すべてのプロダクト
Search
ドキュメントセンター

Alibaba Cloud Model Studio:Qwen-Audio-ASR-Streaming クライアントイベント

最終更新日:Nov 17, 2026

Qwen-Audio-ASR-Streaming の クライアントイベントリファレンス。run-task と finish-task のフィールド、送信順序、対応するサーバーイベントを説明します。

イベントフロー

  1. run-task を送信し、task-started を受信してから音声の送信を開始します。
  2. 音声を継続して送信しながら、result-generated を受信します。
  3. すべての音声の送信後に finish-task を送信し、task-finished まで結果を受信します。タスクが失敗すると task-failed が返されます。

音声データは run-task では送信しません。WebSocket ではバイナリフレーム、AOQ では Audio Track を使用します。接続、認証、音声転送については、WebSocket API または AOQ 接続 をご参照ください。

run-task

接続の確立後、クライアントは run-task イベントを送信して音声認識タスクを開始し、モデル、音声形式、サンプルレートなどを設定します。

重要task-started を受信してから音声を送信してください。 run-task はタスクの開始と設定に使用し、音声データは含みません。

headerobject必須
actionstring必須

コマンドタイプ。run-task に設定します。

task_idstring必須

クライアントが生成したタスク ID (UUID 形式) で、後続のイベントをこのタスクにリンクさせます。

streamingstring必須

duplex に設定します。

payloadobject必須
task_groupstring必須

タスクグループ。audioに設定します。

taskstring必須

タスクタイプ。 asr に設定します。

functionstring必須

関数タイプとして recognition を設定します。

modelstring必須

モデル名。

parametersobject必須

音声認識パラメーター。

formatstring必須

音声フォーマット。

有効値:

  • pcm
  • wav
  • mp3
  • opus
  • speex
  • aac
  • amr

注記

  • opus/speex:Ogg カプセル化を使用する必要があります。
  • wav:PCM エンコーディングを使用する必要があります。
  • amr:AMR-NB タイプのみがサポートされています。
sample_rateinteger必須

サンプリングレート(Hz)。任意のサンプリングレートをサポートします。

keep_dialectboolean任意

注記qwen-audio-3.1-asr-flash-streaming のみに適用します。

デフォルトは false で、方言を標準中国語に変換します。true に設定すると、方言表現を保持します。

vad_modelstring任意

注記qwen-audio-3.1-asr-flash-streaming のみに適用します。

VAD モデル。デフォルトは far_field_meeting_16k です。

  • near_meeting_16k:話者とマイクの距離が近い集音環境に適しています。例:ヘッドセットを使ったカスタマーサービスの通話、手に持ったスマートフォンのアプリへの音声入力。
  • far_field_meeting_16k:話者とマイクの距離が離れた集音環境に適しています。例:スマートスピーカーとの音声対話、会議室の共用マイクによる集音、車内でのハンズフリー音声対話。
max_sentence_silenceinteger任意

セグメンテーションのための VAD 無音しきい値 (単位:ms)。音声セグメントの後の無音がこのしきい値を超えると、システムは文が終了したと判断します。

デフォルト値:800。

有効値:[200, 6000]。

multi_threshold_mode_enabledboolean任意

マルチしきい値モードを有効にするかどうか。有効にすると、VAD セグメントが長くなりすぎるのを防ぎます。

デフォルト値:false。

speech_noise_thresholdfloat任意

音声とノイズを区別するためのしきい値で、音声アクティビティ検出 (VAD) の感度を調整するために使用されます。

有効値:[-1.0, 1.0]。

値の説明:

  • 値が -1 に近いほど:ノイズのしきい値が下がり、ノイズが音声として認識されやすくなるため、より多くのノイズが書き起こされる可能性があります。
  • 値が +1 に近いほど:ノイズのしきい値が上がり、音声がノイズとして誤って判断されやすくなるため、一部の音声がフィルタリングされる可能性があります。

これは詳細設定パラメーターです。調整すると認識結果に大きな影響を与える可能性があります。推奨事項:

  • 調整する前に、結果を十分にテストし、検証してください。
  • 実際の音声環境に基づいて、小さな増分で調整してください (0.1 のステップを推奨します)。
vocabulary_idstring任意

