すべてのプロダクト
Search

このプロダクト

    Alibaba Cloud Model Studio:音声テキスト変換の概要

    ドキュメントセンター

    Alibaba Cloud Model Studio:音声テキスト変換の概要

    最終更新日:Oct 12, 2026

    リアルタイムまたはファイルベースの音声認識に適したモデルを選択します。

    クローズドソースモデルからの移行

    現在ご利用の Whisper、Deepgram、または Google ASR サービスを、同等の Bailian サービスにマッピングします。

    ユースケース

    クローズドソースの例

    Bailian の推奨

    リアルタイム認識

    Deepgram Nova-3, Google Chirp 3

    音声入力・音声メッセージ：qwen-audio-3.1-asr-flash-message
    継続的な文字起こし：qwen-audio-3.1-asr-flash-streaming

    オフライン / ファイル文字起こし

    OpenAI gpt-4o-transcribe, Whisper

    qwen-audio-3.0-asr-flash-filetrans, qwen-audio-3.0-asr-flash

    「選択基準」 (リアルタイム vs オフライン、ドメイン専門用語、話者分離、感情認識) の 4 つの基準を使用して、適切なモデルを特定します。次に、「推奨モデル」でシナリオごとのおすすめモデルを、「すべてのモデル」でモデルファミリーごとの完全なバージョンリストを、「音声仕様」で入力制約を確認します。サポートされている言語 (方言を含む) は、「すべてのモデル」の各モデルファミリーの下にリストされています。

    選択基準

    4 つのディメンションを評価して、適切なモデルを見つけます。

    リアルタイムまたはオフライン

    リアルタイム認識は、ユーザーが話している間に結果を返します。オフライン認識は、録音が終了した後に、事前に録音されたファイルを文字起こしします。

    • リアルタイム認識は WebSocket で音声をストリーミング入力します。用途に応じて選択してください。

      • 音声入力や音声メッセージなどの短い発話：qwen-audio-3.1-asr-flash-message を推奨します。最初のテキスト表示までの遅延と全体の遅延が小さく、テキストの推敲に対応し、発話区間の終了時に最終結果を整理します。
      • 会議や授業の記録などの継続的な文字起こし：qwen-audio-3.1-asr-flash-streaming を推奨します。結果をリアルタイムで読み、中間結果の精度を重視する用途に適しています。

    • オフライン (ファイル文字起こし)： HTTP API を使用して音声ファイルを送信し、文字起こし結果を取得します。コールセンターの録音、ポッドキャスト、インタビューに適しています。推奨モデル： qwen-audio-3.0-asr-flash-filetrans (ホットワード、プロンプトコンテキスト、話者分離)。

    Qwen-Audio-ASR-Streaming および Fun-ASR-Realtime シリーズのモデルは、AOQ プロトコルもサポートしています。プロトコルの比較については、「リアルタイム API の概要」をご参照ください。

    Qwen-Audio-ASR-Streaming、Qwen-Audio-ASR-Filetrans、および Fun-ASR と Qwen-ASR のリアルタイムモデルは、DashScope SDK (Java、Python) をサポートしています。 その他のすべてのモデルでは、直接的な WebSocket または HTTP API 呼び出しが必要です。

    リアルタイム統合については、「リアルタイム音声認識」をご参照ください。オフライン統合については、「非リアルタイム音声認識」をご参照ください。

    ドメイン専門用語

    柔軟性の高い順に 2 つのアプローチがあります：

    1. プロンプトコンテキストインジェクション： システムプロンプトでドメインを記述します。セットアップは不要で、モデルはリクエストごとに適応します。推奨： qwen-audio-3.0-asr-flash-streaming、qwen-audio-3.0-asr-flash-filetrans、および qwen-audio-3.0-asr-flash シリーズ。
    2. ホットワード： 重み付けされた語彙リストを提供します。推奨： qwen-audio-3.0-asr-flash-streaming、qwen-audio-3.0-asr-flash-filetrans、および qwen-audio-3.0-asr-flash シリーズ。

    qwen-audio-3.1-asr-flash-message は即時ホットワード、事前コンパイル済みホットワード、会話コンテキストに対応します。ホットワードは vocabulary または vocabulary_id で設定し、過去のユーザーの文字起こしとアシスタントの応答は input.context で渡します。パラメーター定義： クライアントイベント。

    話者分離

    Qwen-Audio-ASR-Filetrans シリーズ (qwen-audio-3.0-asr-flash-filetrans) および Fun-ASR オフラインモデル (fun-asr および ) は話者分離をサポートしています。誰が何を言ったかを特定するには、qwen-audio-3.0-asr-flash-filetrans を使用します。

