すべてのプロダクト
Search

このプロダクト

    Alibaba Cloud Model Studio:音声ファイル認識 (Qwen-ASR) API リファレンス

    ドキュメントセンター

    Alibaba Cloud Model Studio:音声ファイル認識 (Qwen-ASR) API リファレンス

    最終更新日:Jul 03, 2026

    Qwen-ASR モデルの入力および出力パラメーターです。OpenAI 互換または DashScope プロトコルを使用して API を呼び出します。

    ユーザーガイド: 「非リアルタイム音声認識」をご参照ください。

    モデル接続タイプ

    さまざまなモデルが異なる接続タイプをサポートしています。

    モデル

    接続タイプ

    Qwen3-ASR-Flash-Filetrans

    DashScope 非同期呼び出しのみをサポート

    Qwen3-ASR-Flash

    OpenAI 互換およびDashScope 同期

    OpenAI 互換

    重要

    OpenAI 互換モードは米国リージョンでは利用できません。

    URL

    シンガポール

    HTTP リクエストアドレス: POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1/chat/completions

    SDK 呼び出し時の base_url: https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1

    {WorkspaceId} を実際のワークスペース IDに置き換えます。

    {WorkspaceId} を実際のワークスペース IDに置き換えます。

    中国 (北京)

    HTTP リクエストアドレス: POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1/chat/completions

    SDK 呼び出し時の base_url: https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1

    {WorkspaceId} を実際のワークスペース IDに置き換えます。

    {WorkspaceId} を実際のワークスペース IDに置き換えます。

    重要

    Alibaba Cloud Model Studio は、中国 (北京) 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。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 へ

    • シンガポール: dashscope-intl.aliyuncs.com から {WorkspaceId}.ap-southeast-1.maas.aliyuncs.com へ

    {WorkspaceId} を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。

    リクエストボディ

    入力: 音声ファイル URL

    Python SDK

    from openai import OpenAI
import os

try:
    client = OpenAI(
        # シンガポール/米国および北京リージョンの API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/en/model-studio/get-api-key をご参照ください。
        # 環境変数が設定されていない場合は、次の行を実際の Model Studio API キーに置き換えてください: api_key = "sk-xxx",
        api_key=os.getenv("DASHSCOPE_API_KEY"),
        # シンガポールリージョンの URL。WorkspaceId を実際のワークスペース ID に置き換えてください。リージョンによって URL は異なります。
        # 代替案: WorkspaceId プレフィックスなしで "https://dashscope.aliyuncs.com" を使用
        base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
    )

    stream_enabled = False  # ストリーミング出力を有効にするかどうか
    completion = client.chat.completions.create(
        model="qwen3-asr-flash",
        messages=[
            {
                "content": [
                    {
                        "type": "input_audio",
                        "input_audio": {
                            "data": "https://dashscope.oss-cn-beijing.aliyuncs.com/audios/welcome.mp3"
                        }
                    }
                ],
                "role": "user"
            }
        ],
        stream=stream_enabled,
        # stream が False の場合、stream_options は設定できません
        # stream_options={"include_usage": True},
        extra_body={
            "asr_options": {
                # "language": "zh",
                "enable_itn": False
            }
        }
    )
    if stream_enabled:
        full_content = ""
        print("ストリーミング出力:")
        for chunk in completion:
            # stream_options.include_usage が True の場合、最後のチャンクの choices フィールドは空のリストになるためスキップする必要があります (chunk.usage でトークン使用量を取得できます)
            print(chunk)
            if chunk.choices and chunk.choices[0].delta.content:
                full_content += chunk.choices[0].delta.content
        print(f"全文: {full_content}")
    else:
        print(f"非ストリーミング出力: {completion.choices[0].message.content}")
except Exception as e:
    print(f"エラー: {e}")

    Node.js SDK

    // 実行前の準備:
// Windows/Mac/Linux 共通:
// 1. Node.js がインストールされていることを確認してください (バージョン >= 14 を推奨)
// 2. 次のコマンドを実行して必要な依存関係をインストール: npm install openai

import OpenAI from "openai";

const client = new OpenAI({
  // シンガポール/米国および北京リージョンの API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/en/model-studio/get-api-key をご参照ください。
  // 環境変数が設定されていない場合は、次の行を実際の Model Studio API キーに置き換えてください: apiKey: "sk-xxx",
  apiKey: process.env.DASHSCOPE_API_KEY,
  // シンガポールリージョンの URL。WorkspaceId を実際のワークスペース ID に置き換えてください。リージョンによって URL は異なります。
  // 代替案: WorkspaceId プレフィックスなしで "https://dashscope.aliyuncs.com" を使用
  baseURL: "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
});

async function main() {
  try {
    const streamEnabled = false; // ストリーミング出力を有効にするかどうか
    const completion = await client.chat.completions.create({
      model: "qwen3-asr-flash",
      messages: [
        {
          role: "user",
          content: [
            {
              type: "input_audio",
              input_audio: {
                data: "https://dashscope.oss-cn-beijing.aliyuncs.com/audios/welcome.mp3"
              }
            }
          ]
        }
      ],
      stream: streamEnabled,
      // stream が False の場合、stream_options は設定できません
      // stream_options: {
      //   "include_usage": true
      // },
      asr_options: {
        // language: "zh",
        enable_itn: false
      }
    });

    if (streamEnabled) {
      let fullContent = "";
      console.log("ストリーミング出力:");
      for await (const chunk of completion) {
        console.log(JSON.stringify(chunk));
        if (chunk.choices && chunk.choices.length > 0) {
          const delta = chunk.choices[0].delta;
          if (delta && delta.content) {
            fullContent += delta.content;
          }
        }
      }
      console.log(`全文: ${fullContent}`);
    } else {
      console.log(`非ストリーミング出力: ${completion.choices[0].message.content}`);
    }
  } catch (err) {
    console.error(`エラー: ${err}`);
  }
}

main();

    cURL

    シンガポールリージョンの URL。WorkspaceId を実際のワークスペース ID に置き換えてください。リージョンによって URL は異なります。

    # 代替案: WorkspaceId プレフィックスなしで "https://dashscope.aliyuncs.com" を使用
curl -X POST 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1/chat/completions' \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "qwen3-asr-flash",
    "messages": [
        {
            "content": [
                {
                    "type": "input_audio",
                    "input_audio": {
                        "data": "https://dashscope.oss-cn-beijing.aliyuncs.com/audios/welcome.mp3"
                    }
                }
            ],
            "role": "user"
        }
    ],
    "stream":false,
    "asr_options": {
        "enable_itn": false
    }
}'

    入力: Base64 エンコードされた音声ファイル

    data URL 形式で Base64 エンコードされた音声を渡すこともできます。形式は data:<mediatype>;base64,<data> です。

    • <mediatype>: MIME タイプ。

      値は音声フォーマットによって異なります。例:

      • WAV: audio/wav

      • MP3: audio/mpeg

    • <data>: 音声データの Base64 エンコード文字列。

      Base64 エンコーディングによりペイロードサイズが増加します。エンコード後のデータが 10 MB の入力制限内に収まるように、元のファイルを十分に小さくしてください。

    • 例: data:audio/wav;base64,SUQzBAAAAAAAI1RTU0UAAAAPAAADTGF2ZjU4LjI5LjEwMAAAAAAAAAAAAAAA//PAxABQ/BXRbMPe4IQAhl9

      サンプルコードを表示

      import base64, pathlib

# input.mp3 はローカル音声ファイルです。パスを実際のファイルに置き換え、音声要件を満たしていることを確認してください。
file_path = pathlib.Path("input.mp3")
base64_str = base64.b64encode(file_path.read_bytes()).decode()
data_uri = f"data:audio/mpeg;base64,{base64_str}"
      import java.nio.file.*;
import java.util.Base64;

public class Main {
    /**
     * filePath はローカル音声ファイルです。実際のファイルパスに置き換え、音声要件を満たしていることを確認してください。
     */
    public static String toDataUrl(String filePath) throws Exception {
        byte[] bytes = Files.readAllBytes(Paths.get(filePath));
        String encoded = Base64.getEncoder().encodeToString(bytes);
        return "data:audio/mpeg;base64," + encoded;
    }

