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 / Fun-ASR Java SDK

最終更新日:Nov 19, 2026

前提条件

サービスが有効化されており、「API キーの取得」が完了していること。コード漏洩によるセキュリティリスクを防ぐため、コードにハードコーディングするのではなく、「API キーを環境変数として設定」してください。

クイックスタート

以下の呼び出し例を共用できます。表に従ってモデル ID を置き換えてください。

モデルサンプルのモデル ID
Qwen-Audio-ASR-Streamingqwen-audio-3.0-asr-flash-streaming
Qwen-Audio-ASR-Messageqwen-audio-3.1-asr-flash-message
Fun-ASR-Realtimefun-asr-realtime

Recognition クラスは、同期呼び出しと双方向ストリーミング呼び出しの両方のインターフェイスを提供します。ニーズに合ったアプローチを選択してください:

  • 同期呼び出し:ローカルファイルを認識し、完全な結果を一度に返します。録音済みの音声を処理するのに最適です。
  • 双方向ストリーミング呼び出し:音声ストリームを直接認識し、リアルタイムで結果を返します。音声ストリームは、マイクなどの外部デバイスから取得することも、ローカルファイルから読み取ることもできます。即時のフィードバックが必要なシナリオに最適です。

同期呼び出し

ローカルファイルを渡すことで、単一のリアルタイム音声認識タスクを送信し、認識結果を同期的に取得します。この呼び出しは、結果が返されるまでブロックされます。

Recognition クラスをインスタンス化し、call メソッドを呼び出してリクエストパラメーターと認識するファイルをバインドします。このメソッドは認識を実行し、最終結果を返します。

import com.alibaba.dashscope.audio.asr.recognition.Recognition;
import com.alibaba.dashscope.audio.asr.recognition.RecognitionParam;
import com.alibaba.dashscope.utils.Constants;

import java.io.File;

public class Main {
    public static void main(String[] args) {
        // 以下はシンガポールリージョンの設定です。呼び出す際は、"{WorkspaceId}" を実際のワークスペース ID に置き換えてください。設定はリージョンによって異なります。
        Constants.baseWebsocketApiUrl = "wss://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api-ws/v1/inference";
        // Recognition インスタンスを作成
        Recognition recognizer = new Recognition();
        // RecognitionParam を作成
        RecognitionParam param =
                RecognitionParam.builder()
                        .model("qwen-audio-3.0-asr-flash-streaming")
                        // API キーはシンガポールリージョンと北京リージョンで異なります。API キーの取得:https://www.alibabacloud.com/help/ja/model-studio/get-api-key
                        // 環境変数を設定していない場合は、次の行を Model Studio の API キーに置き換えてください:.apiKey("sk-xxx")
                        .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                        .format("wav")
                        .sampleRate(16000)
                        .build();

        try {
            System.out.println("Recognition result: " + recognizer.call(param, new File("{YOUR_AUDIO_FILE}")));
        } catch (Exception e) {
            e.printStackTrace();
        } finally {
            // タスク完了後、WebSocket 接続を閉じる
            recognizer.getDuplexApi().close(1000, "bye");
        }
        System.out.println(
                "[Metric] requestId: "
                        + recognizer.getLastRequestId()
                        + ", first package delay ms: "
                        + recognizer.getFirstPackageDelay()
                        + ", last package delay ms: "
                        + recognizer.getLastPackageDelay());
        System.exit(0);
    }
}

双方向ストリーミング呼び出し:コールバックベース

単一のリアルタイム音声認識タスクを送信し、コールバックインターフェイスを実装することでリアルタイムの認識結果をストリーミングします。

  1. ストリーミング音声認識の開始

    Recognition クラスをインスタンス化し、call メソッドを呼び出してリクエストパラメーターとコールバックインターフェイス (ResultCallback) をバインドし、ストリーミング音声認識を開始します。

  2. 音声のストリーミング

    Recognition クラスの sendAudioFrame メソッドをループで呼び出し、バイナリ音声ストリームをセグメントに分けてサーバーに送信します。音声はローカルファイルまたはマイクなどのデバイスから読み取ります。

    音声データが送信されている間、サーバーはコールバックインターフェイス (ResultCallback) の onEvent メソッドを通じて、リアルタイムで認識結果をクライアントに返します。

    フレームごとに約 100 ms の音声を送信し、各ペイロードを 1 KB から 16 KB の間に保ちます。

  3. プロセスの終了

    Recognition クラスの stop メソッドを呼び出して、音声認識を終了します。

    このメソッドは、コールバックインターフェイス (ResultCallback) の onComplete または onError コールバックがトリガーされるまで現在のスレッドをブロックし、その時点でスレッドが解放されます。

import com.alibaba.dashscope.audio.asr.recognition.Recognition;
import com.alibaba.dashscope.audio.asr.recognition.RecognitionParam;
import com.alibaba.dashscope.audio.asr.recognition.RecognitionResult;
import com.alibaba.dashscope.common.ResultCallback;
import com.alibaba.dashscope.utils.Constants;

import javax.sound.sampled.AudioFormat;
import javax.sound.sampled.AudioSystem;
import javax.sound.sampled.TargetDataLine;

import java.nio.ByteBuffer;
import java.util.concurrent.ExecutorService;
import java.util.concurrent.Executors;
import java.util.concurrent.TimeUnit;

public class Main {
    public static void main(String[] args) throws InterruptedException {
        // 以下はシンガポールリージョンの設定です。呼び出す際は、"{WorkspaceId}" を実際のワークスペース ID に置き換えてください。設定はリージョンによって異なります。
        Constants.baseWebsocketApiUrl = "wss://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api-ws/v1/inference";
        ExecutorService executorService = Executors.newSingleThreadExecutor();
        executorService.submit(new RealtimeRecognitionTask());
        executorService.shutdown();
        executorService.awaitTermination(1, TimeUnit.MINUTES);
        System.exit(0);
    }
}

class RealtimeRecognitionTask implements Runnable {
    @Override
    public void run() {
        RecognitionParam param = RecognitionParam.builder()
                .model("qwen-audio-3.0-asr-flash-streaming")
                // API キーはシンガポールリージョンと北京リージョンで異なります。API キーの取得:https://www.alibabacloud.com/help/ja/model-studio/get-api-key
                // 環境変数を設定していない場合は、次の行を Model Studio の API キーに置き換えてください:.apiKey("sk-xxx")
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .format("pcm")
                .sampleRate(16000)
                .build();
        Recognition recognizer = new Recognition();

        ResultCallback<RecognitionResult> callback = new ResultCallback<RecognitionResult>() {
            @Override
            public void onEvent(RecognitionResult result) {
                if (result.isSentenceEnd()) {
                    System.out.println("Final Result: " + result.getSentence().getText());
                } else {
                    System.out.println("Intermediate Result: " + result.getSentence().getText());
                }
            }

            @Override
            public void onComplete() {
                System.out.println("Recognition complete");
            }