    感情認識

    Qwen-ASR モデルは、文字起こしと同時に感情を検出します。推奨モデル： qwen3-asr-flash-realtime (リアルタイム) または qwen3-asr-flash-filetrans (オフライン)。

    推奨モデル

    一般的なシナリオ向けの推奨モデルです。

    モデル ID

    モード

    API

    精度向上

    感情認識

    話者分離

    言語

    最大音声時間/サイズ

    qwen-audio-3.1-asr-flash-message

    リアルタイム

    WebSocket

    ホットワード, コンテキスト

    非対応

    非対応

    多言語 (方言対応)

    —

    qwen-audio-3.0-asr-flash-streaming

    リアルタイム

    WebSocket

    ホットワード、プロンプトコンテキスト

    非対応

    非対応

    多言語 (方言対応)

    無制限

    qwen-audio-3.0-asr-flash-filetrans

    オフライン

    HTTP

    ホットワード、プロンプトコンテキスト

    非対応

    対応

    多言語 (方言対応)

    12 時間 / 2 GB

    すべてのモデル

    Qwen-Audio-ASR-Message

    モデル IDモードAPI精度向上感情認識話者分離言語最大音声時間/サイズ

    qwen-audio-3.1-asr-flash-message

    リアルタイム

    WebSocket

    ホットワード, コンテキスト

    非対応

    非対応

    多言語 (方言対応)

    —

    サポート言語：

    • qwen-audio-3.1-asr-flash-message：中国語 (標準語、広東語、呉語、閩南語、客家語、贛語、湘語、晋語、および中原、西南、冀魯、江淮、蘭銀、膠遼、東北、北京、香港/台湾などの地域アクセントを含む — 河南、陝西、湖北、四川、重慶、雲南、貴州、広東、広西、河北、天津、山東、安徽、南京、江蘇、杭州、甘粛、寧夏のアクセントをカバー)、英語、日本語、韓国語、ベトナム語、タイ語、インドネシア語、マレー語、フィリピン語、ヒンディー語、アラビア語、フランス語、ドイツ語、スペイン語、ポルトガル語、ロシア語、イタリア語、オランダ語、スウェーデン語、デンマーク語、フィンランド語、ノルウェー語、ギリシャ語、ポーランド語、チェコ語、ハンガリー語、ルーマニア語、ブルガリア語、クロアチア語、スロバキア語

    Qwen-Audio-ASR-Streaming

    モデル ID

    モード

    API

    精度向上

    感情認識

    話者分離

    言語

    最大音声時間/サイズ

    qwen-audio-3.0-asr-flash-streaming

    リアルタイム

    WebSocket

    ホットワード、プロンプトコンテキスト

    非対応

    非対応

    多言語 (方言対応)

    無制限

    サポート言語 (バージョン別)：

    • qwen-audio-3.1-asr-flash-streaming, qwen-audio-3.0-asr-flash-streaming： 中国語 (標準語、広東語、呉語、閩南語、客家語、贛語、湘語、晋語、および中原、西南、冀魯、江淮、蘭銀、膠遼、東北、北京、香港/台湾などの地域アクセントを含む — 河南、陝西、湖北、四川、重慶、雲南、貴州、広東、広西、河北、天津、山東、安徽、南京、江蘇、杭州、甘粛、寧夏のアクセントをカバー)、英語、日本語、韓国語、ベトナム語、タイ語、インドネシア語、マレー語、フィリピン語、ヒンディー語、アラビア語、フランス語、ドイツ語、スペイン語、ポルトガル語、ロシア語、イタリア語、オランダ語、スウェーデン語、デンマーク語、フィンランド語、ノルウェー語、ギリシャ語、ポーランド語、チェコ語、ハンガリー語、ルーマニア語、ブルガリア語、クロアチア語、スロバキア語

    Qwen-Audio-ASR-Filetrans

    モデル ID

    モード

    API

    精度向上

    感情認識

    話者分離

    言語

    最大音声時間/サイズ

    qwen-audio-3.0-asr-flash-filetrans

    オフライン

    HTTP

    ホットワード、プロンプトコンテキスト

    非対応

    対応

    多言語 (方言対応)