    // 使用例
    public static void main(String[] args) throws Exception {
        System.out.println(toDataUrl("input.mp3"));
    }
}

    Python SDK

    この例では、この音声ファイルを使用します: welcome.mp3。

    import base64
from openai import OpenAI
import os
import pathlib

try:
    # 実際の音声ファイルパスに置き換えてください
    file_path = "welcome.mp3"
    # 実際の音声ファイルの MIME タイプに置き換えてください
    audio_mime_type = "audio/mpeg"

    file_path_obj = pathlib.Path(file_path)
    if not file_path_obj.exists():
        raise FileNotFoundError(f"音声ファイルが見つかりません: {file_path}")

    base64_str = base64.b64encode(file_path_obj.read_bytes()).decode()
    data_uri = f"data:{audio_mime_type};base64,{base64_str}"

    client = OpenAI(
        # シンガポール/米国および北京リージョンの API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/en/model-studio/get-api-key をご参照ください。
        # 環境変数が設定されていない場合は、次の行を実際の Model Studio API キーに置き換えてください: api_key = "sk-xxx",
        api_key=os.getenv("DASHSCOPE_API_KEY"),
        # シンガポールリージョンの URL。WorkspaceId を実際のワークスペース ID に置き換えてください。リージョンによって URL は異なります。
        # 代替案: WorkspaceId プレフィックスなしで "https://dashscope.aliyuncs.com" を使用
        base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
    )

    stream_enabled = False  # ストリーミング出力を有効にするかどうか
    completion = client.chat.completions.create(
        model="qwen3-asr-flash",
        messages=[
            {
                "content": [
                    {
                        "type": "input_audio",
                        "input_audio": {
                            "data": data_uri
                        }
                    }
                ],
                "role": "user"
            }
        ],
        stream=stream_enabled,
        # stream が False の場合、stream_options は設定できません
        # stream_options={"include_usage": True},
        extra_body={
            "asr_options": {
                # "language": "zh",
                "enable_itn": False
            }
        }
    )
    if stream_enabled:
        full_content = ""
        print("ストリーミング出力:")
        for chunk in completion:
            # stream_options.include_usage が True の場合、最後のチャンクの choices フィールドは空のリストになるためスキップする必要があります (chunk.usage でトークン使用量を取得できます)
            print(chunk)
            if chunk.choices and chunk.choices[0].delta.content:
                full_content += chunk.choices[0].delta.content
        print(f"全文: {full_content}")
    else:
        print(f"非ストリーミング出力: {completion.choices[0].message.content}")
except Exception as e:
    print(f"エラー: {e}")

    Node.js SDK

    この例では、この音声ファイルを使用します: welcome.mp3。

    // 実行前の準備:
// Windows/Mac/Linux 共通:
// 1. Node.js がインストールされていることを確認してください (バージョン >= 14 を推奨)
// 2. 次のコマンドを実行して必要な依存関係をインストール: npm install openai

import OpenAI from "openai";
import { readFileSync } from 'fs';

const client = new OpenAI({
  // シンガポール/米国および北京リージョンの API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/en/model-studio/get-api-key をご参照ください。
  // 環境変数が設定されていない場合は、次の行を実際の Model Studio API キーに置き換えてください: apiKey: "sk-xxx",
  apiKey: process.env.DASHSCOPE_API_KEY,
  // シンガポールリージョンの URL。WorkspaceId を実際のワークスペース ID に置き換えてください。リージョンによって URL は異なります。
  // 代替案: WorkspaceId プレフィックスなしで "https://dashscope.aliyuncs.com" を使用
  baseURL: "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
});

const encodeAudioFile = (audioFilePath) => {
    const audioFile = readFileSync(audioFilePath);
    return audioFile.toString('base64');
};

// 実際の音声ファイルパスに置き換えてください
const dataUri = `data:audio/mpeg;base64,${encodeAudioFile("welcome.mp3")}`;

async function main() {
  try {
    const streamEnabled = false; // ストリーミング出力を有効にするかどうか
    const completion = await client.chat.completions.create({
      model: "qwen3-asr-flash",
      messages: [
        {
          role: "user",
          content: [
            {
              type: "input_audio",
              input_audio: {
                data: dataUri
              }
            }
          ]
        }
      ],
      stream: streamEnabled,
      // stream が False の場合、stream_options は設定できません
      // stream_options: {
      //   "include_usage": true
      // },
      asr_options: {
        // language: "zh",
        enable_itn: false
      }
    });

    if (streamEnabled) {
      let fullContent = "";
      console.log("ストリーミング出力:");
      for await (const chunk of completion) {
        console.log(JSON.stringify(chunk));
        if (chunk.choices && chunk.choices.length > 0) {
          const delta = chunk.choices[0].delta;
          if (delta && delta.content) {
            fullContent += delta.content;
          }
        }
      }
      console.log(`全文: ${fullContent}`);
    } else {
      console.log(`非ストリーミング出力: ${completion.choices[0].message.content}`);
    }
  } catch (err) {
    console.error(`エラー: ${err}`);
  }
}

main();

    model string (必須)

    モデル名。このパラメーターは Qwen3-ASR-Flash モデルにのみ適用されます。

    messages array (必須)

    メッセージのリスト。

    メッセージタイプ

    システムメッセージ object (オプション)

    モデルの目的またはロールを定義します。システムメッセージを使用する場合、messages リストの最初のメッセージにする必要があります。

    プロパティ

    role string (必須)

    system に設定します。

    ユーザーメッセージ object(必須)

    ユーザーがモデルに送信するメッセージ。

    プロパティ

    content array (必須)

    ユーザーメッセージの内容。配列内には 1 つのメッセージのみ許可されます。

    プロパティ

    type string(必須)

    input_audio に設定します。これは入力が音声であることを示します。

    input_audio string(必須)

    認識対象の音声。このパラメーターの使用方法の詳細については、「クイックスタート」をご参照ください。

    OpenAI 互換モードでは、Qwen3-ASR-Flash モデルは Base64 エンコードファイルとパブリックネットワーク上でアクセス可能な音声ファイルの URL の 2 つの入力形式をサポートしています。

    SDK を使用する場合、音声ファイルが OSS に保存されている場合、oss:// で始まる一時 URL はサポートされません。

    RESTful API を使用する場合、音声ファイルが OSS に保存されている場合、oss:// で始まる一時 URL がサポートされます。注意点:

    重要

    • 一時 URL の有効期間は 48 時間です。有効期限が切れると使用できなくなります。本番環境では使用しないでください。

    • ファイルアップロード認証情報 API は 100 QPS でレート制限されており、スケールアップできません。本番環境、高同時実行、またはストレステストシナリオでは使用しないでください。

    • 本番環境では、長期的なファイル可用性を確保し、レート制限の問題を回避するために、Alibaba Cloud OSS などの安定したストレージサービスの使用を推奨します。

    role string (必須)

    ユーザーメッセージのロール。user に設定します。

    asr_options object (オプション)

    特定の機能を有効にするかどうかを指定します。

    asr_options は標準的な OpenAI パラメーターではありません。OpenAI SDK を使用する場合、extra_body を介して渡してください。

    プロパティ

    language string (オプション) デフォルト値なし

    音声の言語がわかっている場合、このパラメーターを使用して言語を指定することで認識精度を向上させることができます。

    指定できる言語は 1 つだけです。

    音声の言語が不明な場合や複数の言語 (中国語、英語、日本語、韓国語など) が混在している場合は、このパラメーターを指定しないでください。

    有効な値

    • zh: 中国語 (北京語、四川語、閩南語、呉語)