            @Override
            public void onError(Exception e) {
                System.out.println("RecognitionCallback error: " + e.getMessage());
            }
        };
        try {
            recognizer.call(param, callback);
            // オーディオフォーマットを作成
            AudioFormat audioFormat = new AudioFormat(16000, 16, 1, true, false);
            // フォーマットに基づいてデフォルトの録音デバイスを照合
            TargetDataLine targetDataLine =
                    AudioSystem.getTargetDataLine(audioFormat);
            targetDataLine.open(audioFormat);
            // 録音を開始
            targetDataLine.start();
            ByteBuffer buffer = ByteBuffer.allocate(1024);
            long start = System.currentTimeMillis();
            // 50秒間録音し、リアルタイムで文字起こしを実行
            while (System.currentTimeMillis() - start < 50000) {
                int read = targetDataLine.read(buffer.array(), 0, buffer.capacity());
                if (read > 0) {
                    buffer.limit(read);
                    // 録音した音声データをストリーミング認識サービスに送信
                    recognizer.sendAudioFrame(buffer);
                    buffer = ByteBuffer.allocate(1024);
                    // 録音レートは制限されています。過剰な CPU 使用を防ぐために短時間スリープします
                    Thread.sleep(20);
                }
            }
            recognizer.stop();
        } catch (Exception e) {
            e.printStackTrace();
        } finally {
            // タスク完了後、WebSocket 接続を閉じる
            recognizer.getDuplexApi().close(1000, "bye");
        }

        System.out.println(
                "[Metric] requestId: "
                        + recognizer.getLastRequestId()
                        + ", first package delay ms: "
                        + recognizer.getFirstPackageDelay()
                        + ", last package delay ms: "
                        + recognizer.getLastPackageDelay());
    }
}
import com.alibaba.dashscope.api.GeneralApi;
import com.alibaba.dashscope.audio.asr.recognition.Recognition;
import com.alibaba.dashscope.audio.asr.recognition.RecognitionParam;
import com.alibaba.dashscope.audio.asr.recognition.RecognitionResult;
import com.alibaba.dashscope.base.HalfDuplexParamBase;
import com.alibaba.dashscope.common.GeneralListParam;
import com.alibaba.dashscope.common.ResultCallback;
import com.alibaba.dashscope.protocol.GeneralServiceOption;
import com.alibaba.dashscope.protocol.HttpMethod;
import com.alibaba.dashscope.protocol.Protocol;
import com.alibaba.dashscope.protocol.StreamingMode;
import com.alibaba.dashscope.utils.Constants;

import java.io.FileInputStream;
import java.nio.ByteBuffer;
import java.nio.file.Path;
import java.nio.file.Paths;
import java.time.LocalDateTime;
import java.time.format.DateTimeFormatter;
import java.util.concurrent.ExecutorService;
import java.util.concurrent.Executors;
import java.util.concurrent.TimeUnit;

class TimeUtils {
    private static final DateTimeFormatter formatter =
            DateTimeFormatter.ofPattern("yyyy-MM-dd HH:mm:ss.SSS");

    public static String getTimestamp() {
        return LocalDateTime.now().format(formatter);
    }
}

public class Main {
    public static void main(String[] args) throws InterruptedException {
        // 以下はシンガポールリージョンの設定です。呼び出す際は、"{WorkspaceId}" を実際のワークスペース ID に置き換えてください。設定はリージョンによって異なります。
        Constants.baseWebsocketApiUrl = "wss://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api-ws/v1/inference";
        // 実際のアプリケーションでは、このメソッドはプログラムの最初に一度だけ実行すればよく、複数回実行する必要はありません。
        warmUp();

        ExecutorService executorService = Executors.newSingleThreadExecutor();
        executorService.submit(new RealtimeRecognitionTask(Paths.get(System.getProperty("user.dir"), "{YOUR_AUDIO_FILE}")));
        executorService.shutdown();

        // すべてのタスクが完了するのを待つ
        executorService.awaitTermination(1, TimeUnit.MINUTES);
        System.exit(0);
    }

    public static void warmUp() {
        try {
            // 接続を確立するための軽量な GET リクエスト
            GeneralServiceOption warmupOption = GeneralServiceOption.builder()
                    .protocol(Protocol.HTTP)
                    .httpMethod(HttpMethod.GET)
                    .streamingMode(StreamingMode.OUT)
                    .path("assistants")
                    .build();

            warmupOption.setBaseHttpUrl(Constants.baseHttpApiUrl);
            GeneralApi<HalfDuplexParamBase> api = new GeneralApi<>();
            api.get(GeneralListParam.builder().limit(1L).build(), warmupOption);
        } catch (Exception e) {
            // プレウォーミングに失敗した場合にリトライを許可するためにフラグをリセット
        }
    }
}

class RealtimeRecognitionTask implements Runnable {
    private Path filepath;

    public RealtimeRecognitionTask(Path filepath) {
        this.filepath = filepath;
    }

    @Override
    public void run() {
        RecognitionParam param = RecognitionParam.builder()
                .model("qwen-audio-3.0-asr-flash-streaming")
                // API キーはシンガポールリージョンと北京リージョンで異なります。API キーの取得:https://www.alibabacloud.com/help/ja/model-studio/get-api-key
                // 環境変数を設定していない場合は、次の行を Model Studio の API キーに置き換えてください:.apiKey("sk-xxx")
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .format("wav")
                .sampleRate(16000)
                .build();
        Recognition recognizer = new Recognition();

        String threadName = Thread.currentThread().getName();

        ResultCallback<RecognitionResult> callback = new ResultCallback<RecognitionResult>() {
            @Override
            public void onEvent(RecognitionResult message) {
                if (message.isSentenceEnd()) {

                    System.out.println(TimeUtils.getTimestamp()+" "+
                            "[process " + threadName + "] Final Result:" + message.getSentence().getText());
                } else {
                    System.out.println(TimeUtils.getTimestamp()+" "+
                            "[process " + threadName + "] Intermediate Result: " + message.getSentence().getText());
                }
            }

            @Override
            public void onComplete() {
                System.out.println(TimeUtils.getTimestamp()+" "+"[" + threadName + "] Recognition complete");
            }

            @Override
            public void onError(Exception e) {
                System.out.println(TimeUtils.getTimestamp()+" "+
                        "[" + threadName + "] RecognitionCallback error: " + e.getMessage());
            }
        };

        try {
            recognizer.call(param, callback);
            // パスを音声ファイルのパスに置き換えてください
            System.out.println(TimeUtils.getTimestamp()+" "+"[" + threadName + "] Input file_path is: " + this.filepath);
            // ファイルを読み込み、チャンクで音声を送信
            FileInputStream fis = new FileInputStream(this.filepath.toFile());
            byte[] allData = new byte[fis.available()];
            int ret = fis.read(allData);
            fis.close();

            int sendFrameLength = 3200;
            for (int i = 0; i * sendFrameLength < allData.length; i ++) {
                int start = i * sendFrameLength;
                int end = Math.min(start + sendFrameLength, allData.length);
                ByteBuffer byteBuffer = ByteBuffer.wrap(allData, start, end - start);
                recognizer.sendAudioFrame(byteBuffer);
                Thread.sleep(100);
            }

