Alibaba Cloud Model Studio:Qwen-Audio-3.0-ASR-Flash-Filetrans/Fun-ASR 非リアルタイム音声認識 Python SDK

model

str

はい

モデル名。サポートされている値には、Qwen-Audio-3.0-ASR-Flash-Filetrans および Fun-ASR モデルファミリーが含まれます。詳細については、「サポートされているモデルとリージョン」をご参照ください。

file_urls

list[str]

はい

文字起こしする音声または動画ファイルの URL のリスト。HTTP と HTTPS がサポートされています。1 回のリクエストでサポートされる URL は 1 つだけです。サポートされている音声フォーマット、ファイルサイズの制限、持続時間の制限などの入力要件については、「音声仕様」をご参照ください。

録音が Alibaba Cloud OSS に保存されている場合、RESTful API は oss:// で始まる一時的な URL をサポートしますが、SDK は oss:// で始まる一時的な URL をサポートしません。

vocabulary_id

str

いいえ

プリコンパイルされたホットワードリストの ID。

この ID は、ホットワードリスト作成 API を呼び出して事前に生成します。認識時に ID を渡して、リスト内のホットワードを使用します。

語彙が既知で比較的安定しており、リクエスト間で同じ単語リストを再利用する必要があるシナリオに適しています。

使用方法の詳細については、「プリコンパイル済みホットワード」をご参照ください。

vocabulary

dict

いいえ

即時ホットワード。

キーと値のペアとして渡されます。キーはホットワードのテキスト (string)、値はホットワードの重み (integer) です。事前にホットワードリストを作成する必要はありません。重みの範囲は [1, 5] または 50 に設定されます。[1, 5] の値は、値が大きくなるにつれてモデルがその単語を出力する可能性が高くなります。値 50 はスーパーホットワードを指定し、再現率を大幅に向上させますが、スーパーホットワードの数は 50 を超えることはできません。

一時的な、セッションレベルのホットワード最適化に適しています。

プリコンパイル済みホットワードと一緒に設定した場合、即時ホットワードのみが有効になります。使用方法の詳細については、「即時ホットワード」をご参照ください。

例：

from dashscope.audio.asr import Transcription

vocab = {"Zhang San": 5, "Li Si": 5}
result = Transcription.async_call(
    model="qwen-audio-3.0-asr-flash-filetrans",
    vocabulary=vocab,
    file_urls=['{ご自身の音声ファイルの URL}']
)

channel_id

list[int]

いいえ

マルチトラック音声ファイルで認識するオーディオトラックのインデックス。インデックスは 0 から始まります。たとえば、[0] は最初のトラックを認識し、[0, 1] は最初のトラックと 2 番目のトラックを同時に認識します。このパラメーターを省略すると、最初のトラックのみが処理されます。

デフォルト値：[0]。

special_word_filter

str

いいえ

音声認識中に処理する禁止用語。禁止用語ごとに異なる処理方法を設定できます。詳細については、「禁止用語フィルター」をご参照ください。

diarization_enabled

bool

いいえ

話者分離を有効にするかどうか。デフォルトでは無効です。

モノラル音声にのみ適用されます。マルチチャンネル音声は話者分離をサポートしていません。

有効にすると、認識結果に異なる話者を区別する speaker_id フィールドが含まれます。

デフォルト値：False。

speaker_id の例については、「認識結果の説明」をご参照ください。

speaker_count

int

いいえ

話者数の参照値。有効な範囲は 2 から 100 (両端を含む) の整数です。

デフォルトでは、話者数は自動的に検出されます。この値を設定した場合、アルゴリズムが可能な場合に指定された数を出力するように誘導するだけであり、正確な数が保証されるわけではありません。

デフォルト値なし。

language_hints

list[str]