    • yue: 広東語

    • en: 英語

    • ja: 日本語

    • de: ドイツ語

    • ko: 韓国語

    • ru: ロシア語

    • fr: フランス語

    • pt: ポルトガル語

    • ar: アラビア語

    • it: イタリア語

    • es: スペイン語

    • hi: ヒンディー語

    • id: インドネシア語

    • th: タイ語

    • tr: トルコ語

    • uk: ウクライナ語

    • vi: ベトナム語

    • cs: チェコ語

    • da: デンマーク語

    • fil: フィリピン語

    • fi: フィンランド語

    • is: アイスランド語

    • ms: マレー語

    • no: ノルウェー語

    • pl: ポーランド語

    • sv: スウェーデン語

    enable_itn boolean (オプション) デフォルト値: false

    逆テキスト正規化 (ITN) を有効にするかどうかを指定します。この機能は中国語および英語の音声にのみ適用されます。

    • true

    • false (デフォルト)

    stream boolean (オプション) デフォルト値: false

    ストリーミング出力を使用するかどうかを指定します。「ストリーミング出力」をご参照ください。

    有効な値:

    • false: モデルは生成後に完全な内容を返します。

    • true: モデルはコンテンツを生成しながら同時にアウトプットします。コンテンツの一部が生成されるたびにデータブロック (チャンク) が返されます。完全な返信を組み立てるには、これらのブロックをリアルタイムで読み取る必要があります。

    リクエストのタイムアウトリスクを軽減するには、true に設定してください。

    stream_options object (オプション)

    ストリーミング出力の設定項目。このパラメーターは stream が true に設定されている場合にのみ有効です。

    プロパティ

    include_usage boolean (オプション) デフォルト値: false

    レスポンスの最後のデータブロックにトークン消費情報が含まれるかどうかを指定します。

    有効な値:

    • true

    • false (デフォルト)

    ストリーミング出力中、トークン消費情報はレスポンスの最後のデータブロックにのみ表示されます。

    レスポンスボディ

    非ストリーミング出力

    {
    "choices": [
        {
            "finish_reason": "stop",
            "index": 0,
            "message": {
                "annotations": [
                    {
                        "emotion": "neutral",
                        "language": "zh",
                        "type": "audio_info"
                    }
                ],
                "content": "Welcome to Alibaba Cloud.",
                "role": "assistant"
            }
        }
    ],
    "created": 1767683986,
    "id": "chatcmpl-487abe5f-d4f2-9363-a877-xxxxxxx",
    "model": "qwen3-asr-flash",
    "object": "chat.completion",
    "usage": {
        "completion_tokens": 12,
        "completion_tokens_details": {
            "text_tokens": 12
        },
        "prompt_tokens": 42,
        "prompt_tokens_details": {
            "audio_tokens": 42,
            "text_tokens": 0
        },
        "seconds": 1,
        "total_tokens": 54
    }
}

    ストリーミング出力

    data: {"model":"qwen3-asr-flash","id":"chatcmpl-3fb97803-d27f-9289-8889-xxxxx","created":1767685989,"object":"chat.completion.chunk","usage":null,"choices":[{"logprobs":null,"index":0,"delta":{"content":"","role":"assistant"}}]}

data: {"model":"qwen3-asr-flash","id":"chatcmpl-3fb97803-d27f-9289-8889-xxxxx","choices":[{"delta":{"annotations":[{"type":"audio_info","language":"zh","emotion":"neutral"}],"content":"Welcome","role":null},"index":0}],"created":1767685989,"object":"chat.completion.chunk","usage":null}

data: {"model":"qwen3-asr-flash","id":"chatcmpl-3fb97803-d27f-9289-8889-xxxxx","choices":[{"delta":{"annotations":[{"type":"audio_info","language":"zh","emotion":"neutral"}],"content":" to","role":null},"index":0}],"created":1767685989,"object":"chat.completion.chunk","usage":null}

data: {"model":"qwen3-asr-flash","id":"chatcmpl-3fb97803-d27f-9289-8889-xxxxx","choices":[{"delta":{"annotations":[{"type":"audio_info","language":"zh","emotion":"neutral"}],"content":" Alibaba","role":null},"index":0}],"created":1767685989,"object":"chat.completion.chunk","usage":null}

data: {"model":"qwen3-asr-flash","id":"chatcmpl-3fb97803-d27f-9289-8889-xxxxx","choices":[{"delta":{"annotations":[{"type":"audio_info","language":"zh","emotion":"neutral"}],"content":" Cloud","role":null},"index":0}],"created":1767685989,"object":"chat.completion.chunk","usage":null}

data: {"model":"qwen3-asr-flash","id":"chatcmpl-3fb97803-d27f-9289-8889-xxxxx","choices":[{"delta":{"annotations":[{"type":"audio_info","language":"zh","emotion":"neutral"}],"content":".","role":null},"index":0}],"created":1767685989,"object":"chat.completion.chunk","usage":null}

data: {"model":"qwen3-asr-flash","id":"chatcmpl-3fb97803-d27f-9289-8889-xxxxx","choices":[{"delta":{"role":null},"index":0,"finish_reason":"stop"}],"created":1767685989,"object":"chat.completion.chunk","usage":null}

data: [DONE]

    id string

    この呼び出しの一意な識別子。

    choices array

    モデルからの出力情報。

    プロパティ

    finish_reason string

    有効な値:

    • null: 出力がまだ生成中です。

    • stop: 出力が自然に終了したか、停止条件によって終了しました。

    • length: 出力が最大長制限を超えました。

    index integer

    choices 配列内の現在のオブジェクトのインデックス。

    message object

    モデルが出力するメッセージオブジェクト。

    プロパティ

    role string

    出力メッセージのロール。assistant に設定されます。

    content array

    音声認識結果。

    annotations array

    言語などの出力アノテーション情報。

    プロパティ

    language string

    認識された音声の言語。language リクエストパラメーターが指定されている場合、この値は指定されたパラメーターと同じになります。

    有効な値

    • zh: 中国語 (北京語、四川語、閩南語、呉語)

    • yue: 広東語

    • en: 英語

    • ja: 日本語

    • de: ドイツ語

    • ko: 韓国語

    • ru: ロシア語

    • fr: フランス語

    • pt: ポルトガル語

    • ar: アラビア語

    • it: イタリア語

    • es: スペイン語

    • hi: ヒンディー語

    • id: インドネシア語

    • th: タイ語

    • tr: トルコ語

    • uk: ウクライナ語

    • vi: ベトナム語

    • cs: チェコ語

    • da: デンマーク語

    • fil: フィリピン語

    • fi: フィンランド語

    • is: アイスランド語

    • ms: マレー語

    • no: ノルウェー語

    • pl: ポーランド語

    • sv: スウェーデン語

    type string

    audio_info に設定します。これは音声情報であることを示します。

    emotion string

    認識された音声の感情。以下の感情がサポートされています:

    • surprised: 驚き

    • neutral: 中立

    • happy: 幸せ

    • sad: 悲しみ

    • disgusted: 嫌悪

    • angry: 怒り

    • fearful: 恐れている

    created integer

    リクエストが作成されたときの UNIX タイムスタンプ (秒単位)。

    model string

    このリクエストで使用されたモデル。

    object string

    常に chat.completion です。

    usage object

    このリクエストのトークン消費情報。

    プロパティ

    completion_tokens integer

    モデル出力のトークン数。

    completion_tokens_details object

    モデル出力のトークンの詳細情報。

    プロパティ

    text_tokens integer

    モデル出力テキストのトークン数。

    prompt_tokens object

    入力のトークン数。

    prompt_tokens_details object

    入力のトークンの詳細情報。

    プロパティ

    audio_tokens integer

    入力音声のトークン数。音声からトークンへの変換ルール: 音声 1 秒あたり 25 トークンに変換されます。1 秒未満の長さは 1 秒としてカウントされます。

    text_tokens integer

    このパラメーターは無視できます。

    seconds integer

    音声の長さ (秒単位)。

    total_tokens integer

    入力および出力トークンの合計数 (total_tokens = completion_tokens + prompt_tokens)。

    DashScope 同期

    URL

    シンガポール

    HTTP リクエストアドレス: POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation

    SDK 呼び出し時の base_url: https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1

    {WorkspaceId} を実際のワークスペース IDに置き換えます。

    {WorkspaceId} を実際のワークスペース IDに置き換えます。

    米国 (バージニア)