            System.out.println(TimeUtils.getTimestamp()+" "+LocalDateTime.now());
            recognizer.stop();
        } catch (Exception e) {
            e.printStackTrace();
        } finally {
            // タスク完了後、WebSocket 接続を閉じる
            recognizer.getDuplexApi().close(1000, "bye");
        }

        System.out.println(
                "["
                        + threadName
                        + "][Metric] requestId: "
                        + recognizer.getLastRequestId()
                        + ", first package delay ms: "
                        + recognizer.getFirstPackageDelay()
                        + ", last package delay ms: "
                        + recognizer.getLastPackageDelay());
    }
}

双方向ストリーミング呼び出し:Flowable ベース

単一のリアルタイム音声認識タスクを送信し、ワークフロー (Flowable) を実装することでリアルタイムの認識結果をストリーミングします。

Flowable は、Apache 2.0 ライセンスでリリースされている、ワークフローおよびビジネスプロセス管理のためのオープンソースフレームワークです。Flowable の使用方法については、「Flowable API の詳細」をご参照ください。

Recognition クラスの streamCall メソッドを直接呼び出して認識を開始します。

streamCall メソッドは Flowable<RecognitionResult> インスタンスを返します。Flowable インスタンスの blockingForEach や subscribe などのメソッドを使用して、認識結果を処理します。各結果は RecognitionResult にラップされます。

streamCall メソッドは 2 つのパラメーターを取ります:

  • RecognitionParam インスタンス (リクエストパラメーター):モデル、サンプルレート、音声フォーマット、および音声認識に必要なその他のパラメーターを設定するために使用します。
  • Flowable<ByteBuffer> インスタンス:Flowable<ByteBuffer> 型のインスタンスを作成し、その中に音声ストリームの解析ロジックを実装します。
import com.alibaba.dashscope.audio.asr.recognition.Recognition;
import com.alibaba.dashscope.audio.asr.recognition.RecognitionParam;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.utils.Constants;
import io.reactivex.BackpressureStrategy;
import io.reactivex.Flowable;

import javax.sound.sampled.AudioFormat;
import javax.sound.sampled.AudioSystem;
import javax.sound.sampled.TargetDataLine;
import java.nio.ByteBuffer;

public class Main {
    public static void main(String[] args) throws NoApiKeyException {
        // 以下はシンガポールリージョンの設定です。呼び出す際は、"{WorkspaceId}" を実際のワークスペース ID に置き換えてください。設定はリージョンによって異なります。
        Constants.baseWebsocketApiUrl = "wss://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api-ws/v1/inference";
        // Flowable<ByteBuffer> を作成
        Flowable<ByteBuffer> audioSource =
                Flowable.create(
                        emitter -> {
                            new Thread(
                                    () -> {
                                        try {
                                            // オーディオフォーマットを作成
                                            AudioFormat audioFormat = new AudioFormat(16000, 16, 1, true, false);
                                            // フォーマットに基づいてデフォルトの録音デバイスを照合
                                            TargetDataLine targetDataLine =
                                                    AudioSystem.getTargetDataLine(audioFormat);
                                            targetDataLine.open(audioFormat);
                                            // 録音を開始
                                            targetDataLine.start();
                                            ByteBuffer buffer = ByteBuffer.allocate(1024);
                                            long start = System.currentTimeMillis();
                                            // 50秒間録音し、リアルタイムで文字起こしを実行
                                            while (System.currentTimeMillis() - start < 50000) {
                                                int read = targetDataLine.read(buffer.array(), 0, buffer.capacity());
                                                if (read > 0) {
                                                    buffer.limit(read);
                                                    // 録音した音声データをストリーミング認識サービスに送信
                                                    emitter.onNext(buffer);
                                                    buffer = ByteBuffer.allocate(1024);
                                                    // 録音レートは制限されています。過剰な CPU 使用を防ぐために短時間スリープします
                                                    Thread.sleep(20);
                                                }
                                            }
                                            // 文字起こしが終了したことを通知
                                            emitter.onComplete();
                                        } catch (Exception e) {
                                            emitter.onError(e);
                                        }
                                    })
                                    .start();
                        },
                        BackpressureStrategy.BUFFER);

        // Recognizer を作成
        Recognition recognizer = new Recognition();
        // RecognitionParam を作成し、上記で作成した Flowable<ByteBuffer> を audioFrames パラメーターに渡す
        RecognitionParam param = RecognitionParam.builder()
                .model("qwen-audio-3.0-asr-flash-streaming")
                // API キーはシンガポールリージョンと北京リージョンで異なります。API キーの取得:https://www.alibabacloud.com/help/ja/model-studio/get-api-key
                // 環境変数を設定していない場合は、次の行を Model Studio の API キーに置き換えてください:.apiKey("sk-xxx")
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .format("pcm")
                .sampleRate(16000)
                .build();

        // ストリーミング呼び出しインターフェイス
        recognizer
                .streamCall(param, audioSource)
                .blockingForEach(
                        result -> {
                            // 出力結果をサブスクライブ
                            if (result.isSentenceEnd()) {
                                System.out.println("Final Result: " + result.getSentence().getText());
                            } else {
                                System.out.println("Intermediate Result: " + result.getSentence().getText());
                            }
                        });
        // タスク完了後、WebSocket 接続を閉じる
        recognizer.getDuplexApi().close(1000, "bye");
        System.out.println(
                "[Metric] requestId: "
                        + recognizer.getLastRequestId()
                        + ", first package delay ms: "
                        + recognizer.getFirstPackageDelay()
                        + ", last package delay ms: "
                        + recognizer.getLastPackageDelay());
        System.exit(0);
    }
}

高い同時実行性呼び出し

DashScope Java SDK は、OkHttp3 のコネクションプーリングを使用して、接続を繰り返し確立するオーバーヘッドを削減します。詳細については、「高同時実行時のベストプラクティス」をご参照ください。

リクエストパラメーター

Qwen-Audio-ASR-Streaming

共通リファレンス

RecognitionParam のチェーンメソッドを使用して、モデル、サンプルレート、音声フォーマット、その他のパラメーターを設定します。設定したパラメーターオブジェクトを Recognition クラスの call/streamCall メソッドに渡します。

RecognitionParam param = RecognitionParam.builder()
  .model("qwen-audio-3.0-asr-flash-streaming")
  .format("pcm")
  .sampleRate(16000)
  //.parameter("language_hints", new String[]{"zh"})
  .build();
パラメータータイプ必須説明
modelString

はい

モデル名。
sampleRateInteger

はい

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。

formatString

はい

音声フォーマット。

有効値:

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

重要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。

keep_dialectboolean

いいえ

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。 .parameter("keep_dialect", value) で設定します。

vad_modelString

いいえ

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

VAD モデル。near_meeting_16k(近距離)または far_field_meeting_16k(遠距離、デフォルト)を指定します。 .parameter("vad_model", value) で設定します。

vocabularyIdString

いいえ

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 を渡して、リスト内のホットワードを使用します。

語彙が既知で比較的安定しており、同じ単語リストをリクエスト間で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。

vocabulary

Map<String, Integer>

いいえ

即時ホットワード。

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 に設定されます:[1, 5] の値は、値が大きくなるにつれてモデルがその単語を出力する可能性が高くなります。値 50 はスーパーホットワードを指定し、再現率を大幅に向上させますが、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。

プリコンパイルされたホットワードと一緒に設定された場合、即時ホットワードのみが有効になります。使用方法の詳細については、「即時ホットワード」をご参照ください。

vocabulary は、RecognitionParam インスタンスの parameter メソッドまたは parameters メソッドを通じて設定します:

Map<String, Integer> vocab = new HashMap<>();
vocab.put("John Smith", 5);
vocab.put("Jane Doe", 5);

RecognitionParam param = RecognitionParam.builder()
        .model("qwen-audio-3.0-asr-flash-streaming")
        .format("pcm")
        .sampleRate(16000)
        .parameter("vocabulary", vocab)
        .build();
Map<String, Integer> vocab = new HashMap<>();
vocab.put("John Smith", 5);
vocab.put("Jane Doe", 5);

Map<String, Object> parameters = new HashMap<>();
parameters.put("vocabulary", vocab);

RecognitionParam param = RecognitionParam.builder()
        .model("qwen-audio-3.0-asr-flash-streaming")
        .format("pcm")
        .sampleRate(16000)
        .parameters(parameters)
        .build();
max_sentence_silenceInteger

いいえ

セグメンテーションのための VAD 無音しきい値 (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]。

max_sentence_silence は、RecognitionParam インスタンスの parameter メソッドまたは parameters メソッドを通じて設定します:

RecognitionParam param = RecognitionParam.builder()
 .model("qwen-audio-3.0-asr-flash-streaming")
 .format("pcm")
 .sampleRate(16000)
 .parameter("max_sentence_silence", 800)
 .build();
RecognitionParam param = RecognitionParam.builder()
 .model("qwen-audio-3.0-asr-flash-streaming")
 .format("pcm")
 .sampleRate(16000)
 .parameters(Collections.singletonMap("max_sentence_silence", 800))
 .build();
multi_threshold_mode_enabledboolean

いいえ

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。

multi_threshold_mode_enabled は、RecognitionParam インスタンスの parameter メソッドまたは parameters メソッドを通じて設定します:

RecognitionParam param = RecognitionParam.builder()
 .model("qwen-audio-3.0-asr-flash-streaming")
 .format("pcm")
 .sampleRate(16000)
 .parameter("multi_threshold_mode_enabled", true)
 .build();
RecognitionParam param = RecognitionParam.builder()
 .model("qwen-audio-3.0-asr-flash-streaming")
 .format("pcm")
 .sampleRate(16000)
 .parameters(Collections.singletonMap("multi_threshold_mode_enabled", true))
 .build();
punctuation_prediction_enabledboolean

いいえ

認識結果に句読点を自動的に追加するかどうかを設定します:

  • true (デフォルト):はい。この値は変更できません。

punctuation_prediction_enabled は、RecognitionParam インスタンスの parameter メソッドまたは parameters メソッドを通じて設定します:

RecognitionParam param = RecognitionParam.builder()
 .model("qwen-audio-3.0-asr-flash-streaming")
 .format("pcm")
 .sampleRate(16000)
 .parameter("punctuation_prediction_enabled", false)
 .build();
RecognitionParam param = RecognitionParam.builder()
 .model("qwen-audio-3.0-asr-flash-streaming")
 .format("pcm")
 .sampleRate(16000)
 .parameters(Collections.singletonMap("punctuation_prediction_enabled", false))
 .build();
heartbeatboolean

いいえ

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、一定時間後に接続がタイムアウトして閉じられます。

無音音声とは、音声ファイルまたはデータストリームに音響信号が含まれていないコンテンツを指します。Audacity や Adobe Audition などの音声編集ソフトウェア、または FFmpeg などのコマンドラインツールを使用して、いくつかの方法で無音音声を生成できます。

注記このフィールドを使用するには、SDK バージョンが 2.19.1 以降である必要があります。

heartbeat は、RecognitionParam インスタンスの parameter メソッドまたは parameters メソッドを通じて設定します:

RecognitionParam param = RecognitionParam.builder()
 .model("qwen-audio-3.0-asr-flash-streaming")
 .format("pcm")
 .sampleRate(16000)
 .parameter("heartbeat", true)
 .build();
RecognitionParam param = RecognitionParam.builder()
 .model("qwen-audio-3.0-asr-flash-streaming")
 .format("pcm")
 .sampleRate(16000)
 .parameters(Collections.singletonMap("heartbeat", true))
 .build();
language_hintsString[]

いいえ

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

language_hints は、RecognitionParam インスタンスの parameter メソッドまたは parameters メソッドを通じて設定します:

RecognitionParam param = RecognitionParam.builder()
 .model("qwen-audio-3.0-asr-flash-streaming")
 .format("pcm")
 .sampleRate(16000)
 .parameter("language_hints", new String[]{"zh"})
 .build();
RecognitionParam param = RecognitionParam.builder()
 .model("qwen-audio-3.0-asr-flash-streaming")
 .format("pcm")
 .sampleRate(16000)
 .parameters(Collections.singletonMap("language_hints", new String[]{"zh"}))
 .build();
speech_noise_thresholdfloat

いいえ

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:ノイズしきい値が低下するため、ノイズが音声として認識されやすくなり、より多くのノイズが文字起こしされる可能性があります。
  • 値が +1 に近いほど:ノイズしきい値が上昇するため、音声がノイズと誤判定されやすくなり、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および検証してください。
  • 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)。

speech_noise_threshold は、RecognitionParam インスタンスの parameter メソッドまたは parameters メソッドを通じて設定します:

RecognitionParam param = RecognitionParam.builder()
 .model("qwen-audio-3.0-asr-flash-streaming")
 .format("pcm")
 .sampleRate(16000)
 .parameter("speech_noise_threshold", -0.5)
 .build();
RecognitionParam param = RecognitionParam.builder()
 .model("qwen-audio-3.0-asr-flash-streaming")
 .format("pcm")
 .sampleRate(16000)
 .parameters(Collections.singletonMap("speech_noise_threshold", -0.5))
 .build();
special_word_filterString

いいえ

音声認識中に処理する禁止用語を指定し、異なる禁止用語に対して異なる処理方法を設定することをサポートします。詳細については、「禁止用語フィルター」をご参照ください。

special_word_filter は、RecognitionParam インスタンスの parameter メソッドまたは parameters メソッドを通じて設定します:

// 1. 最も外側のオブジェクトを構築
JSONObject root = new JSONObject();
root.put("system_reserved_filter", true);