いいえ

認識する言語コード。事前に言語を特定できない場合は、設定せずにモデルが自動的に言語を検出するようにします。

Qwen-Audio-3.0-ASR-Flash-Filetrans モデルの場合、最大 4 つの値を設定できます。最初の 4 つを超える値は無視されます。Fun-ASR モデルの場合、1 つの値しか設定できません。複数設定した場合、最初の値のみが有効になります。

status_code

リクエストの HTTP ステータスコード。

code

• 最外部の code は無視できます。

• output.results の下にある code はエラーコードです。message フィールドと組み合わせて、「エラーコード」を参照して問題をトラブルシューティングしてください。

message

• 最外部の message は無視できます。

• output.results の下にある message はエラーメッセージです。code フィールドと組み合わせて、「エラーコード」を参照して問題をトラブルシューティングしてください。

task_id

タスク ID。

task_status

タスクステータス。

PENDING、RUNNING、SUCCEEDED、FAILED の 4 つの状態のいずれかです。

タスクに複数のサブタスクが含まれている場合、いずれかのサブタスクが成功すれば、全体のタスクステータスは SUCCEEDED とマークされます。各サブタスクの結果を判断するには、subtask_status フィールドを確認してください。

results

サブタスクの認識結果。

subtask_status

サブタスクのステータス。

PENDING、RUNNING、SUCCEEDED、FAILED の 4 つの状態のいずれかです。

file_url

認識された音声の URL。

transcription_url

音声認識結果の URL。

認識結果は JSON ファイルとして保存されます。transcription_url に関連付けられたリンクからファイルをダウンロードするか、HTTP リクエストを介して直接その内容を読み取ることができます。JSON ファイルの内容については、「認識結果の説明」をご参照ください。

code

エラーコード。message フィールドと組み合わせて、「エラーコード」を参照して問題をトラブルシューティングしてください。

message

エラーメッセージ。code フィールドと組み合わせて、「エラーコード」を参照して問題をトラブルシューティングしてください。

task_id

タスク ID。

task_status

タスクステータス。

PENDING、RUNNING、SUCCEEDED、FAILED の 4 つの状態のいずれかです。

タスクに複数のサブタスクが含まれている場合、いずれかのサブタスクが成功すれば、全体のタスクステータスは SUCCEEDED とマークされます。各サブタスクの結果を判断するには、subtask_status フィールドを確認してください。

results

サブタスクの認識結果。

subtask_status

サブタスクのステータス。

PENDING、RUNNING、SUCCEEDED、FAILED の 4 つの状態のいずれかです。

file_url

認識された音声の URL。

transcription_url

音声認識結果の URL。

認識結果は JSON ファイルとして保存されます。transcription_url に関連付けられたリンクからファイルをダウンロードするか、HTTP リクエストを介して直接その内容を読み取ることができます。JSON ファイルの内容については、「認識結果の説明」をご参照ください。

audio_format

string

ソースファイルの音声フォーマット。

channels

array[integer]

ソースファイル内の音声のトラックインデックス。シングルトラック音声の場合は [0] が返され、デュアルトラック音声の場合は [0, 1] が返されます。

original_sampling_rate

integer

ソースファイル内の音声のサンプリングレート (Hz)。

original_duration_in_milliseconds

integer

ソースファイル内の元の音声の持続時間 (ms)。

channel_id

integer

文字起こし結果のトラックインデックス。0 から始まります。

content_duration

integer

音声として識別されたトラック内のコンテンツの持続時間 (ms)。

transcript

string

段落レベルの文字起こし結果。

sentences

array

文レベルの文字起こし結果。

words

array

単語レベルの文字起こし結果。

begin_time

integer

開始タイムスタンプ (ms)。

end_time

integer

終了タイムスタンプ (ms)。

text

string

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、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、話者分離が有効な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 (もしあれば)。

async_call

@classmethod
def async_call(cls,
               model: str,
               file_urls: List[str],
               phrase_id: str = None,
               api_key: str = None,
               workspace: str = None,
               **kwargs) -> TranscriptionResponse

音声認識タスクを非同期で送信します。

wait

@classmethod
def wait(cls,
         task: Union[str, TranscriptionResponse],
         api_key: str = None,
         workspace: str = None,
         **kwargs) -> TranscriptionResponse

非同期タスクが完了するまで (タスクステータスが SUCCEEDED または FAILED になるまで) 現在のスレッドをブロックします。

このメソッドは TranscriptionResponse を返します。

fetch

@classmethod
def fetch(cls,
          task: Union[str, TranscriptionResponse],
          api_key: str = None,
          workspace: str = None,
          **kwargs) -> TranscriptionResponse

現在のタスクの結果を非同期でクエリします。

このメソッドは TranscriptionResponse を返します。