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-Realtime Node.js SDK

最終更新日:Nov 19, 2026

音声 Node.js SDK で Qwen-Audio-Realtime のセッション設定、音声の送受信、文字起こし、ツール呼び出しを行います。

前提条件

コンソールで API キーを取得し、環境変数 DASHSCOPE_API_KEY に設定します。

SDK のインストール

Node.js 18 以降が必要です。SDK 0.1.0 パッケージをダウンロードし、プロジェクトで次を実行します。

npm install ./dashscope-sdk-nodejs-0.1.0.tgz

クイックスタート

サンプル音声を input.mp3 として保存し、16 kHz、16-bit、モノラル PCM に変換します。

ffmpeg -i input.mp3 -f s16le -ac 1 -ar 16000 input.pcm

次のサンプルを example.mjs として保存し、node example.mjs を実行します。

import { readFileSync, writeFileSync } from 'node:fs'
import { setTimeout as sleep } from 'node:timers/promises'
import { RealtimeClient } from 'dashscope-sdk-nodejs/realtime'

const pcm = readFileSync('input.pcm')
const client = new RealtimeClient({
  apiKey: process.env.DASHSCOPE_API_KEY,
  workspaceId: process.env.DASHSCOPE_WORKSPACE_ID,
  baseUrl: 'dashscope-intl.aliyuncs.com',
  model: 'qwen-audio-3.1-realtime-plus',
  voice: 'longanqian_v3.1',
  turnDetection: null,
  inputTranscription: { language: 'zh' },
})
const audio = []
function fail(err) {
  console.error(err.code, err.message)
  process.exitCode = 1
  client.close()
}
const timer = setTimeout(() => fail(new Error('Response timed out')), 60000)
client.on('close', () => clearTimeout(timer))
client.on('error', fail)
client.on('audio', chunk => audio.push(chunk))
client.on('inputTranscript', ({ transcript }) => console.log('User:', transcript))
client.on('outputTranscript', ({ transcript }) => console.log('Assistant:', transcript))
client.once('sessionUpdated', () => {
  ;(async () => {
    for (let offset = 0; offset < pcm.length; offset += 3200) {
      client.appendAudio(pcm.subarray(offset, offset + 3200))
      await sleep(100)
    }
    client.commit()
    client.createResponse()
  })().catch(fail)
})
client.once('responseDone', event => {
  if (event.response?.status !== 'completed') {
    fail(new Error('Response status: ' + event.response?.status))
    return
  }
  writeFileSync('output.pcm', Buffer.concat(audio))
  client.close()
})
try {
  await client.connect()
} catch (err) {
  fail(err)
}

リクエストパラメーター

RealtimeClient のコンストラクターオプション:

パラメーター

型

必須

説明

apiKey

string

いいえ

API キー。デフォルトは DASHSCOPE_API_KEY。

workspaceId

string

いいえ

ワークスペース ID。デフォルトは DASHSCOPE_WORKSPACE_ID。

baseUrl

string

いいえ

サービスホスト名を dashscope-intl.aliyuncs.com(シンガポール)に設定します。

model

string

はい

モデル ID。

voice

string

いいえ

音色 ID。省略時はサービスのデフォルト音色を使用します。

instructions

string

いいえ

役割やスタイルなどを指定するシステム指示。

turnDetection

TurnDetection | null

いいえ

デフォルトは { type: "server_vad" }。null は手動送信です。smart_turn と smart_turn_v2 にも対応します。

modalities

Array<'text' | 'audio'>

いいえ

出力モダリティ。デフォルト:["text", "audio"]。

maxHistoryTurns

number

いいえ

履歴ターン数:[1,50]。サービスのデフォルト:20。

tools

ToolDefinition[]

いいえ

ツール定義。アプリがツールを実行し、引数を検証します。

inputTranscription

{ model?: string; language?: string } | null

いいえ

入力文字起こし設定。例:{ model: "fun-asr", language: "zh" }。null で無効化します。

sessionExtras

SessionConfig

いいえ

追加セッション設定(speech_rate、enable_search など)。対応するトップレベル設定を上書きします。フィールドはクライアントイベントを参照してください。

connectTimeoutMs

number

いいえ

接続タイムアウト(ms)。デフォルト:10000。

API リファレンス

主なメソッド

メソッド

戻り値

説明

connect()

Promise<void>

接続して設定を送信し、sessionUpdated で反映を確認します。

updateSession(session: SessionConfig)

void

セッションを更新し、sessionUpdated で確認します。

appendAudio(pcm: Buffer | Uint8Array)

void

16 kHz、16-bit、モノラル PCM を送信します。

commit()

void

手動モードで音声バッファーを確定します。

clearAudioBuffer()

void

未確定の音声バッファーを消去します。

createResponse(response?: Record<string, unknown>)

void

モデルの応答生成を要求します。

cancelResponse()

void

現在の応答をキャンセルし、セッションは維持します。

createConversationItem(item: ConversationItem, previousItemId?: string)

void

履歴やツール結果を追加します。previousItemId で挿入位置を指定します。

submitFunctionCallOutput(callId: string, output: string, autoCreateResponse?: boolean)

void

ツール結果文字列を送信します。autoCreateResponse はデフォルト true で、次の応答を要求します。

deleteConversationItem(itemId: string)

void

指定した対話項目を削除します。

retrieveConversationItem(itemId: string)

void

対話項目を照会し、event で受信します。

sendEvent(event: ClientEvent)

void

元のクライアントイベントを送信します。

close(code?: number, reason?: string)

void

セッションと WebSocket 接続を閉じます。

コールバックイベント

on(event, listener) でコールバックを登録します。全フィールドはサーバーイベントを参照してください。

イベント

ペイロード

説明

open

void

接続が確立し、初期設定が送信されました。

sessionCreated / sessionUpdated

ServerEvent

セッションの作成または設定の確認。

audio

Buffer

バイナリ音声チャンク。複数回発生する場合があります。

audioTranscriptDelta

{ delta: string }

出力音声の文字起こしの差分テキスト。

outputTranscript

{ transcript: string }

出力音声の完全な文字起こし。

textDelta / textDone

{ delta: string } / { text: string }

テキストのみのモダリティにおける差分または完全なテキスト。

inputTranscriptDelta

{ text: string; stash: string }

text は確定、stash は暫定テキストです。追記せず、両者を組み合わせて表示内容を置き換えます。

inputTranscript

{ transcript: string }

入力音声の最終的な文字起こし。

speechStarted / speechStopped

ServerEvent

ユーザー音声の開始または停止を検出しました。

responseCreated / responseDone

ServerEvent

応答の開始または終了。responseDone.response.status が completed、キャンセル、失敗のいずれかを確認します。

functionCall

{ callId: string; name: string; arguments: string }

完全なツール呼び出し引数。アプリが arguments の JSON 文字列を解析・検証します。

ambientTranscript / ambientTranscriptCompleted

{ text: string; stash: string } / { transcript: string }

環境音の現在または最終的な文字起こし。会話コンテキストには追加されません。

event

ServerEvent

元のサービス JSON メッセージ。

error

DashScopeError

接続またはサービスのエラー。

close

{ code: number; reason: string }

基になる接続の切断通知。