// 2. 「結果から完全に削除」設定を構築
JSONObject root1 = new JSONObject();
JSONArray array1 = new JSONArray();
array1.put("start");
array1.put("proceed");
root1.put("word_list", array1);

// 3. 「同じ長さの * に置き換え」設定を構築
JSONObject root2 = new JSONObject();
JSONArray array2 = new JSONArray();
array2.put("test");
root2.put("word_list", array2);

// 4. 組み立て
root.put("filter_with_empty", root1);
root.put("filter_with_signed", root2);

RecognitionParam param = RecognitionParam.builder()
 .model("qwen-audio-3.0-asr-flash-streaming")
 .format("pcm")
 .sampleRate(16000)
 .parameter("special_word_filter", root.toString())
 .build();
// 1. 最も外側のオブジェクトを構築
JSONObject root = new JSONObject();
root.put("system_reserved_filter", true);

// 2. 「結果から完全に削除」設定を構築
JSONObject root1 = new JSONObject();
JSONArray array1 = new JSONArray();
array1.put("start");
array1.put("proceed");
root1.put("word_list", array1);

// 3. 「同じ長さの * に置き換え」設定を構築
JSONObject root2 = new JSONObject();
JSONArray array2 = new JSONArray();
array2.put("test");
root2.put("word_list", array2);

// 4. 組み立て
root.put("filter_with_empty", root1);
root.put("filter_with_signed", root2);

RecognitionParam param = RecognitionParam.builder()
 .model("qwen-audio-3.0-asr-flash-streaming")
 .format("pcm")
 .sampleRate(16000)
 .parameters(Collections.singletonMap("special_word_filter", root.toString()))
 .build();
input

Map<String, Object>

いいえ

会話コンテキストを渡す入力オブジェクト。コンテキストは認識を助け、固有名詞の認識精度を向上させます。使用方法については、「クイックスタート」をご参照ください。

Map には、List<Map<String, Object>> 型のメッセージ配列である context キーが含まれている必要があります。各メッセージには次のフィールドが含まれます:

  • role (String, 必須):メッセージのロール。user は、以前のラウンドのユーザーの発話の認識結果またはドメイン固有の単語リストを示します。assistant は、以前のラウンドの大規模言語モデルの応答を示します。
  • content (List<Map>, 必須):メッセージのコンテンツリスト。各要素には type (String; role が user の場合は input_text、role が assistant の場合は text に設定) と text (String, テキストコンテンツ) が含まれます。

重要使用制限:input_text および text タイプのコンテキストメッセージはそれぞれ 5 つに制限されます。制限を超えた場合、最新の 5 つが保持されます。コンテキストの各ラウンドの合計テキスト長は 400 文字を超えることはできず、超過分は末尾から切り捨てられます。

重要コンテキストを渡す場合、context 内のメッセージは特定の順序に従う必要があります:コンテキストメッセージは会話ラウンドごとに配置し、各ラウンド内で user メッセージ (input_text タイプ) は対応する assistant メッセージ (text タイプ) の前に配置する必要があります。

注記このフィールドを使用するには、SDK バージョンが 2.22.23 以降である必要があります。

input は、RecognitionParam インスタンスの input メソッドを通じて設定します:

// 1. 入力構造体を構築
      Map<String, Object> userContent = new HashMap<>();
      userContent.put("type", "input_text");
      userContent.put("text", "こんにちは");

      Map<String, Object> assistantContent = new HashMap<>();
      assistantContent.put("type", "text");
      assistantContent.put("text", "こんにちは、私は Qwen です。何かお手伝いできることはありますか?");

      Map<String, Object> userMessage = new HashMap<>();
      userMessage.put("role", "user");
      userMessage.put("content", Arrays.asList(userContent));

      Map<String, Object> assistantMessage = new HashMap<>();
      assistantMessage.put("role", "assistant");
      assistantMessage.put("content", Arrays.asList(assistantContent));

      Map<String, Object> input = new HashMap<>();
      input.put("context", Arrays.asList(userMessage, assistantMessage));

      // 2. input メソッドを通じて渡す
      RecognitionParam param = RecognitionParam.builder()
       .model("qwen-audio-3.0-asr-flash-streaming")
       .format("pcm")
       .sampleRate(16000)
       .input(input)
       .build();
apiKeyString

いいえ

ご利用の API キー。

Qwen-Audio-ASR-Message

共通リファレンス

RecognitionParam のチェーンメソッドを使用して、モデル、サンプルレート、音声フォーマット、その他のパラメーターを設定します。設定したパラメーターオブジェクトを Recognition クラスの call/streamCall メソッドに渡します。

RecognitionParam param = RecognitionParam.builder()
  .model("qwen-audio-3.1-asr-flash-message")
  .format("pcm")
  .sampleRate(16000)
  .build();
パラメータータイプ必須説明
modelString

はい

モデル名。
sampleRateInteger

はい

サンプリングレート(Hz)。16000 のみをサポートします。

formatString

はい

音声フォーマット。

有効値:

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

重要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。

keep_dialectboolean

いいえ

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。 .parameter("keep_dialect", value) で設定します。

最終結果(sentence_end=true)にのみ適用され、中間結果(sentence_end=false)ではサポートされません。

vad_modelString

いいえ

VAD モデル。near_meeting_16k(近距離)または far_field_meeting_16k(遠距離、デフォルト)を指定します。 .parameter("vad_model", value) で設定します。

disfluency_removal_enabledboolean

いいえ

つなぎ言葉を除去し、出力を整えるかどうか。デフォルトは false。有効にするには true に設定します。 .parameter("disfluency_removal_enabled", value) で設定します。

intermediate_result_enabledboolean

いいえ

ストリーミング中間結果を返すかどうか。デフォルトは false。中間結果を返すには true に設定します。 .parameter("intermediate_result_enabled", value) で設定します。

vocabularyIdString

いいえ

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 を渡して、リスト内のホットワードを使用します。

語彙が既知で比較的安定しており、同じ単語リストをリクエスト間で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。

vocabulary

Map<String, Integer>

いいえ

即時ホットワード。

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 に設定されます:[1, 5] の値は、値が大きくなるにつれてモデルがその単語を出力する可能性が高くなります。値 50 はスーパーホットワードを指定し、再現率を大幅に向上させますが、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。

プリコンパイルされたホットワードと一緒に設定された場合、即時ホットワードのみが有効になります。使用方法の詳細については、「即時ホットワード」をご参照ください。

重要qwen-audio-3.1-asr-flash-message のみが即時ホットワードをサポートしています。

vocabulary は、RecognitionParam インスタンスの parameter メソッドまたは parameters メソッドを通じて設定します:

Map<String, Integer> vocab = new HashMap<>();
vocab.put("John Smith", 5);
vocab.put("Jane Doe", 5);