    12 時間 / 2 GB

    サポート言語 (バージョン別)：

    • qwen-audio-3.1-asr-flash-filetrans, qwen-audio-3.0-asr-flash-filetrans： 中国語 (標準語、広東語、呉語、閩南語、客家語、贛語、湘語、晋語、および中原、西南、冀魯、江淮、蘭銀、膠遼、東北、北京、香港/台湾などの地域アクセントを含む — 河南、陝西、湖北、四川、重慶、雲南、貴州、広東、広西、河北、天津、山東、安徽、南京、江蘇、杭州、甘粛、寧夏のアクセントをカバー)、英語、日本語、韓国語、ベトナム語、タイ語、インドネシア語、マレー語、フィリピン語、ヒンディー語、アラビア語、フランス語、ドイツ語、スペイン語、ポルトガル語、ロシア語、イタリア語、オランダ語、スウェーデン語、デンマーク語、フィンランド語、ノルウェー語、ギリシャ語、ポーランド語、チェコ語、ハンガリー語、ルーマニア語、ブルガリア語、クロアチア語、スロバキア語

    Qwen-Audio-ASR

    モデル ID

    モード

    API

    精度向上

    感情認識

    話者分離

    言語

    最大音声時間/サイズ

    qwen-audio-3.0-asr-flash

    オフライン

    HTTP

    ホットワード、プロンプトコンテキスト

    非対応

    非対応

    多言語 (方言対応)

    5 分 / 2 GB

    サポート言語 (バージョン別)：

    • qwen-audio-3.1-asr-flash, qwen-audio-3.0-asr-flash： 中国語 (標準語、広東語、呉語、閩南語、客家語、贛語、湘語、晋語、および中原、西南、冀魯、江淮、蘭銀、膠遼、東北、北京、香港/台湾などの地域アクセントを含む — 河南、陝西、湖北、四川、重慶、雲南、貴州、広東、広西、河北、天津、山東、安徽、南京、江蘇、杭州、甘粛、寧夏のアクセントをカバー)、英語、日本語、韓国語、ベトナム語、タイ語、インドネシア語、マレー語、フィリピン語、ヒンディー語、アラビア語、フランス語、ドイツ語、スペイン語、ポルトガル語、ロシア語、イタリア語、オランダ語、スウェーデン語、デンマーク語、フィンランド語、ノルウェー語、ギリシャ語、ポーランド語、チェコ語、ハンガリー語、ルーマニア語、ブルガリア語、クロアチア語、スロバキア語

    Fun-ASR

    モデル ID

    モード

    API

    精度向上

    感情認識

    話者分離

    言語

    最大音声時間/サイズ

    fun-asr-realtime

    リアルタイム

    WebSocket

    ホットワード

    非対応

    非対応

    多言語 (方言対応)

    無制限

    fun-asr-realtime-2026-02-28

    リアルタイム

    WebSocket

    ホットワード

    非対応

    非対応

    中国語、英語、日本語、および方言

    無制限

    fun-asr-flash-8k-realtime

    リアルタイム

    WebSocket

    ホットワード

    非対応

    非対応

    中国語

    無制限

    fun-asr-flash-8k-realtime-2026-01-28

    リアルタイム

    WebSocket

    ホットワード

    非対応

    非対応

    中国語

    無制限

    fun-asr

    オフライン

    HTTP

    ホットワード

    非対応

    対応

    多言語 (方言対応)

    12 時間 / 2 GB

    fun-asr-flash-2026-06-15

    オフライン

    HTTP

    プロンプトコンテキスト

    非対応

    非対応

    多言語 (方言対応)