    US デプロイメント範囲を選択すると、モデル推論の計算リソースは米国内に制限されます。静的データは選択したリージョンに保存されます。サポートされているリージョン: 米国 (バージニア)。

    HTTP リクエストアドレス: POST https://dashscope-us.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation

    SDK 呼び出し時の base_url: https://dashscope-us.aliyuncs.com/api/v1

    中国 (北京)

    HTTP リクエストアドレス: POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation

    SDK 呼び出し時の base_url: https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1

    {WorkspaceId} を実際のワークスペース IDに置き換えます。

    重要

    Alibaba Cloud Model Studio は、中国 (北京) 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。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 へ

    • シンガポール: dashscope-intl.aliyuncs.com から {WorkspaceId}.ap-southeast-1.maas.aliyuncs.com へ

    {WorkspaceId} を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。

    リクエストボディ

    次の例は、URL からの音声ファイルを認識する方法を示しています。ローカル音声ファイルを認識する例については、「クイックスタート」をご参照ください。

    cURL

    # 代替案: WorkspaceId プレフィックスなしで "https://dashscope.aliyuncs.com" を使用
curl -X POST "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation" \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "qwen3-asr-flash",
    "input": {
        "messages": [
            {
                "content": [
                    {
                        "text": ""
                    }
                ],
                "role": "system"
            },
            {
                "content": [
                    {
                        "audio": "https://dashscope.oss-cn-beijing.aliyuncs.com/audios/welcome.mp3"
                    }
                ],
                "role": "user"
            }
        ]
    },
    "parameters": {
        "asr_options": {
            "enable_itn": false
        }
    }
}'

    Java

    import java.util.Arrays;
import java.util.Collections;
import java.util.HashMap;
import java.util.Map;

import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversation;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationParam;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationResult;
import com.alibaba.dashscope.common.MultiModalMessage;
import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.exception.UploadFileException;
import com.alibaba.dashscope.utils.Constants;
import com.alibaba.dashscope.utils.JsonUtils;

public class Main {
    public static void simpleMultiModalConversationCall()
            throws ApiException, NoApiKeyException, UploadFileException {
        MultiModalConversation conv = new MultiModalConversation();
        MultiModalMessage userMessage = MultiModalMessage.builder()
                .role(Role.USER.getValue())
                .content(Arrays.asList(
                        Collections.singletonMap("audio", "https://dashscope.oss-cn-beijing.aliyuncs.com/audios/welcome.mp3")))
                .build();

        Map<String, Object> asrOptions = new HashMap<>();
        asrOptions.put("enable_itn", false);
        // asrOptions.put("language", "zh"); // オプション。音声の言語がわかっている場合、このパラメーターを使用して言語を指定し、認識精度を向上させることができます。
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // シンガポール/米国および北京リージョンの API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/en/model-studio/get-api-key をご参照ください。
                // 環境変数が設定されていない場合は、次の行を実際の Model Studio API キーに置き換えてください: .apiKey("sk-xxx")
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                // 米国リージョンのモデルを使用するには、モデル名に "-us" サフィックスを追加します (例: qwen3-asr-flash-us)
                .model("qwen3-asr-flash")
                .message(userMessage)
                .parameter("asr_options", asrOptions)
                .build();
        MultiModalConversationResult result = conv.call(param);
        System.out.println(JsonUtils.toJson(result));
    }
    public static void main(String[] args) {
        try {
            // シンガポールリージョンの URL。WorkspaceId を実際のワークスペース ID に置き換えてください。リージョンによって URL は異なります。
            // 代替案: WorkspaceId プレフィックスなしで "https://dashscope.aliyuncs.com" を使用
            Constants.baseHttpApiUrl = "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1";
            simpleMultiModalConversationCall();
        } catch (ApiException | NoApiKeyException | UploadFileException e) {
            System.out.println(e.getMessage());
        }
        System.exit(0);
    }
}

    Python

    import os
import dashscope

# シンガポールリージョンの URL。WorkspaceId を実際のワークスペース ID に置き換えてください。リージョンによって URL は異なります。
# 代替案: WorkspaceId プレフィックスなしで "https://dashscope.aliyuncs.com" を使用
dashscope.base_http_api_url = 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1'

messages = [
    {"role": "user", "content": [{"audio": "https://dashscope.oss-cn-beijing.aliyuncs.com/audios/welcome.mp3"}]}
]

response = dashscope.MultiModalConversation.call(
    # シンガポール/米国および北京リージョンの API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/en/model-studio/get-api-key をご参照ください。
    # 環境変数が設定されていない場合は、次の行を実際の Model Studio API キーに置き換えてください: api_key = "sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 米国リージョンのモデルを使用するには、モデル名に "-us" サフィックスを追加します (例: qwen3-asr-flash-us)
    model="qwen3-asr-flash",
    messages=messages,
    result_format="message",
    asr_options={
        #"language": "zh", # オプション。音声の言語がわかっている場合、このパラメーターを使用して言語を指定し、認識精度を向上させることができます。
        "enable_itn":False
    }
)
print(response)

    model string (必須)

    モデル名。このパラメーターは Qwen3-ASR-Flash モデルにのみ適用されます。

    messages array (必須)

    メッセージのリスト。

    HTTP 呼び出しを行う場合、messages は input オブジェクト内に配置します。

    メッセージタイプ

    システムメッセージ object (オプション)

    モデルの目的またはロールを定義します。システムメッセージを設定する場合、メッセージリストの先頭に配置します。

    Qwen3-ASR-Flash のみがこのパラメーターをサポートしています。

    プロパティ

    role string (必須)

    system に設定します。

    ユーザーメッセージ object(必須)

    ユーザーがモデルに送信するメッセージ。

    プロパティ

    content array (必須)

    ユーザーメッセージの内容。配列内には 1 つのメッセージのみ許可されます。

    プロパティ

    audio string(必須)

    認識対象の音声。このパラメーターの使用方法の詳細については、「クイックスタート」をご参照ください。

    DashScope を使用する場合、Qwen3-ASR-Flash モデルは Base64 エンコードファイル、ローカルファイルの絶対パス、およびパブリックネットワーク上でアクセス可能な音声ファイルの URL の 3 つの入力形式をサポートしています。

    SDK を使用する場合、音声ファイルが OSS に保存されている場合、oss:// で始まる一時 URL はサポートされません。

    RESTful API を使用する場合、音声ファイルが OSS に保存されている場合、oss:// で始まる一時 URL がサポートされます。注意点:

    重要

    • 一時 URL の有効期間は 48 時間です。有効期限が切れると使用できなくなります。本番環境では使用しないでください。

    • ファイルアップロード認証情報 API は 100 QPS でレート制限されており、スケールアップできません。本番環境、高同時実行、またはストレステストシナリオでは使用しないでください。

    • 本番環境では、長期的なファイル可用性を確保し、レート制限の問題を回避するために、Alibaba Cloud OSS などの安定したストレージサービスの使用を推奨します。

    role string (必須)

    ユーザーメッセージのロール。user に設定します。

    asr_options object (オプション)

    特定の機能を有効にするかどうかを指定します。

    このパラメーターは Qwen3-ASR-Flash モデルでのみサポートされています。

    プロパティ

    language string (オプション) デフォルト値なし

    音声の言語がわかっている場合、このパラメーターを使用して言語を指定することで認識精度を向上させることができます。

    指定できる言語は 1 つだけです。

    音声の言語が不明な場合や複数の言語 (中国語、英語、日本語、韓国語など) が混在している場合は、このパラメーターを指定しないでください。

    有効な値

    • zh: 中国語 (北京語、四川語、閩南語、呉語)