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 を渡すことで、リスト内のホットワードを使用できます。

語彙が既知で比較的に安定しており、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、「プリコンパイルされたホットワード」をご参照ください。

vocabularyobject任意

動的ホットワード。

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 に設定します。値が [1, 5] の範囲では、値が大きいほどモデルがその単語を出力する可能性が高くなります。値が 50 の場合はスーパーホットワードを指定し、再現率が大幅に向上しますが、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。

注記プリコンパイルされたホットワードと同時に指定すると、両方のホットワードが統合されます。統合後の数が 2000 を超える場合、2000 個がランダムに選択されます。使用方法は「動的ホットワード」をご参照ください。

language_hintsarray[string]任意

認識する音声の言語。デフォルト値はありません。設定しない場合、モデルは自動的に言語を検出します。

最大 4 つの値を設定できます。それ以上設定した場合は、最初の 4 つのみが有効です。

クリックしてサポートされている言語コードを表示

  • zh:中国語
  • en:英語
  • ja:日本語
  • ko:韓国語
  • vi:ベトナム語
  • th:タイ語
  • id:インドネシア語
  • ms:マレー語
  • tl:フィリピン語
  • hi:ヒンディー語
  • ar:アラビア語
  • fr:フランス語
  • de:ドイツ語
  • es:スペイン語
  • pt:ポルトガル語
  • ru:ロシア語
  • it:イタリア語
  • nl:オランダ語
  • sv:スウェーデン語
  • da:デンマーク語
  • fi:フィンランド語
  • no:ノルウェー語
  • el:ギリシャ語
  • pl:ポーランド語
  • cs:チェコ語
  • hu:ハンガリー語
  • ro:ルーマニア語
  • bg:ブルガリア語
  • hr:クロアチア語
  • sk:スロバキア語
heartbeatboolean任意

ハートビートパケットを有効にするかどうか。

デフォルト値:false。

  • true:無音音声を継続的に送信しても、サーバーへの接続を維持します。
  • false (デフォルト):無音音声を継続的に送信しても、60 秒後にタイムアウトにより接続が切断されます。

無音音声とは、音声ファイルまたはデータストリーム内の音声信号を含まないコンテンツを指します。無音音声は、Audacity や Adobe Audition などの音声編集ソフトウェアを使用したり、FFmpeg などのコマンドラインツールを使用したりするなど、いくつかの方法で生成できます。

special_word_filterstring任意

認識結果の指定単語を同じ数のアスタリスクに置換するか、削除するためのフィルタリングルールです。値はルールオブジェクトをシリアライズした JSON 文字列です。最大 32 語を設定できます。パラメーターを省略した場合はフィルタリングしません。

  • filter_with_signed.word_list:文字列配列。一致する語を同じ文字数のアスタリスクに置換します。
  • filter_with_empty.word_list:文字列配列。一致する語を結果から削除します。
  • system_reserved_filter:ブール値、デフォルトは false。システム辞書の使用を制御します。カスタムの置換・削除ルールは上記の各リストで設定します。
{
  "special_word_filter": "{\"filter_with_signed\":{\"word_list\":[\"project\"]},\"filter_with_empty\":{\"word_list\":[\"report\"]},\"system_reserved_filter\":false}"
}
inputobject必須

入力オブジェクト。コンテキストが提供されない場合は {} を渡します。

contextarray(object)任意

会話コンテキスト。ドメイン固有の語彙に対する認識精度を向上させます。使用方法の詳細については、「コンテキスト拡張」をご参照ください。

注記

  • メッセージ数:各タイプ(input_text と text)のコンテキストメッセージは最大 5 件です。超過した場合、最新の 5 件のみが保持されます。
  • テキスト長:各ターンの user と assistant の text フィールドの合計は 400 文字以下にします。各文字は 1 として数えられ、超過部分は末尾から切り捨てられます。
  • メッセージの順序:会話のターンごとに配置し、各ターンで user(input_text)を対応する assistant(text)より前に配置します。
rolestring必須

メッセージのロール。有効値:

  • user:前のターンのユーザー発話の認識結果、またはドメイン固有の単語リスト。
  • assistant:前のターンの大規模言語モデルからの応答。
contentarray(object)必須

メッセージコンテンツのリスト。

typestring必須

コンテンツタイプ。有効値:

  • input_text:前のターンのユーザー発話の認識結果、またはドメイン固有の単語リスト (ロールが user の場合に使用)。text フィールドも指定する必要があります。
  • text:前のターンの大規模言語モデルからの応答 (ロールが assistant の場合に使用)。text フィールドも指定する必要があります。
textstring必須

テキストコンテンツ。type が input_text の場合は、前のターンのユーザー発話の認識結果またはドメイン固有の単語リストを入力します。type が text の場合は、前のターンの大規模言語モデルからの応答を入力します。

基本リクエスト

{
  "header": {
    "action": "run-task",
    "task_id": "3d30b8aa-8859-46ef-a65a-32cf5a9f0ca4",
    "streaming": "duplex"
  },
  "payload": {
    "task_group": "audio",
    "task": "asr",
    "function": "recognition",
    "model": "qwen-audio-3.1-asr-flash-streaming",
    "parameters": {
      "format": "pcm",
      "sample_rate": 16000
    },
    "input": {}
  }
}
{
  "header": {
    "task_id": "3d30b8aa-8859-46ef-a65a-32cf5a9f0ca4",
    "task_uuid": "f32fbf86736e4c279b5d133bff74b657",
    "event": "task-started",
    "attributes": {}
  },
  "payload": {}
}

コンテキスト付き

{
  "header": {
    "action": "run-task",
    "task_id": "298e51eb-e65c-4b96-8528-e219bc39828b",
    "streaming": "duplex"
  },
  "payload": {
    "task_group": "audio",
    "task": "asr",
    "function": "recognition",
    "model": "qwen-audio-3.1-asr-flash-streaming",
    "parameters": {
      "format": "pcm",
      "sample_rate": 16000
    },
    "input": {
      "context": [
        {
          "role": "user",
          "content": [
            {
              "type": "input_text",
              "text": "We were discussing the quarterly report."
            }
          ]
        },
        {
          "role": "assistant",
          "content": [
            {
              "type": "text",
              "text": "Please send the quarterly report to the project lead."
            }
          ]
        }
      ]
    }
  }
}
{
  "header": {
    "task_id": "298e51eb-e65c-4b96-8528-e219bc39828b",
    "task_uuid": "08ae60851e4348568232238b3b1303a9",
    "event": "task-started",
    "attributes": {}
  },
  "payload": {}
}

即時ホットワード

{
  "header": {
    "action": "run-task",
    "task_id": "4c80fbba-c6ae-4695-b06e-d1ba97da97ad",
    "streaming": "duplex"
  },
  "payload": {
    "task_group": "audio",
    "task": "asr",
    "function": "recognition",
    "model": "qwen-audio-3.1-asr-flash-streaming",
    "parameters": {
      "format": "pcm",
      "sample_rate": 16000,
      "vocabulary": {
        "quarterly report": 5,
        "project": 5
      }
    },
    "input": {}
  }
}
{
  "header": {
    "task_id": "4c80fbba-c6ae-4695-b06e-d1ba97da97ad",
    "task_uuid": "dbebf8f95ed64a28b8d790bf0ca87476",
    "event": "task-started",
    "attributes": {}
  },
  "payload": {}
}

finish-task

すべての音声データの送信後、クライアントは finish-task イベントを送信して音声入力の完了をサーバーに通知し、タスクの終了を要求します。

重要finish-task の送信後も、task-finished を受信するまで残りの認識結果を受信してください。 task_id は run-task と同じ値にします。

headerobject必須
actionstring必須

コマンドの種類であり、 finish-task に設定します。

task_idstring必須

クライアントが生成したタスク ID (UUID 形式) で、run-task イベントの task_id と一致する必要があります。

streamingstring必須

duplex に設定します。

payloadobject必須
inputobject必須

{} に設定します。

{
  "header": {
    "action": "finish-task",
    "task_id": "3d30b8aa-8859-46ef-a65a-32cf5a9f0ca4",
    "streaming": "duplex"
  },
  "payload": {
    "input": {}
  }
}
{
  "header": {
    "task_id": "3d30b8aa-8859-46ef-a65a-32cf5a9f0ca4",
    "event": "task-finished",
    "attributes": {}
  },
  "payload": {
    "output": {},
    "usage": {
      "duration": 4,
      "input_tokens": 50,
      "output_tokens": 13,
      "total_tokens": 63
    }
  }
}