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
- 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。
- 音声を継続して送信しながら、result-generated を受信します。
- 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:
pcmwavmp3opusspeexaacamr
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
}
}
}