    • yue: 広東語

    • en: 英語

    • ja: 日本語

    • de: ドイツ語

    • ko: 韓国語

    • ru: ロシア語

    • fr: フランス語

    • pt: ポルトガル語

    • ar: アラビア語

    • it: イタリア語

    • es: スペイン語

    • hi: ヒンディー語

    • id: インドネシア語

    • th: タイ語

    • tr: トルコ語

    • uk: ウクライナ語

    • vi: ベトナム語

    • cs: チェコ語

    • da: デンマーク語

    • fil: フィリピン語

    • fi: フィンランド語

    • is: アイスランド語

    • ms: マレー語

    • no: ノルウェー語

    • pl: ポーランド語

    • sv: スウェーデン語

    enable_itn boolean (オプション) デフォルト値: false

    逆テキスト正規化 (ITN) を有効にするかどうかを指定します。この機能は中国語および英語の音声にのみ適用されます。

    • true

    • false (デフォルト)

    レスポンスボディ

    		 
    {
    "output": {
        "choices": [
            {
                "finish_reason": "stop",
                "message": {
                    "annotations": [
                        {
                            "language": "zh",
                            "type": "audio_info",
                            "emotion": "neutral"
                        }
                    ],
                    "content": [
                        {
                            "text": "Welcome to Alibaba Cloud."
                        }
                    ],
                    "role": "assistant"
                }
            }
        ]
    },
    "usage": {
        "input_tokens_details": {
            "text_tokens": 0
        },
        "output_tokens_details": {
            "text_tokens": 6
        },
        "seconds": 1
    },
    "request_id": "568e2bf0-d6f2-97f8-9f15-a57b11dc6977"
}

    request_id string

    この呼び出しの一意な識別子。

    Java SDK が返すパラメーターは requestId

    output object

    呼び出し結果情報。

    プロパティ

    choices array

    モデル出力。result_format が message の場合に返されます。

    プロパティ

    finish_reason string

    有効な値:

    • null: 出力がまだ生成中です。

    • stop: 出力が自然に終了したか、停止条件によって終了しました。

    • length: 出力が最大長制限を超えました。

    message object

    モデルが出力するメッセージオブジェクト。

    プロパティ

    role string

    出力メッセージのロール。assistant に設定されます。

    content array

    出力メッセージの内容。

    プロパティ

    text string

    音声認識結果。

    annotations array

    言語などの出力アノテーション情報。

    プロパティ

    language string

    認識された音声の言語。language リクエストパラメーターが指定されている場合、この値は指定されたパラメーターと同じになります。

    有効な値

    • zh: 中国語 (北京語、四川語、閩南語、呉語)

    • yue: 広東語

    • en: 英語

    • ja: 日本語

    • de: ドイツ語

    • ko: 韓国語

    • ru: ロシア語

    • fr: フランス語

    • pt: ポルトガル語

    • ar: アラビア語

    • it: イタリア語

    • es: スペイン語

    • hi: ヒンディー語

    • id: インドネシア語

    • th: タイ語

    • tr: トルコ語

    • uk: ウクライナ語

    • vi: ベトナム語

    • cs: チェコ語

    • da: デンマーク語

    • fil: フィリピン語

    • fi: フィンランド語

    • is: アイスランド語

    • ms: マレー語

    • no: ノルウェー語

    • pl: ポーランド語

    • sv: スウェーデン語

    type string

    audio_info に設定します。これは音声情報であることを示します。

    emotion string

    認識された音声の感情。以下の感情がサポートされています:

    • surprised: 驚き

    • neutral: 中立

    • happy: 喜び

    • sad: 悲しみ

    • disgusted: 嫌悪

    • angry: 怒り

    • fearful: 恐れ

    usage object

    このリクエストのトークン消費情報。

    プロパティ

    input_tokens_details object

    Qwen3-ASR-Flash の入力内容の長さ (トークン単位)。

    プロパティ

    text_tokens integer

    このパラメーターは無視できます。

    output_tokens_details object

    Qwen3-ASR-Flash の出力内容の長さ (トークン単位)。

    プロパティ

    text_tokens integer

    Qwen3-ASR-Flash が出力する認識テキストの長さ (トークン単位)。

    seconds integer

    Qwen3-ASR-Flash の音声長 (秒単位)。

    DashScope 非同期呼び出し

    処理の説明

    非同期呼び出しは、長い音声ファイルや時間のかかるタスク向けに設計されています。「submit-poll」という 2 段階のプロセスを使用して、リクエストのタイムアウトを防止します。

    1. ステップ 1: タスクを送信

      • クライアントが非同期処理リクエストを開始します。

      • リクエストを検証した後、サーバーはタスクをすぐに実行しません。代わりに、タスクが正常に作成されたことを示す一意の task_id を返します。

    2. ステップ 2: 結果を取得

      • クライアントは task_id を使用して、結果クエリ API をポーリングします。

      • タスクが完了すると、結果クエリ API が最終的な認識結果を返します。

    統合環境に基づいて、SDK を使用するか、RESTful API を直接呼び出すかを選択できます。

    • SDK を使用する。「クイックスタート」にサンプルコードがあります。リクエストパラメーターについては、「タスク送信」操作の「リクエストボディ」をご参照ください。レスポンスの詳細については、「非同期呼び出し結果の説明」をご参照ください。

      SDK は基盤となる API 呼び出しの詳細を自動的に処理します。

      1. タスクを送信: async_call() (Python) または asyncCall() (Java) メソッドを呼び出してタスクを送信します。このメソッドは task_id を含むタスクオブジェクトを返します。

      2. 結果を取得: 前のステップで返されたタスクオブジェクトまたは task_id を使用して fetch() メソッドを呼び出して結果を取得します。SDK はタスクが完了するかタイムアウトするまで、内部のポーリングロジックを自動的に処理します。

    • RESTful API を使用する

      RESTful API を直接呼び出すことで、最大限の柔軟性が得られます。

      1. タスクを送信します。リクエストが成功すると、レスポンスボディ に task_id が含まれます。

      2. 前のステップの task_id を使用して、タスク実行結果を取得します。

    タスク送信

    URL

    シンガポール

    HTTP リクエストアドレス: POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/audio/asr/transcription

    SDK 呼び出し時の base_url: https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1

    {WorkspaceId} を実際のワークスペース IDに置き換えます。

    {WorkspaceId} を実際のワークスペース IDに置き換えます。

    中国 (北京)

    HTTP リクエストアドレス: POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/audio/asr/transcription

    SDK 呼び出し時の base_url: https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1

    {WorkspaceId} を実際のワークスペース IDに置き換えます。

    重要

    Alibaba Cloud Model Studio は、中国 (北京) 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。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 へ

    • シンガポール: dashscope-intl.aliyuncs.com から {WorkspaceId}.ap-southeast-1.maas.aliyuncs.com へ

    {WorkspaceId} を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。

    リクエストボディ

    cURL

    # ======= 重要 =======
# 以下の構成はシンガポールリージョン用です。"{WorkspaceId}" を実際のワークスペース ID に置き換えてください。構成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リージョンの API キーは異なります。API キーの取得方法の詳細については、https://www.alibabacloud.com/help/en/model-studio/get-api-key をご参照ください。
# === コマンド実行前にこのコメントを削除してください。===

curl --location --request POST 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/audio/asr/transcription' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header "Content-Type: application/json" \
--header "X-DashScope-Async: enable" \
--data '{
    "model": "qwen3-asr-flash-filetrans",
    "input": {
        "file_url": "https://dashscope.oss-cn-beijing.aliyuncs.com/audios/welcome.mp3"
    },
    "parameters": {
        "channel_id":[
            0
        ], 
        "enable_itn": false
    }
}'