RecognitionParam param = RecognitionParam.builder()
        .model("qwen-audio-3.1-asr-flash-message")
        .format("pcm")
        .sampleRate(16000)
        .parameter("vocabulary", vocab)
        .build();
Map<String, Integer> vocab = new HashMap<>();
vocab.put("John Smith", 5);
vocab.put("Jane Doe", 5);

Map<String, Object> parameters = new HashMap<>();
parameters.put("vocabulary", vocab);

RecognitionParam param = RecognitionParam.builder()
        .model("qwen-audio-3.1-asr-flash-message")
        .format("pcm")
        .sampleRate(16000)
        .parameters(parameters)
        .build();
language_hintsString[]

いいえ

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

RecognitionParam の .parameter("language_hints", new String[]{"zh"}) で設定します。

最終結果(sentence_end=true)にのみ適用され、中間結果(sentence_end=false)ではサポートされません。

max_sentence_silenceInteger

いいえ

VAD の文分割の無音しきい値(ミリ秒)。発話後の無音時間がこの値を超えると、文の終了と判断します。デフォルト:800。有効範囲:[200, 6000]。

heartbeatboolean

いいえ

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、一定時間後に接続がタイムアウトして閉じられます。

無音音声とは、音声ファイルまたはデータストリームに音響信号が含まれていないコンテンツを指します。Audacity や Adobe Audition などの音声編集ソフトウェア、または FFmpeg などのコマンドラインツールを使用して、いくつかの方法で無音音声を生成できます。

注記このフィールドを使用するには、SDK バージョンが 2.19.1 以降である必要があります。

heartbeat は、RecognitionParam インスタンスの parameter メソッドまたは parameters メソッドを通じて設定します:

RecognitionParam param = RecognitionParam.builder()
 .model("qwen-audio-3.1-asr-flash-message")
 .format("pcm")
 .sampleRate(16000)
 .parameter("heartbeat", true)
 .build();
RecognitionParam param = RecognitionParam.builder()
 .model("qwen-audio-3.1-asr-flash-message")
 .format("pcm")
 .sampleRate(16000)
 .parameters(Collections.singletonMap("heartbeat", true))
 .build();
speech_noise_thresholdfloat

いいえ

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:ノイズしきい値が低下するため、ノイズが音声として認識されやすくなり、より多くのノイズが文字起こしされる可能性があります。
  • 値が +1 に近いほど:ノイズしきい値が上昇するため、音声がノイズと誤判定されやすくなり、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および検証してください。
  • 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)。

speech_noise_threshold は、RecognitionParam インスタンスの parameter メソッドまたは parameters メソッドを通じて設定します:

RecognitionParam param = RecognitionParam.builder()
 .model("qwen-audio-3.1-asr-flash-message")
 .format("pcm")
 .sampleRate(16000)
 .parameter("speech_noise_threshold", -0.5)
 .build();
RecognitionParam param = RecognitionParam.builder()
 .model("qwen-audio-3.1-asr-flash-message")
 .format("pcm")
 .sampleRate(16000)
 .parameters(Collections.singletonMap("speech_noise_threshold", -0.5))
 .build();
input

Map<String, Object>

いいえ

会話コンテキストを渡す入力オブジェクト。コンテキストは認識を助け、固有名詞の認識精度を向上させます。使用方法については、「クイックスタート」をご参照ください。

重要qwen-audio-3.1-asr-flash-message モデルのみがコンテキストパラメーターをサポートしています。

Map には、List<Map<String, Object>> 型のメッセージ配列である context キーが含まれている必要があります。各メッセージには次のフィールドが含まれます:

  • role (String, 必須):メッセージのロール。user は、以前のラウンドのユーザーの発話の認識結果またはドメイン固有の単語リストを示します。assistant は、以前のラウンドの大規模言語モデルの応答を示します。
  • content (List<Map>, 必須):メッセージのコンテンツリスト。各要素には type (String; role が user の場合は input_text、role が assistant の場合は text に設定) と text (String, テキストコンテンツ) が含まれます。

重要使用制限:input_text および text タイプのコンテキストメッセージはそれぞれ 5 つに制限されます。制限を超えた場合、最新の 5 つが保持されます。コンテキストの各ラウンドの合計テキスト長は 400 文字を超えることはできず、超過分は末尾から切り捨てられます。

重要コンテキストを渡す場合、context 内のメッセージは特定の順序に従う必要があります:コンテキストメッセージは会話ラウンドごとに配置し、各ラウンド内で user メッセージ (input_text タイプ) は対応する assistant メッセージ (text タイプ) の前に配置する必要があります。

注記このフィールドを使用するには、SDK バージョンが 2.22.23 以降である必要があります。

input は、RecognitionParam インスタンスの input メソッドを通じて設定します:

// 1. 入力構造体を構築
      Map<String, Object> userContent = new HashMap<>();
      userContent.put("type", "input_text");
      userContent.put("text", "こんにちは");

      Map<String, Object> assistantContent = new HashMap<>();
      assistantContent.put("type", "text");
      assistantContent.put("text", "こんにちは、私は Qwen です。何かお手伝いできることはありますか?");

      Map<String, Object> userMessage = new HashMap<>();
      userMessage.put("role", "user");
      userMessage.put("content", Arrays.asList(userContent));

      Map<String, Object> assistantMessage = new HashMap<>();
      assistantMessage.put("role", "assistant");
      assistantMessage.put("content", Arrays.asList(assistantContent));

      Map<String, Object> input = new HashMap<>();
      input.put("context", Arrays.asList(userMessage, assistantMessage));

      // 2. input メソッドを通じて渡す
      RecognitionParam param = RecognitionParam.builder()
       .model("qwen-audio-3.1-asr-flash-message")
       .format("pcm")
       .sampleRate(16000)
       .input(input)
       .build();
apiKeyString

いいえ

ご利用の API キー。

Fun-ASR-Realtime

共通リファレンス

RecognitionParam のチェーンメソッドを使用して、モデル、サンプルレート、音声フォーマット、その他のパラメーターを設定します。設定したパラメーターオブジェクトを Recognition クラスの call/streamCall メソッドに渡します。

RecognitionParam param = RecognitionParam.builder()
  .model("fun-asr-realtime")
  .format("pcm")
  .sampleRate(16000)
  //.parameter("language_hints", new String[]{"zh"})
  .build();
パラメータータイプ必須説明
modelString

はい

モデル名。
sampleRateInteger

はい

サンプルレート (Hz)。

有効値:8 kHz モデルは 8000 Hz のみをサポートします。その他のモデルは任意のサンプルレートをサポートします。

formatString

はい

音声フォーマット。

有効値:

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

重要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。

vocabularyIdString

いいえ

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 を渡して、リスト内のホットワードを使用します。

語彙が既知で比較的安定しており、同じ単語リストをリクエスト間で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。

max_sentence_silenceInteger

いいえ

セグメンテーションのための VAD 無音しきい値 (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:1300。

有効値:[200, 6000]。

max_sentence_silence は、RecognitionParam インスタンスの parameter メソッドまたは parameters メソッドを通じて設定します:

