr-flash, 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	Multibahasa dengan 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-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

Bahasa yang didukung (berdasarkan versi):

• Versi utama Fun-ASR-Realtime (fun-asr-realtime): 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-realtime-2026-02-28: 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-Flash-Realtime(8K) (fun-asr-flash-8k-realtime, fun-asr-flash-8k-realtime-2026-01-28): Bahasa Tionghoa
• Versi utama Fun-ASR (fun-asr): 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

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-filetrans	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

Bahasa yang didukung: Semua model Qwen-ASR (qwen3-asr-flash-realtime, qwen3-asr-flash-filetrans, qwen3-asr-flash) 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-8k-v2	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-8k-v2, 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-3.1-asr-flash-message	Aliran biner	pcm, wav, mp3, opus, speex, aac, amr	16 kHz	—
Seri Qwen-Audio-ASR-Streaming (qwen-audio-3.0-asr-flash-streaming, dan lainnya)	Aliran biner	pcm, wav, mp3, opus, speex, aac, amr	Apa saja	Tanpa Batas
Seri Fun-ASR-Realtime (fun-asr-realtime, dan lainnya)	Aliran biner	pcm, wav, mp3, opus, speex, aac, amr	Apa saja	Tanpa Batas
Seri Fun-ASR-Flash-8K-Realtime (fun-asr-flash-8k-realtime, dan lainnya)	Aliran biner	Sama seperti Fun-ASR-Realtime	8 kHz	Tanpa Batas
qwen3-asr-flash-realtime	Aliran biner	pcm, opus	8 kHz, 16 kHz	Tanpa Batas
paraformer-realtime-v2, paraformer-realtime-8k-v2	Aliran biner	Sama seperti Fun-ASR-Realtime	paraformer-realtime-v2 semua rate; paraformer-realtime-8k-v2 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
Seri Qwen-Audio-ASR-Filetrans (qwen-audio-3.0-asr-flash-filetrans, dan lainnya)	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	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	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-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-v2, paraformer-8k-v2	Sama seperti Fun-ASR	Sama seperti Fun-ASR	paraformer-v2 semua rate; paraformer-8k-v2 hanya 8 kHz	Sama seperti Fun-ASR
qwen3-asr-flash-filetrans	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	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