    Java

    SDK の例については、「クイックスタート」をご参照ください。

    import com.google.gson.Gson;
import com.google.gson.annotations.SerializedName;
import okhttp3.*;

import java.io.IOException;

public class Main {
    // 以下の構成はシンガポールリージョン用です。"{WorkspaceId}" を実際のワークスペース ID に置き換えてください。構成はリージョンによって異なります。
    private static final String API_URL = "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/audio/asr/transcription";

    public static void main(String[] args) {
        // シンガポールおよび北京リージョンの API キーは異なります。API キーの取得方法の詳細については、https://www.alibabacloud.com/help/en/model-studio/get-api-key をご参照ください。
        // 環境変数が設定されていない場合は、次の行を実際の Model Studio API キーに置き換えてください: String apiKey = "sk-xxx"
        String apiKey = System.getenv("DASHSCOPE_API_KEY");

        OkHttpClient client = new OkHttpClient();
        Gson gson = new Gson();

        /*String payloadJson = """
                {
                    "model": "qwen3-asr-flash-filetrans",
                    "input": {
                        "file_url": "https://dashscope.oss-cn-beijing.aliyuncs.com/audios/welcome.mp3"
                    },
                    "parameters": {
                        "channel_id": [0],
                        "enable_itn": false,
                        "language": "zh",
                        "corpus": {
                            "text": ""
                        }
                    }
                }
                """;*/
        String payloadJson = """
                {
                    "model": "qwen3-asr-flash-filetrans",
                    "input": {
                        "file_url": "https://dashscope.oss-cn-beijing.aliyuncs.com/audios/welcome.mp3"
                    },
                    "parameters": {
                        "channel_id": [0],
                        "enable_itn": false
                    }
                }
                """;

        RequestBody body = RequestBody.create(payloadJson, MediaType.get("application/json; charset=utf-8"));
        Request request = new Request.Builder()
                .url(API_URL)
                .addHeader("Authorization", "Bearer " + apiKey)
                .addHeader("Content-Type", "application/json")
                .addHeader("X-DashScope-Async", "enable")
                .post(body)
                .build();

        try (Response response = client.newCall(request).execute()) {
            if (response.isSuccessful() && response.body() != null) {
                String respBody = response.body().string();
                // Gson を使用して JSON を解析
                ApiResponse apiResp = gson.fromJson(respBody, ApiResponse.class);
                if (apiResp.output != null) {
                    System.out.println("task_id: " + apiResp.output.taskId);
                } else {
                    System.out.println(respBody);
                }
            } else {
                System.out.println("タスク失敗! HTTP コード: " + response.code());
                if (response.body() != null) {
                    System.out.println(response.body().string());
                }
            }
        } catch (IOException e) {
            e.printStackTrace();
        }
    }

    static class ApiResponse {
        @SerializedName("request_id")
        String requestId;

        Output output;
    }

    static class Output {
        @SerializedName("task_id")
        String taskId;

        @SerializedName("task_status")
        String taskStatus;
    }
}

    Python

    SDK の例については、「クイックスタート」をご参照ください。

    import requests
import json
import os

# 以下の構成はシンガポールリージョン用です。"{WorkspaceId}" を実際のワークスペース ID に置き換えてください。構成はリージョンによって異なります。
url = "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/audio/asr/transcription"

# シンガポールおよび北京リージョンの API キーは異なります。API キーの取得方法の詳細については、https://www.alibabacloud.com/help/en/model-studio/get-api-key をご参照ください。
# 環境変数が設定されていない場合は、次の行を実際の Model Studio API キーに置き換えてください: DASHSCOPE_API_KEY = "sk-xxx"
DASHSCOPE_API_KEY = os.getenv("DASHSCOPE_API_KEY")

headers = {
    "Authorization": f"Bearer {DASHSCOPE_API_KEY}",
    "Content-Type": "application/json",
    "X-DashScope-Async": "enable"
}

payload = {
    "model": "qwen3-asr-flash-filetrans",
    "input": {
        "file_url": "https://dashscope.oss-cn-beijing.aliyuncs.com/audios/welcome.mp3"
    },
    "parameters": {
        "channel_id": [0],
        # "language": "zh",
        "enable_itn": False
        # "corpus": {
        #     "text": ""
        # }
    }
}

response = requests.post(url, headers=headers, data=json.dumps(payload))
if response.status_code == 200:
    print(f"task_id: {response.json()["output"]["task_id"]}")
else:
    print("タスク失敗!")
    print(response.json())

    model string (必須)

    モデル名。このパラメーターは Qwen3-ASR-Flash-Filetrans モデルにのみ適用されます。

    input object (必須)

    プロパティ

    file_url string(必須)

    認識対象の音声ファイルの URL。URL はパブリックネットワーク上でアクセス可能である必要があります。

    SDK を使用する場合、音声ファイルが OSS に保存されている場合、oss:// で始まる一時 URL はサポートされません。

    RESTful API を使用する場合、音声ファイルが OSS に保存されている場合、oss:// で始まる一時 URL がサポートされます。注意点:

    重要

    • 一時 URL の有効期間は 48 時間です。有効期限が切れると使用できなくなります。本番環境では使用しないでください。

    • ファイルアップロード認証情報 API は 100 QPS でレート制限されており、スケールアップできません。本番環境、高同時実行、またはストレステストシナリオでは使用しないでください。

    • 本番環境では、長期的なファイル可用性を確保し、レート制限の問題を回避するために、Alibaba Cloud OSS などの安定したストレージサービスの使用を推奨します。

    parameters object (オプション)

    プロパティ

    language string (オプション) デフォルト値なし

    音声の言語がわかっている場合、このパラメーターを使用して言語を指定することで認識精度を向上させることができます。

    指定できる言語は 1 つだけです。

    音声の言語が不明な場合や複数の言語 (中国語、英語、日本語、韓国語など) が混在している場合は、このパラメーターを指定しないでください。

    有効な値

    • zh: 中国語 (北京語、四川語、閩南語、呉語)

    • yue: 広東語

    • en: 英語

    • ja: 日本語

    • de: ドイツ語

    • ko: 韓国語

    • ru: ロシア語

    • fr: フランス語

    • pt: ポルトガル語

    • ar: アラビア語

    • it: イタリア語

    • es: スペイン語

    • hi: ヒンディー語

    • id: インドネシア語

    • th: タイ語

    • tr: トルコ語

    • uk: ウクライナ語

    • vi: ベトナム語

    • cs: チェコ語

    • da: デンマーク語

    • fil: フィリピン語

    • fi: フィンランド語

    • is: アイスランド語

    • ms: マレー語

    • no: ノルウェー語

    • pl: ポーランド語

    • sv: スウェーデン語

    enable_itn boolean (オプション) デフォルト値: false

    逆テキスト正規化 (ITN) を有効にするかどうかを指定します。この機能は中国語および英語の音声にのみ適用されます。

    • true

    • false (デフォルト)

    enable_words boolean (オプション) デフォルト値: false

    単語レベルのタイムスタンプを返すかどうかを指定します:

    • false: 文レベルのタイムスタンプを返します。

    • true: 単語レベルのタイムスタンプを返します。

      単語レベルのタイムスタンプは、中国語、英語、日本語、韓国語、ドイツ語、フランス語、スペイン語、イタリア語、ポルトガル語、ロシア語でのみサポートされています。他の言語では精度が保証されません。

    このパラメーターは文のセグメンテーションルールにも影響します:

    • false: 文のセグメンテーションは音声アクティビティ検出 (VAD) に基づきます。

    • true: 文のセグメンテーションは VAD と句読点に基づきます。

    channel_id array (オプション) デフォルト値: [0]

    マルチトラック音声ファイルで認識する音声トラックのインデックスを指定します。インデックスは 0 から始まります。例: [0] は最初の音声トラックを認識することを示し、[0, 1] は最初と 2 番目の音声トラックを同時に認識することを示します。このパラメーターを省略した場合、デフォルトで最初の音声トラックが処理されます。