    5 分 / 2 GB

    サポート言語 (バージョン別)：

    • Fun-ASR-Realtime のメインバージョン (fun-asr-realtime)： 中国語 (標準語、広東語、呉語、閩南語、客家語、贛語、湘語、晋語、および中原、西南、冀魯、江淮、蘭銀、膠遼、東北、北京、香港/台湾などの地域アクセントを含む — 河南、陝西、湖北、四川、重慶、雲南、貴州、広東、広西、河北、天津、山東、安徽、南京、江蘇、杭州、甘粛、寧夏のアクセントをカバー)、英語、日本語、韓国語、ベトナム語、タイ語、インドネシア語、マレー語、フィリピン語、ヒンディー語、アラビア語、フランス語、ドイツ語、スペイン語、ポルトガル語、ロシア語、イタリア語、オランダ語、スウェーデン語、デンマーク語、フィンランド語、ノルウェー語、ギリシャ語、ポーランド語、チェコ語、ハンガリー語、ルーマニア語、ブルガリア語、クロアチア語、スロバキア語
    • fun-asr-realtime-2026-02-28： 中国語 (標準語、広東語、呉語、閩南語、客家語、贛語、湘語、晋語、および中原、西南、冀魯、江淮、蘭銀、膠遼、東北、北京、香港/台湾などの地域アクセントを含む — 河南、陝西、湖北、四川、重慶、雲南、貴州、広東、広西、河北、天津、山東、安徽、南京、江蘇、杭州、甘粛、寧夏のアクセントをカバー)、英語、日本語
    • Fun-ASR-Flash-Realtime(8K) (fun-asr-flash-8k-realtime、fun-asr-flash-8k-realtime-2026-01-28)： 中国語
    • Fun-ASR のメインバージョン (fun-asr)： 中国語 (標準語、広東語、呉語、閩南語、客家語、贛語、湘語、晋語、および中原、西南、冀魯、江淮、蘭銀、膠遼、東北、北京、香港/台湾などの地域アクセントを含む — 河南、陝西、湖北、四川、重慶、雲南、貴州、広東、広西、河北、天津、山東、安徽、南京、江蘇、杭州、甘粛、寧夏のアクセントをカバー)、英語、日本語、韓国語、ベトナム語、タイ語、インドネシア語、マレー語、フィリピン語、ヒンディー語、アラビア語、フランス語、ドイツ語、スペイン語、ポルトガル語、ロシア語、イタリア語、オランダ語、スウェーデン語、デンマーク語、フィンランド語、ノルウェー語、ギリシャ語、ポーランド語、チェコ語、ハンガリー語、ルーマニア語、ブルガリア語、クロアチア語、スロバキア語
    • Fun-ASR-Flash (fun-asr-flash-2026-06-15)： 中国語 (標準語、広東語、呉語、閩南語、客家語、贛語、湘語、晋語、および中原、西南、冀魯、江淮、蘭銀、膠遼、東北、北京、香港/台湾などの地域アクセントを含む — 河南、陝西、湖北、四川、重慶、雲南、貴州、広東、広西、河北、天津、山東、安徽、南京、江蘇、杭州、甘粛、寧夏のアクセントをカバー)、英語、日本語、韓国語、ベトナム語、タイ語、インドネシア語、マレー語、フィリピン語、ヒンディー語、アラビア語、フランス語、ドイツ語、スペイン語、ポルトガル語、ロシア語、イタリア語、オランダ語、スウェーデン語、デンマーク語、フィンランド語、ノルウェー語、ギリシャ語、ポーランド語、チェコ語、ハンガリー語、ルーマニア語、ブルガリア語、クロアチア語、スロバキア語

    Qwen-ASR

    モデル ID

    モード

    API

    精度向上

    感情認識

    話者分離

    言語

    最大音声時間/サイズ

    qwen3-asr-flash-realtime

    リアルタイム

    WebSocket

    非対応

    対応

    非対応

    多言語 (方言対応)

    無制限

    qwen3-asr-flash-filetrans

    オフライン

    HTTP

    非対応

    対応

    非対応

    多言語 (方言対応)

    12 時間 / 2 GB

    qwen3-asr-flash

    オフライン

    HTTP (OpenAI 互換)

    非対応

    対応

    非対応

    多言語 (方言対応)

    5 分 / 10 MB

    サポート言語： すべての Qwen-ASR モデル (qwen3-asr-flash-realtime、qwen3-asr-flash-filetrans、qwen3-asr-flash) は同じ言語リストを共有します： 中国語 (標準語、四川語、閩南語、呉語、広東語)、英語、日本語、ドイツ語、韓国語、ロシア語、フランス語、ポルトガル語、アラビア語、イタリア語、スペイン語、ヒンディー語、インドネシア語、タイ語、トルコ語、ウクライナ語、ベトナム語、チェコ語、デンマーク語、フィリピン語、フィンランド語、アイスランド語、マレー語、ノルウェー語、ポーランド語、スウェーデン語。

    Paraformer

    Paraformer は旧世代の ASR モデルファミリーです。可能な場合は Fun-ASR または Qwen-ASR への移行を推奨します。

    モデル ID

    API

    説明

    paraformer-realtime-v2

    WebSocket

    リアルタイム認識。中国語、英語、日本語、韓国語、ドイツ語、フランス語、ロシア語

    paraformer-realtime-8k-v2

    WebSocket

    8 kHz テレフォニー向けのリアルタイム認識。中国語

    paraformer-v2

    HTTP

    話者分離付きファイル文字起こし。中国語、英語、日本語、韓国語、ドイツ語、フランス語、ロシア語

    paraformer-8k-v2

    HTTP

    8 kHz テレフォニー向けのファイル文字起こし。中国語

    サポート言語 (バージョン別)：

    • paraformer-realtime-v2、paraformer-v2： 中国語 (標準語、広東語、呉語、閩南語、東北、甘粛、貴州、河南、湖北、湖南、寧夏、山西、陝西、山東、四川、天津、江西、雲南、上海)、英語、日本語、韓国語、ドイツ語、フランス語、ロシア語
    • paraformer-realtime-8k-v2、paraformer-8k-v2： 中国語 (標準語)

