Fun-ASR HTTP API を使用して、音声ファイルの文字起こしタスクを送信し、DashScope 経由で結果を取得します。
ユーザーガイド: 非リアルタイム音声認識。サポートされている音声フォーマット、ファイルサイズ制限、および再生時間制限については、「音声仕様」をご参照ください。
DashScope 非同期呼び出し (Fun-ASR)
仕組み
即時に結果を返す同期呼び出しとは異なり、非同期モードは長尺の音声ファイルや処理に時間がかかるタスクに対応します。このモードでは、長時間の処理中にリクエストがタイムアウトしないよう、タスク送信後にポーリングするワークフローを採用しています。
ステップ 1:タスクを送信します
クライアントが非同期処理リクエストを送信します。
サーバーはリクエストを検証した後、タスクを即座に実行せずに一意の
task_idを返し、タスクが正常に作成されたことを示します。
ステップ 2:結果を取得します
クライアントは返された
task_idを使用して、結果取得エンドポイントを繰り返しポーリングします。タスクが完了すると、結果取得エンドポイントが最終的な文字起こし結果を返します。
サービスエンドポイント
中国 (北京)
タスク送信エンドポイント:POST https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/audio/asr/transcription
タスククエリエンドポイント:GET https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/tasks/{task_id}
{WorkspaceId} は、ご利用のワークスペース IDに置き換えてください。
シンガポール
タスク送信エンドポイント:POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/audio/asr/transcription
タスククエリエンドポイント:GET https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/tasks/{task_id}
{WorkspaceId} は、ご利用のワークスペース IDに置き換えてください。
シンガポール
タスク送信エンドポイント: POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/audio/asr/transcription
クエリタスクエンドポイント: GET https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/tasks/{task_id}
{WorkspaceId} を実際のワークスペース IDに置き換えてください。
中国 (北京)
タスク送信エンドポイント:POST https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/audio/asr/transcription
タスククエリのエンドポイント: GET https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/tasks/{task_id}
{WorkspaceId} を実際のワークスペース IDに置き換えます。
Alibaba Cloud Model Studio は、中国 (北京) リージョンおよびシンガポールリージョン向けにワークスペース専用ドメインをリリースしました。新しい専用ドメインは、推論リクエストに対して優れたパフォーマンスと高い安定性を提供します。以下の通り、新しいドメインへの移行を推奨します。
中国 (北京):
dashscope.aliyuncs.comから{WorkspaceId}.cn-beijing.maas.aliyuncs.comシンガポール:
dashscope-intl.aliyuncs.comから{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com
{WorkspaceId} は、実際の ワークスペース ID に置き換えてください。既存のドメインは引き続き完全に機能します。
新しいドメイン (https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com) を通じてタスクを送信する場合、リクエストボディに parameters オブジェクトを含める必要があります。パラメーターを設定しない場合でも、空のオブジェクト {} を渡してください。これを行わないと、タスクは正常に送信されますが、文字起こしが失敗します。
{WorkspaceId} は、実際の ワークスペース ID に置き換えてください。
リクエストヘッダー
パラメーター | タイプ | 必須 | 説明 |
Authorization | string | はい |
|
Content-Type | string | はい | リクエストボディのメディアタイプ。タスク送信エンドポイントでのみ必要です。 |
X-DashScope-Async | string | はい | 非同期タスク識別子。タスク送信エンドポイントでのみ必要です。 |
タスク送信
音声文字起こしタスクを送信します。このエンドポイントは非同期で応答するため、結果を取得するには「タスク照会」を使用してポーリングしてください。
リクエストボディ | 以下の URL はシンガポールリージョン用です。WorkspaceId は実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。シンガポールおよび北京の API キーは異なります。 |
model 音声および動画ファイルの文字起こしに使用するモデル名。 有効な値:
| |
input 入力パラメーターオブジェクト。 | |
parameters リクエストパラメーターオブジェクト。 重要 新しいドメイン ( |
レスポンスボディ | |
request_id このリクエストの一意な識別子。 | |
output タスク送信時に返されるデータ。 |
タスク照会
音声文字起こしタスクのステータスおよび結果を返します。タスクが終了状態になるまで、このエンドポイントをポーリングしてください。
リクエストボディ | 以下の URL はシンガポールリージョン用です。WorkspaceId は実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。シンガポールおよび北京の API キーは異なります。 |
task_id 重要 URL パスパラメーター。リクエストボディはありません。 照会するタスクの ID。タスク送信 によって | |
レスポンスボディ | 成功例エラー例 |