    重要

    指定された各音声トラックは個別に課金されます。たとえば、単一のファイルに対して [0, 1] をリクエストすると、2 回の個別の課金が発生します。

    レスポンスボディ

    		 
    {
    "request_id": "92e3decd-0c69-47a8-************",
    "output": {
        "task_id": "8fab76d0-0eed-4d20-************",
        "task_status": "PENDING"
    }
}

    request_id string

    この呼び出しの一意な識別子。

    output object

    呼び出し結果情報。

    プロパティ

    task_id string

    タスク ID。この ID は、音声認識タスクのクエリ API のリクエストパラメーターとして渡されます。

    task_status string

    タスクのステータス:

    • PENDING

    • RUNNING

    • SUCCEEDED

    • FAILED

    • UNKNOWN: タスクが存在しないか、ステータスが不明です。

    タスク実行結果の取得

    URL

    シンガポール

    HTTP リクエストアドレス: GET https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/tasks/{task_id}

    SDK 呼び出し時の base_url: https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1

    {WorkspaceId} を実際のワークスペース IDに置き換えます。

    {WorkspaceId} を実際のワークスペース IDに置き換えます。

    中国 (北京)

    HTTP リクエストアドレス: GET https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/tasks/{task_id}

    SDK 呼び出し時の base_url: https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1

    {WorkspaceId} を実際のワークスペース IDに置き換えます。

    重要

    Alibaba Cloud Model Studio は、中国 (北京) 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。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 へ

    • シンガポール: dashscope-intl.aliyuncs.com から {WorkspaceId}.ap-southeast-1.maas.aliyuncs.com へ

    {WorkspaceId} を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。

    リクエストボディ

    cURL

    # ======= 重要 =======
# 以下の構成はシンガポールリージョン用です。"{WorkspaceId}" を実際のワークスペース ID に置き換えてください。構成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リージョンの API キーは異なります。API キーの取得方法の詳細については、https://www.alibabacloud.com/help/en/model-studio/get-api-key をご参照ください。
# === コマンド実行前にこのコメントを削除してください。===

curl --location --request GET 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/tasks/{task_id}' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header "Content-Type: application/json"

    Java

    SDK の例については、「クイックスタート」をご参照ください。

    import okhttp3.*;

import java.io.IOException;

public class Main {
    public static void main(String[] args) {
        // 実際の task_id に置き換えてください。
        String taskId = "xxx";
        // シンガポールおよび北京リージョンの API キーは異なります。API キーの取得方法の詳細については、https://www.alibabacloud.com/help/en/model-studio/get-api-key をご参照ください。
        // 環境変数が設定されていない場合は、次の行を実際の Model Studio API キーに置き換えてください: String apiKey = "sk-xxx"
        String apiKey = System.getenv("DASHSCOPE_API_KEY");

        // 以下の構成はシンガポールリージョン用です。"{WorkspaceId}" を実際のワークスペース ID に置き換えてください。構成はリージョンによって異なります。
        String apiUrl = "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/tasks/" + taskId;

        OkHttpClient client = new OkHttpClient();

        Request request = new Request.Builder()
                .url(apiUrl)
                .addHeader("Authorization", "Bearer " + apiKey)
                .addHeader("Content-Type", "application/json")
                .get()
                .build();

        try (Response response = client.newCall(request).execute()) {
            if (response.body() != null) {
                System.out.println(response.body().string());
            }
        } catch (IOException e) {
            e.printStackTrace();
        }
    }
}

    Python

    SDK の例については、「クイックスタート」をご参照ください。

    import os
import requests


# シンガポールおよび北京リージョンの API キーは異なります。API キーの取得方法の詳細については、https://www.alibabacloud.com/help/en/model-studio/get-api-key をご参照ください。
# 環境変数が設定されていない場合は、次の行を実際の Model Studio API キーに置き換えてください: DASHSCOPE_API_KEY = "sk-xxx"
DASHSCOPE_API_KEY = os.getenv("DASHSCOPE_API_KEY")

# 実際の task_id に置き換えてください。
task_id = "xxx"
# 以下の構成はシンガポールリージョン用です。"{WorkspaceId}" を実際のワークスペース ID に置き換えてください。構成はリージョンによって異なります。
url = f"https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/tasks/{task_id}"

headers = {
    "Authorization": f"Bearer {DASHSCOPE_API_KEY}",
    "Content-Type": "application/json"
}

response = requests.get(url, headers=headers)
print(response.json())

    task_id string (必須)

    タスク ID。「タスク送信」操作のレスポンスから取得した task_id を渡して、音声認識結果をクエリします。

    レスポンスボディ

    RUNNING

    {
    "request_id": "6769df07-2768-4fb0-ad59-************",
    "output": {
        "task_id": "9be1700a-0f8e-4778-be74-************",
        "task_status": "RUNNING",
        "submit_time": "2025-10-27 14:19:31.150",
        "scheduled_time": "2025-10-27 14:19:31.233",
        "task_metrics": {
            "TOTAL": 1,
            "SUCCEEDED": 0,
            "FAILED": 0
        }
    }
}

    SUCCEEDED

    {
    "request_id": "1dca6c0a-0ed1-4662-aa39-************",
    "output": {
        "task_id": "8fab76d0-0eed-4d20-929f-************",
        "task_status": "SUCCEEDED",
        "submit_time": "2025-10-27 13:57:45.948",
        "scheduled_time": "2025-10-27 13:57:46.018",
        "end_time": "2025-10-27 13:57:47.079",
        "result": {
            "transcription_url": "http://dashscope-result-bj.oss-cn-beijing.aliyuncs.com/pre/pre-funasr-mlt-v1/20251027/13%3A57/7a3a8236-ffd1-4099-a280-0299686ac7da.json?Expires=1761631066&OSSAccessKeyId=LTAI**************&Signature=1lKv4RgyWCarRuUdIiErOeOBnwM%3D&response-content-disposition=attachment%3Bfilename%3D7a3a8236-ffd1-4099-a280-0299686ac7da.json"
        }
    },
    "usage": {
        "seconds": 3
    }
}

    FAILED

    {
    "request_id": "3d141841-858a-466a-9ff9-************",
    "output": {
        "task_id": "c58c7951-7789-4557-9ea3-************",
        "task_status": "FAILED",
        "submit_time": "2025-10-27 15:06:06.915",
        "scheduled_time": "2025-10-27 15:06:06.967",
        "end_time": "2025-10-27 15:06:07.584",
        "code": "FILE_403_FORBIDDEN",
        "message": "FILE_403_FORBIDDEN"
    }
}

    request_id string

    この呼び出しの一意な識別子。

    output object

    呼び出し結果情報。

    プロパティ

    task_id string

    タスク ID。この ID は、音声認識タスクのクエリ API のリクエストパラメーターとして渡されます。

    task_status string

    タスクのステータス:

    • PENDING

    • RUNNING

    • SUCCEEDED

    • FAILED

    • UNKNOWN: タスクが存在しないか、ステータスが不明です。

    result object

    音声認識結果。

    プロパティ

    transcription_url string

    認識結果ファイルのダウンロード URL。リンクの有効期間は 24 時間です。リンクの有効期限が切れると、以前の URL を使用してタスクをクエリしたり結果をダウンロードしたりすることはできません。
    認識結果は JSON ファイルとして保存されます。このリンクからファイルをダウンロードするか、HTTP リクエストを使用してファイルの内容を直接読み取ることができます。