RecognitionParam param = RecognitionParam.builder()
 .model("fun-asr-realtime")
 .format("pcm")
 .sampleRate(16000)
 .parameter("max_sentence_silence", 800)
 .build();
RecognitionParam param = RecognitionParam.builder()
 .model("fun-asr-realtime")
 .format("pcm")
 .sampleRate(16000)
 .parameters(Collections.singletonMap("max_sentence_silence", 800))
 .build();
multi_threshold_mode_enabledboolean

いいえ

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。

multi_threshold_mode_enabled は、RecognitionParam インスタンスの parameter メソッドまたは parameters メソッドを通じて設定します:

RecognitionParam param = RecognitionParam.builder()
 .model("fun-asr-realtime")
 .format("pcm")
 .sampleRate(16000)
 .parameter("multi_threshold_mode_enabled", true)
 .build();
RecognitionParam param = RecognitionParam.builder()
 .model("fun-asr-realtime")
 .format("pcm")
 .sampleRate(16000)
 .parameters(Collections.singletonMap("multi_threshold_mode_enabled", true))
 .build();
punctuation_prediction_enabledboolean

いいえ

認識結果に句読点を自動的に追加するかどうかを設定します:

  • true (デフォルト):はい。この値は変更できません。

punctuation_prediction_enabled は、RecognitionParam インスタンスの parameter メソッドまたは parameters メソッドを通じて設定します:

RecognitionParam param = RecognitionParam.builder()
 .model("fun-asr-realtime")
 .format("pcm")
 .sampleRate(16000)
 .parameter("punctuation_prediction_enabled", false)
 .build();
RecognitionParam param = RecognitionParam.builder()
 .model("fun-asr-realtime")
 .format("pcm")
 .sampleRate(16000)
 .parameters(Collections.singletonMap("punctuation_prediction_enabled", false))
 .build();
heartbeatboolean

いいえ

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、一定時間後に接続がタイムアウトして閉じられます。

無音音声とは、音声ファイルまたはデータストリームに音響信号が含まれていないコンテンツを指します。Audacity や Adobe Audition などの音声編集ソフトウェア、または FFmpeg などのコマンドラインツールを使用して、いくつかの方法で無音音声を生成できます。

注記このフィールドを使用するには、SDK バージョンが 2.19.1 以降である必要があります。

heartbeat は、RecognitionParam インスタンスの parameter メソッドまたは parameters メソッドを通じて設定します:

RecognitionParam param = RecognitionParam.builder()
 .model("fun-asr-realtime")
 .format("pcm")
 .sampleRate(16000)
 .parameter("heartbeat", true)
 .build();
RecognitionParam param = RecognitionParam.builder()
 .model("fun-asr-realtime")
 .format("pcm")
 .sampleRate(16000)
 .parameters(Collections.singletonMap("heartbeat", true))
 .build();
language_hintsString[]

いいえ

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。

1 つの値を設定できます。複数設定した場合は、最初の値のみが有効です。

クリックしてサポートされている言語コードを表示

  • fun-asr-realtime:

    • 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
  • fun-asr-realtime-2026-02-28:

    • zh: 中国語
    • en: 英語
    • ja: 日本語
  • fun-asr-flash-8k-realtime, fun-asr-flash-8k-realtime-2026-01-28:

    • zh: 中国語

language_hints は、RecognitionParam インスタンスの parameter メソッドまたは parameters メソッドを通じて設定します:

RecognitionParam param = RecognitionParam.builder()
 .model("fun-asr-realtime")
 .format("pcm")
 .sampleRate(16000)
 .parameter("language_hints", new String[]{"zh"})
 .build();
RecognitionParam param = RecognitionParam.builder()
 .model("fun-asr-realtime")
 .format("pcm")
 .sampleRate(16000)
 .parameters(Collections.singletonMap("language_hints", new String[]{"zh"}))
 .build();
speech_noise_thresholdfloat

いいえ

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:ノイズしきい値が低下するため、ノイズが音声として認識されやすくなり、より多くのノイズが文字起こしされる可能性があります。
  • 値が +1 に近いほど:ノイズしきい値が上昇するため、音声がノイズと誤判定されやすくなり、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および検証してください。
  • 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)。

speech_noise_threshold は、RecognitionParam インスタンスの parameter メソッドまたは parameters メソッドを通じて設定します:

RecognitionParam param = RecognitionParam.builder()
 .model("fun-asr-realtime")
 .format("pcm")
 .sampleRate(16000)
 .parameter("speech_noise_threshold", -0.5)
 .build();
RecognitionParam param = RecognitionParam.builder()
 .model("fun-asr-realtime")
 .format("pcm")
 .sampleRate(16000)
 .parameters(Collections.singletonMap("speech_noise_threshold", -0.5))
 .build();
special_word_filterString

いいえ

音声認識中に処理する禁止用語を指定し、異なる禁止用語に対して異なる処理方法を設定することをサポートします。詳細については、「禁止用語フィルター」をご参照ください。

special_word_filter は、RecognitionParam インスタンスの parameter メソッドまたは parameters メソッドを通じて設定します:

// 1. 最も外側のオブジェクトを構築
JSONObject root = new JSONObject();
root.put("system_reserved_filter", true);

// 2. 「結果から完全に削除」設定を構築
JSONObject root1 = new JSONObject();
JSONArray array1 = new JSONArray();
array1.put("start");
array1.put("proceed");
root1.put("word_list", array1);

// 3. 「同じ長さの * に置き換え」設定を構築
JSONObject root2 = new JSONObject();
JSONArray array2 = new JSONArray();
array2.put("test");
root2.put("word_list", array2);

// 4. 組み立て
root.put("filter_with_empty", root1);
root.put("filter_with_signed", root2);

RecognitionParam param = RecognitionParam.builder()
 .model("fun-asr-realtime")
 .format("pcm")
 .sampleRate(16000)
 .parameter("special_word_filter", root.toString())
 .build();
// 1. 最も外側のオブジェクトを構築
JSONObject root = new JSONObject();
root.put("system_reserved_filter", true);

// 2. 「結果から完全に削除」設定を構築
JSONObject root1 = new JSONObject();
JSONArray array1 = new JSONArray();
array1.put("start");
array1.put("proceed");
root1.put("word_list", array1);

// 3. 「同じ長さの * に置き換え」設定を構築
JSONObject root2 = new JSONObject();
JSONArray array2 = new JSONArray();
array2.put("test");
root2.put("word_list", array2);

// 4. 組み立て
root.put("filter_with_empty", root1);
root.put("filter_with_signed", root2);

RecognitionParam param = RecognitionParam.builder()
 .model("fun-asr-realtime")
 .format("pcm")
 .sampleRate(16000)
 .parameters(Collections.singletonMap("special_word_filter", root.toString()))
 .build();
input