request_id このリクエストの一意な識別子。 | |
output タスク照会時に返されるデータ。 |
その他の API:タスクステータスの一括照会およびタスクキャンセル
詳細については、「非同期タスクの管理」をご参照ください。過去 24 時間に送信された音声ファイル文字起こしタスクの一括照会および PENDING(キュー待ち)状態のタスクのキャンセルがサポートされています。
文字起こし結果の説明
認識結果は JSON ファイルとして保存されます。
主なパラメーターは以下のとおりです。
|
パラメーター |
タイプ |
説明 |
|
audio_format |
string |
ソースファイル内の音声のフォーマット。 |
|
channels |
array[integer] |
ソースファイル内の音声トラックのインデックス情報。シングルトラック音声の場合は [0]、デュアルトラック音声の場合は [0, 1] を返します。 |
|
original_sampling_rate |
integer |
ソースファイル内の音声のサンプルレート (Hz)。 |
|
original_duration_in_milliseconds |
integer |
ソースファイル内の音声の元の再生時間 (ミリ秒)。 |
|
channel_id |
integer |
文字起こしされた音声トラックのインデックス。0 から始まります。 |
|
content_duration_in_milliseconds |
integer |
音声トラック内で音声として識別されたコンテンツの再生時間 (ミリ秒)。 重要
課金は音声コンテンツの再生時間のみに基づいて行われます(非音声部分は計測されません)。音声の再生時間は通常、音声全体の再生時間よりも短くなります。AI による音声検出にはわずかな誤差が生じる可能性があります。 |
|
transcript |
string |
段落レベルの音声文字起こし結果。 |
|
sentences |
array |
文レベルの音声文字起こし結果。 |
|
words |
array |
単語レベルの音声文字起こし結果。 |
|
begin_time |
integer |
開始タイムスタンプ (ミリ秒)。 |
|
end_time |
integer |
終了タイムスタンプ (ミリ秒)。 |
|
text |
string |
音声文字起こし結果。 |
|
speaker_id |
integer |
現在の話者のインデックス。0 から始まります。異なる話者を区別するために使用されます。 このフィールドは、話者分離が有効になっている場合にのみ認識結果に表示されます。 |
|
punctuation |
string |
単語の後に予測された句読点(存在する場合)。 |
DashScope 同期呼び出し (Fun-ASR-Flash)
この機能は SDK 呼び出しをサポートしていません。
エンドポイント
中国 (北京)
POST https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation
{WorkspaceId} をご利用のワークスペース ID に置き換えてください。
シンガポール
POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation
{WorkspaceId} をご利用のワークスペース ID に置き換えてください。
シンガポール
POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation
{WorkspaceId} を実際の ワークスペース ID に置き換えます。
中国 (北京)
POST https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation
{WorkspaceId} を実際のワークスペース ID に置き換えてください。
Alibaba Cloud Model Studio は、中国 (北京) リージョンおよびシンガポールリージョン向けにワークスペース専用ドメインをリリースしました。新しい専用ドメインは、推論リクエストに対して優れたパフォーマンスと高い安定性を提供します。以下の通り、新しいドメインへの移行を推奨します。
中国 (北京):
dashscope.aliyuncs.comから{WorkspaceId}.cn-beijing.maas.aliyuncs.comシンガポール:
dashscope-intl.aliyuncs.comから{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com
{WorkspaceId} は、実際の ワークスペース ID に置き換えてください。既存のドメインは引き続き完全に機能します。
リクエストヘッダー
パラメーター | タイプ | 必須 | 説明 |
Authorization | string | はい |
|
Content-Type | string | はい | リクエストボディのメディアタイプ。 |
X-DashScope-SSE | string | はい | 結果を SSE ストリームとして返すかどうかを制御します。 |
リクエストボディ | 以下の URL はシンガポールリージョン用です。WorkspaceId は実際のワークスペース ID に置き換えてください。URL および API キーはリージョンによって異なります。 非ストリーミングストリーミングコンテキスト付き - 非ストリーミングコンテキスト付き - ストリーミングBase64Data URI 形式で Base64 エンコードされたデータを渡すことができます。形式は次のとおりです:
|
model モデル名。 | |
input 入力情報。 | |
parameters モデルパラメーター。 |
レスポンスボディ | 非ストリーミングストリーミング
サンプルレスポンス: |
request_id このリクエストの一意な識別子。 | |
output 出力結果。 | |
usage 使用量情報。 |
SSE ストリーミング結果の処理
ストリーミングモードでは、次の点に注意してください。
受信した各 SSE イベントについて、
dataフィールド内の JSON を解析します。output.sentence.sentence_endをチェックして、現在の文が完了しているかどうかを判断します。値がtrueの場合、その文の認識が完了しており、単語レベルのタイムスタンプが確定しています。値がfalseの場合、認識はまだ進行中であり、テキストおよびタイムスタンプは後続のイベントで変更される可能性があります。usage情報は、文完了イベントでのみ返されます。これを使用して音声処理の再生時間を追跡します。