    音声仕様

    リアルタイムおよびオフラインモードの音声仕様です。サポートされている言語については、「すべてのモデル」のモデルファミリーのサブセクションをご参照ください。

    リアルタイム

    モデル ID

    入力メソッド

    音声フォーマット

    サンプルレート

    サイズ/時間

    qwen-audio-3.1-asr-flash-message

    バイナリストリーム

    pcm、wav、mp3、opus、speex、aac、amr

    16 kHz

    —

    Qwen-Audio-ASR-Streaming シリーズ（qwen-audio-3.0-asr-flash-streamingなど）

    バイナリストリーム

    pcm、wav、mp3、opus、speex、aac、amr

    任意

    無制限

    Fun-ASR-Realtime シリーズ（fun-asr-realtimeなど）

    バイナリストリーム

    pcm、wav、mp3、opus、speex、aac、amr

    任意

    無制限

    Fun-ASR-Flash-8K-Realtime シリーズ（fun-asr-flash-8k-realtimeなど）

    バイナリストリーム

    Fun-ASR-Realtime と同じ

    8 kHz

    無制限

    qwen3-asr-flash-realtime

    バイナリストリーム

    pcm、opus

    8 kHz、16 kHz

    無制限

    paraformer-realtime-v2、paraformer-realtime-8k-v2

    バイナリストリーム

    Fun-ASR-Realtime と同じ

    paraformer-realtime-v2 は任意レート は 16 kHz、paraformer-realtime-8k-v2 は 8 kHz

    無制限

    すべてのリアルタイムモデルは、モノラル (シングルチャンネル) 入力のみを受け付けます。

    オフライン

    モデル ID

    入力メソッド

    音声フォーマット

    サンプルレート

    ファイルサイズ/時間

    Qwen-Audio-ASR-Filetrans シリーズ（qwen-audio-3.0-asr-flash-filetransなど）

    一般公開されているファイル URL。リクエストごとに 1 URL

    aac、amr、avi、flac、flv、m4a、mkv、mov、mp3、mp4、mpeg、ogg、opus、wav、webm、wma、wmv

    任意

    2 GB 以下、12 時間以下 (話者分離を有効にする場合は 2 時間以下を推奨)

    qwen-audio-3.0-asr-flash

    URL / Base64。リクエストごとに 1 ファイル

    aac、amr、avi、flac、flv、m4a、mkv、mov、mp3、mp4、mpeg、ogg、opus、wav、webm、wma、wmv

    任意

    2 GB 以下、5 分以下

    fun-asr

    一般公開されているファイル URL。リクエストごとに 1 URL

    aac、amr、avi、flac、flv、m4a、mkv、mov、mp3、mp4、mpeg、ogg、opus、wav、webm、wma、wmv

    任意

    2 GB 以下、12 時間以下 (話者分離を有効にする場合は 2 時間以下を推奨)

    fun-asr-flash-2026-06-15

    URL / Base64。リクエストごとに 1 ファイル

    aac、amr、avi、flac、flv、m4a、mkv、mov、mp3、mp4、mpeg、ogg、opus、wav、webm、wma、wmv

    任意

    2 GB 以下、5 分以下

    paraformer-v2、paraformer-8k-v2

    Fun-ASR と同じ

    Fun-ASR と同じ

    paraformer-v2 は任意レート、paraformer-8k-v2 は 8 kHz のみ

    Fun-ASR と同じ

    qwen3-asr-flash-filetrans

    一般公開されているファイル URL。リクエストごとに 1 URL

    aac、amr、avi、flac、flv、m4a、mkv、mov、mp3、mp4、mpeg、ogg、opus、wav、webm、wma、wmv

    pcm は 16 kHz が必須です。他のフォーマットは任意のレートを受け付けます (サーバーは認識前に 16 kHz にリサンプリングします)

    2 GB 以下、12 時間以下

    qwen3-asr-flash

    URL / Base64 / ローカルファイルの絶対パス。リクエストごとに 1 ファイル

    aac、amr、avi、aiff、flac、flv、mkv、mp3、mpeg、ogg、opus、wav、webm、wma、wmv

    pcm は 16 kHz が必須です。他のフォーマットは任意のレートを受け付けます (サーバーは認識前に 16 kHz にリサンプリングします)

    10 MB 以下、5 分以下