    詳細については、「非同期呼び出し結果の説明」をご参照ください。

    submit_time string

    タスクが送信された時刻。

    schedule_time 文字列

    タスクがスケジュールされた時刻 (実行開始時刻)。

    end_time string

    タスクが終了した時刻。

    task_metrics object

    タスクメトリック。サブタスクのステータスに関する統計情報を含みます。

    プロパティ

    TOTAL integer

    サブタスクの総数。

    SUCCEEDED integer

    成功したサブタスクの数。

    FAILED integer

    失敗したサブタスクの数。

    code string

    エラーコード。タスクが失敗した場合にのみ返されます。

    message string

    エラーメッセージ。タスクが失敗した場合にのみ返されます。

    usage object

    このリクエストのトークン消費情報。

    プロパティ

    seconds integer

    Qwen3-ASR-Flash の音声長 (秒単位)。

    非同期呼び出し結果の説明

    		 
    {
    "file_url": "https://***.wav",
    "audio_info": {
        "format": "wav",
        "sample_rate": 16000
    },
    "transcripts": [
        {
            "channel_id": 0,
            "text": "Senior staff, Principal Doris Jackson, Wakefield faculty, and of course my fellow classmates.I am honored to have been chosen to speak before my classmates along with the students across America today.",
            "sentences": [
                {
                    "sentence_id": 0,
                    "begin_time": 240,
                    "end_time": 6720,
                    "language": "en",
                    "emotion": "happy",
                    "text": "Senior staff, Principal Doris Jackson, Wakefield faculty, and of course my fellow classmates.",
                    "words": [
                        {
                            "begin_time": 240,
                            "end_time": 1120,
                            "text": "Senior ",
                            "punctuation": ""
                        },
                        {
                            "begin_time": 1120,
                            "end_time": 1200,
                            "text": "staff",
                            "punctuation": ","
                        },
                        {
                            "begin_time": 1680,
                            "end_time": 1920,
                            "text": " Principal ",
                            "punctuation": ""
                        },
                        {
                            "begin_time": 2000,
                            "end_time": 2320,
                            "text": "Doris ",
                            "punctuation": ""
                        },
                        {
                            "begin_time": 2320,
                            "end_time": 2960,
                            "text": "Jackson",
                            "punctuation": ","
                        },
                        {
                            "begin_time": 3360,
                            "end_time": 3840,
                            "text": " Wakefield ",
                            "punctuation": ""
                        },
                        {
                            "begin_time": 3840,
                            "end_time": 4480,
                            "text": "faculty",
                            "punctuation": ","
                        },
                        {
                            "begin_time": 4800,
                            "end_time": 4960,
                            "text": " and ",
                            "punctuation": ""
                        },
                        {
                            "begin_time": 4960,
                            "end_time": 5040,
                            "text": "of ",
                            "punctuation": ""
                        },
                        {
                            "begin_time": 5040,
                            "end_time": 5520,
                            "text": "course ",
                            "punctuation": ""
                        },
                        {
                            "begin_time": 5520,
                            "end_time": 5680,
                            "text": "my ",
                            "punctuation": ""
                        },
                        {
                            "begin_time": 5760,
                            "end_time": 6000,
                            "text": "fellow ",
                            "punctuation": ""
                        },
                        {
                            "begin_time": 6000,
                            "end_time": 6720,
                            "text": "classmates",
                            "punctuation": "."
                        }
                    ]
                },
                {
                    "sentence_id": 1,
                    "begin_time": 12268,
                    "end_time": 17388,
                    "language": "en",
                    "emotion": "neutral",
                    "text": "I am honored to have been chosen to speak before my classmates along with the students across America today.",
                    "words": [
                        {
                            "begin_time": 12268,
                            "end_time": 12428,
                            "text": "I ",
                            "punctuation": ""
                        },
                        {
                            "begin_time": 12428,
                            "end_time": 12508,
                            "text": "am ",
                            "punctuation": ""
                        },
                        {
                            "begin_time": 12588,
                            "end_time": 12828,
                            "text": "honored ",
                            "punctuation": ""
                        },
                        {
                            "begin_time": 12908,
                            "end_time": 12908,
                            "text": "to ",
                            "punctuation": ""
                        },
                        {
                            "begin_time": 12908,
                            "end_time": 13068,
                            "text": "have ",
                            "punctuation": ""
                        },
                        {
                            "begin_time": 13068,
                            "end_time": 13228,
                            "text": "been ",
                            "punctuation": ""
                        },
                        {
                            "begin_time": 13228,
                            "end_time": 13628,
                            "text": "chosen ",
                            "punctuation": ""
                        },
                        {
                            "begin_time": 13628,
                            "end_time": 13708,
                            "text": "to ",
                            "punctuation": ""
                        },
                        {
                            "begin_time": 13708,
                            "end_time": 14028,
                            "text": "speak ",
                            "punctuation": ""
                        },
                        {
                            "begin_time": 14028,
                            "end_time": 14268,
                            "text": "before ",
                            "punctuation": ""
                        },
                        {
                            "begin_time": 14268,
                            "end_time": 14428,
                            "text": "my ",
                            "punctuation": ""
                        },
                        {
                            "begin_time": 14428,
                            "end_time": 15148,
                            "text": "classmates ",
                            "punctuation": ""
                        },
                        {
                            "begin_time": 15308,
                            "end_time": 15468,
                            "text": "as ",
                            "punctuation": ""
                        },
                        {
                            "begin_time": 15468,
                            "end_time": 15628,
                            "text": "well ",
                            "punctuation": ""
                        },
                        {
                            "begin_time": 15628,
                            "end_time": 15788,
                            "text": "as ",
                            "punctuation": ""
                        },
                        {
                            "begin_time": 15788,
                            "end_time": 15788,
                            "text": "the ",
                            "punctuation": ""
                        },
                        {
                            "begin_time": 15788,
                            "end_time": 16188,
                            "text": "students ",
                            "punctuation": ""
                        },
                        {
                            "begin_time": 16188,
                            "end_time": 16588,
                            "text": "across ",
                            "punctuation": ""
                        },
                        {
                            "begin_time": 16588,
                            "end_time": 16988,
                            "text": "America ",
                            "punctuation": ""
                        },
                        {
                            "begin_time": 16988,
                            "end_time": 17388,
                            "text": "today",
                            "punctuation": "."
                        }
                    ]
                }
            ]
        }
    ]
}

    file_url string

    認識された音声ファイルの URL。

    audio_info object

    認識された音声ファイルに関する情報。

    プロパティ

    format string

    音声フォーマット。

    sample_rate integer

    音声サンプリングレート。

    transcripts array

    完全な認識結果のリスト。各要素は音声トラックの認識内容に対応します。

    プロパティ

    channel_id integer

    音声トラックのインデックス (0 から開始)。

    text string

    認識されたテキスト。

    sentences object

    文レベルの認識結果のリスト。

    プロパティ

    begin_time integer

    文の開始タイムスタンプ (ミリ秒単位)。

    end_time integer

    文の終了タイムスタンプ (ミリ秒単位)。

    text string

    認識されたテキスト。

    sentence_id integer

    文のインデックス (0 から開始)。

    language string

    認識された音声の言語。language リクエストパラメーターが指定されている場合、この値は指定されたパラメーターと同じになります。

    有効な値

    • zh: 中国語 (北京語、四川語、閩南語、呉語)

    • yue: 広東語

    • en: 英語

    • ja: 日本語

    • de: ドイツ語

    • ko: 韓国語

    • ru: ロシア語

    • fr: フランス語

    • pt: ポルトガル語

    • ar: アラビア語

    • it: イタリア語

    • es: スペイン語

    • hi: ヒンディー語

    • id: インドネシア語

    • th: タイ語

    • tr: トルコ語

    • uk: ウクライナ語

    • vi: ベトナム語

    • cs: チェコ語

    • da: デンマーク語

    • fil: フィリピン語

    • fi: フィンランド語

    • is: アイスランド語

    • ms: マレー語

    • no: ノルウェー語

    • pl: ポーランド語

    • sv: スウェーデン語

    emotion string

    認識された音声の感情。以下の感情がサポートされています:

    • surprised

    • neutral

    • happy

    • sad

    • disgusted

    • angry

    • fearful

    words object

    単語レベルの認識結果のリスト。enable_words リクエストパラメーターが true に設定されている場合に表示されます。

    プロパティ

    begin_time integer

    開始タイムスタンプ (ミリ秒単位)。

    end_time integer

    終了タイムスタンプ (ミリ秒単位)。

    text string

    認識されたテキスト。

    punctuation string

    句読点。