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

Pilih model yang tepat untuk pengenalan suara 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	`fun-asr-realtime`, `qwen3.5-omni-plus-realtime`
Transkripsi offline / file	OpenAI gpt-4o-transcribe, Whisper	`fun-asr`, `qwen3.5-omni-plus`

Gunakan empat "Kriteria pemilihan"—real-time vs. offline, terminologi domain, diarization pembicara, dan pengenalan emosi—untuk mengidentifikasi model yang tepat. Lalu periksa "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 rekaman setelah proses perekaman selesai.

Real-time (pengenalan streaming): Menggunakan koneksi WebSocket untuk mengalirkan audio masuk dan teks keluar. Ideal untuk keterangan langsung, asisten suara, dan transkripsi rapat. Model yang direkomendasikan: fun-asr-realtime (hot words, dukungan dialek) atau qwen3.5-omni-plus-realtime (konteks prompt, multibahasa).
Offline (transkripsi file): Menggunakan API HTTP untuk mengirimkan file audio dan menerima hasil transkripsi. Cocok untuk rekaman pusat panggilan, podcast, dan wawancara. Model yang direkomendasikan: fun-asr (hot words, diarization pembicara) atau qwen3.5-omni-plus (konteks prompt, multibahasa).

Model real-time Fun-ASR dan Qwen-ASR mendukung SDK DashScope (Java, Python). Semua model lain memerlukan panggilan API WebSocket atau HTTP secara 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 system prompt. Tidak perlu penyiapan—model menyesuaikan diri per permintaan. Latensi sedikit lebih tinggi dibandingkan model ASR khusus. Gunakan qwen3.5-omni-plus-realtime (real-time) atau qwen3.5-omni-plus (offline).
Hot words: Sediakan daftar kosakata berbobot. Paling cocok untuk terminologi yang stabil dan jarang berubah. Gunakan fun-asr-realtime (real-time) atau fun-asr (offline).

Catatan

Qwen3.5-Omni bukan mesin ASR tradisional—ini adalah model bahasa besar yang memahami audio. Masukkan konteks melalui system prompt; model akan menyesuaikan tanpa daftar hot word.

Diarization pembicara

Hanya model offline Fun-ASR (fun-asr dan fun-asr-mtl) yang mendukung diarization pembicara—gunakan untuk mengidentifikasi siapa yang mengatakan apa.

Pengenalan emosi

Model Qwen-ASR dan Qwen3.5-Omni 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
`fun-asr-realtime`	Real-time	WebSocket	Hot words	Tidak didukung	Tidak didukung	Multibahasa dengan dialek	Tanpa Batas
`fun-asr`	Offline	HTTP	Hot words	Tidak didukung	Didukung	Multibahasa dengan dialek	12 jam / 2 GB
`qwen3.5-omni-plus-realtime`	Real-time	WebSocket	Konteks prompt	Didukung	Tidak didukung	Multibahasa	2 jam
`qwen3.5-omni-plus`	Offline	HTTP (kompatibel OpenAI)	Konteks prompt	Didukung	Tidak didukung	Multibahasa	3 jam / 2 GB

Semua model

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 dengan dialek	Tanpa Batas
`fun-asr-realtime-2025-11-07`	Real-time	WebSocket	Hot words	Tidak didukung	Tidak didukung	Multibahasa dengan 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-2025-11-07): Bahasa Tionghoa (Mandarin, Kanton, Wu, Hokkien, Hakka, Gan, Xiang, Jin; ditambah 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; ditambah 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-8K-Realtime (fun-asr-flash-8k-realtime, fun-asr-flash-8k-realtime-2026-01-28): Bahasa Tionghoa
Versi utama Fun-ASR / Fun-ASR-MTL (fun-asr, fun-asr-2025-11-07): Bahasa Tionghoa (Mandarin, Kanton, Wu, Hokkien, Hakka, Gan, Xiang, Jin; ditambah 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; ditambah 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.

Qwen3.5-Omni / Qwen3-Omni

ID Model	Mode	API	Peningkatan akurasi	Pengenalan emosi	Diarization pembicara	Bahasa	Durasi/ukuran audio maksimum
`qwen3.5-omni-plus-realtime`	Real-time	WebSocket	Konteks prompt	Didukung	Tidak didukung	Multibahasa	2 jam
`qwen3.5-omni-plus`	Offline	HTTP (kompatibel OpenAI)	Konteks prompt	Didukung	Tidak didukung	Multibahasa	3 jam / 2 GB
`qwen3.5-omni-flash-realtime`	Real-time	WebSocket	Konteks prompt	Didukung	Tidak didukung	Multibahasa	2 jam
`qwen3.5-omni-flash`	Offline	HTTP (kompatibel OpenAI)	Konteks prompt	Didukung	Tidak didukung	Multibahasa	3 jam / 2 GB
`qwen3-omni-flash-realtime`	Real-time	WebSocket	Konteks prompt	Didukung	Tidak didukung	Multibahasa dengan dialek	2 jam
`qwen3-omni-flash`	Offline	HTTP (kompatibel OpenAI)	Konteks prompt	Didukung	Tidak didukung	Multibahasa dengan dialek	20 menit / 100 MB

Bahasa yang didukung: Qwen3.5-Omni / Qwen3-Omni bukan model ASR khusus. Periksa panduan pengguna dan dokumentasi API masing-masing model untuk bahasa yang didukung.

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". Model Qwen3.5-Omni / Qwen3-Omni bukan model ASR khusus—periksa dokumentasi masing-masing model untuk spesifikasi audionya.

Real-time

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

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

Offline

ID Model	Metode input	Format audio	Sample rate	Ukuran file/durasi
Fun-ASR (seri `fun-asr`, `fun-asr-mtl`)	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 laju apa saja; `paraformer-8k-*` hanya 8 kHz	Sama seperti Fun-ASR
Qwen3-ASR-Flash-Filetrans (seri `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 laju apa saja (server melakukan resampling ke 16 kHz sebelum pengenalan)	≤2 GB; ≤12 jam
Qwen3-ASR-Flash (seri `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 laju apa saja (server melakukan resampling ke 16 kHz sebelum pengenalan)	≤10 MB; ≤5 menit