Alibaba Cloud Model Studio:RESTful API

paraformer-v2

paraformer-8k-v2

利用シーン

ライブ配信やミーティングなどのマルチリンガル認識

電話カスタマーサポートやボイスメールなどの中国語認識

サンプルレート

任意

8 kHz

対応言語

中国語（標準中国語および各種方言）、英語、日本語、韓国語、ドイツ語、フランス語、ロシア語

対応中国語方言：上海語、呉語、閩南語、東北官話、甘粛話、貴州話、河南話、湖北話、湖南話、江西話、寧夏話、山西話、陝西話、山東話、四川話、天津話、雲南話、広東語

中国語

句読点予測

✅ デフォルトで有効、設定不要

✅ デフォルトで有効、設定不要

逆テキスト正規化 (ITN)

✅ デフォルトで有効、設定不要

✅ デフォルトで有効、設定不要

認識言語の指定

✅ language_hints パラメーターで指定可能

❌

API エンドポイントの説明

音声認識タスクを送信します。

URL

https://dashscope.aliyuncs.com/api/v1/services/audio/asr/transcription

リクエストメソッド

POST

リクエストヘッダー

Authorization: Bearer {api-key} // {api-key} をご利用の API キーに置き換えてください。
Content-Type: application/json
X-DashScope-Async: enable // このリクエストヘッダーを省略しないでください。省略するとタスクが送信されません。

メッセージ本文

以下のコードは、すべての リクエストパラメーター を含むメッセージ本文の例です。必要に応じて、任意のフィールドを省略できます。

{
    "model":"paraformer-v2", // モデル名。必須パラメーターです。
    "input":{
        "file_urls":[
            "https://dashscope.oss-cn-beijing.aliyuncs.com/samples/audio/paraformer/hello_world_female2.wav",
            "https://dashscope.oss-cn-beijing.aliyuncs.com/samples/audio/paraformer/hello_world_male2.wav"
        ] // 認識対象のファイル。必須パラメーターです。
    },
    "parameters":{
        "channel_id":[
            0
        ], // 音声トラックのインデックス。任意パラメーターです。
        "disfluency_removal_enabled":false, // フィラー語（不自然な言い直しなど）のフィルタリング機能のスイッチ。任意パラメーターです。
        "timestamp_alignment_enabled": false, // タイムスタンプ補正機能の有効化フラグ。任意パラメーターです。
        "special_word_filter": "xxx", // 機密語。任意パラメーターです。
        "language_hints":[ // このパラメーターは paraformer-v2 モデルにのみ適用可能です。他のモデルでは使用しないでください。
            "zh",
            "en"
        ],
        "diarization_enabled":false, // 自動スピーカーダイアライゼーション機能の有効化フラグ。任意パラメーターです。
        "speaker_count": 2 // スピーカー数の参考値。任意パラメーターです。
    }
}

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。モノラル音声の場合は [0]、ステレオ音声の場合は [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

integer

ソースファイル内の元の音声の持続時間 (ms)。

channel_id

integer

文字起こし結果の音声トラックインデックス（0 から開始）。

content_duration

integer

音声トラック内で音声であると判定されたコンテンツの持続時間 (ms)。

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 (ms)。

end_time

integer

終了タイムスタンプ (ms)。

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 から開始）。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、話者分離機能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る句読点（存在する場合）。

API エンドポイントの説明

音声認識タスクのステータスおよび結果を照会します。

URL

https://dashscope.aliyuncs.com/api/v1/tasks/{task_id}

リクエストメソッド

POST

リクエストヘッダー

Authorization: Bearer {api-key} // {api-key} をご利用の API キーに置き換えてください。

メッセージ本文

なし。

パラメーター

型

デフォルト値

必須

説明

task_id

string

-

はい

照会に必要なタスク ID です。タスク送信インタフェース から返されます。

パラメーター

型

説明

task_id

string

照会対象のタスク ID です。

task_status

string

照会対象のタスクのステータスです。

subtask_status

string

サブタスクのステータスです。

file_url

string

ファイル文字起こしタスクで処理されたファイルの URL です。

transcription_url

string

認識結果を取得するためのリンク（有効期限：24 時間）。有効期限が切れた後は、タスク照会および結果のダウンロードができなくなります。

認識結果は JSON 形式で保存されます。このリンクからダウンロードするか、HTTP リクエストで直接読み取ることができます。

JSON フィールドの詳細については、「認識結果の説明」をご参照ください。