Map<String, Object>

いいえ

会話コンテキストを渡す入力オブジェクト。コンテキストは認識を助け、固有名詞の認識精度を向上させます。使用方法については、「クイックスタート」をご参照ください。

重要fun-asr-realtime モデルのみがコンテキストパラメーターをサポートしています。

Map には、List<Map<String, Object>> 型のメッセージ配列である context キーが含まれている必要があります。各メッセージには次のフィールドが含まれます:

  • role (String, 必須):メッセージのロール。user は、以前のラウンドのユーザーの発話の認識結果またはドメイン固有の単語リストを示します。assistant は、以前のラウンドの大規模言語モデルの応答を示します。
  • content (List<Map>, 必須):メッセージのコンテンツリスト。各要素には type (String; role が user の場合は input_text、role が assistant の場合は text に設定) と text (String, テキストコンテンツ) が含まれます。

重要使用制限:input_text および text タイプのコンテキストメッセージはそれぞれ 5 つに制限されます。制限を超えた場合、最新の 5 つが保持されます。コンテキストの各ラウンドの合計テキスト長は 400 文字を超えることはできず、超過分は末尾から切り捨てられます。

重要コンテキストを渡す場合、context 内のメッセージは特定の順序に従う必要があります:コンテキストメッセージは会話ラウンドごとに配置し、各ラウンド内で user メッセージ (input_text タイプ) は対応する assistant メッセージ (text タイプ) の前に配置する必要があります。

注記このフィールドを使用するには、SDK バージョンが 2.22.23 以降である必要があります。

input は、RecognitionParam インスタンスの input メソッドを通じて設定します:

// 1. 入力構造体を構築
      Map<String, Object> userContent = new HashMap<>();
      userContent.put("type", "input_text");
      userContent.put("text", "こんにちは");

      Map<String, Object> assistantContent = new HashMap<>();
      assistantContent.put("type", "text");
      assistantContent.put("text", "こんにちは、私は Qwen です。何かお手伝いできることはありますか?");

      Map<String, Object> userMessage = new HashMap<>();
      userMessage.put("role", "user");
      userMessage.put("content", Arrays.asList(userContent));

      Map<String, Object> assistantMessage = new HashMap<>();
      assistantMessage.put("role", "assistant");
      assistantMessage.put("content", Arrays.asList(assistantContent));

      Map<String, Object> input = new HashMap<>();
      input.put("context", Arrays.asList(userMessage, assistantMessage));

      // 2. input メソッドを通じて渡す
      RecognitionParam param = RecognitionParam.builder()
       .model("fun-asr-realtime")
       .format("pcm")
       .sampleRate(16000)
       .input(input)
       .build();
apiKeyString

いいえ

ご利用の API キー。

API リファレンス

共通インターフェイス

Recognition クラス

import com.alibaba.dashscope.audio.asr.recognition.Recognition; で Recognition をインポートします。その主要なインターフェイスは次のとおりです:

インターフェイス/メソッドパラメーター戻り値説明
public void call(RecognitionParam param, final ResultCallback<RecognitionResult> callback)
  • param:リクエストパラメーター
  • callback:コールバックインターフェイス (ResultCallback)

なし

コールバックベースのストリーミングリアルタイム認識。このメソッドは現在のスレッドをブロックしません。

public String call(RecognitionParam param, File file)
  • param:リクエストパラメーター
  • file:認識する音声ファイル。

認識結果。

ローカルファイルの非ストリーミング認識。このメソッドは、音声ファイル全体が読み取られるまで現在のスレッドをブロックします。ファイルは読み取り可能でなければなりません。

public Flowable<RecognitionResult> streamCall(RecognitionParam param, Flowable<ByteBuffer> audioFrame)
  • param:リクエストパラメーター
  • audioFrame:Flowable<ByteBuffer> インスタンス。

Flowable<RecognitionResult>

Flowable ベースのストリーミングリアルタイム認識。

public void sendAudioFrame(ByteBuffer audioFrame)
  • audioFrame:ByteBuffer 型のバイナリ音声ストリーム。

なし

音声を送信します。プッシュされる各音声チャンクを適切なサイズに保ちます。推奨されるチャンクは、約 100 ms の音声を保持し、サイズは 1 KB から 16 KB です。

認識結果は、コールバックインターフェイス (ResultCallback) の onEvent メソッドを通じて配信されます。

public void stop()

なし

なし

リアルタイム認識を停止します。

このメソッドは、ResultCallback コールバックの onComplete または onError が呼び出されるまで現在のスレッドをブロックします。

boolean getDuplexApi().close(int code, String reason)

code:WebSocket のクローズコード。

reason:クローズの理由。

これら 2 つのパラメーターの設定に関するガイダンスについては、「The WebSocket Protocol」をご参照ください。

true

タスクが終了した後、例外が発生したかどうかに関わらず、常に WebSocket 接続を閉じて、接続リークを回避してください。接続を再利用して効率を向上させるには、「Paraformer リアルタイム音声認識の高い同時実行性のための最適化」をご参照ください。

public String getLastRequestId()

なし

requestId

現在のタスクの requestId を取得します。call または streamingCall で新しいタスクが開始された後に利用可能です。

注記このメソッドは、SDK バージョン 2.18.0 以降でのみ利用可能です。

public long getFirstPackageDelay()

なし

最初のパケットのレイテンシ。

最初のパケットのレイテンシ、つまり最初の音声パケットを送信してから最初の認識結果を受信するまでの遅延を取得します。タスク完了後に使用します。

注記このメソッドは、SDK バージョン 2.18.0 以降でのみ利用可能です。

public long getLastPackageDelay()

なし

最後のパケットのレイテンシ。

最後のパケットのレイテンシ、つまり stop コマンドを送信してから最終的な認識結果を受信するまでの時間を取得します。タスク完了後に使用します。

注記このメソッドは、SDK バージョン 2.18.0 以降でのみ利用可能です。

コールバックインターフェイス (ResultCallback)

双方向ストリーミング呼び出し中、サーバーはコールバックを通じて主要なプロセス情報とデータをクライアントに返します。コールバックメソッドを実装して、サーバーから返された情報やデータを処理します。

抽象クラス ResultCallback を拡張してコールバックメソッドを実装します。このクラスを拡張する際、ジェネリック型を RecognitionResult に設定できます。RecognitionResult は、サーバーから返されたデータ構造をラップします。

Java は接続の再利用をサポートしているため、onClose や onOpen はありません。

ResultCallback<RecognitionResult> callback = new ResultCallback<RecognitionResult>() {
    @Override
    public void onEvent(RecognitionResult result) {
        System.out.println("RequestId: " + result.getRequestId());
        // ここに音声認識結果を処理するロジックを追加します。
    }

    @Override
    public void onComplete() {
        System.out.println("Task complete");
    }

    @Override
    public void onError(Exception e) {
        System.out.println("Task failed: " + e.getMessage());
    }
};
インターフェイス/メソッドパラメーター戻り値説明
public void onEvent(RecognitionResult result)

result:リアルタイム認識結果 (RecognitionResult)

なし

サーバーが応答を送信したときに呼び出されます。

public void onComplete()

なし

なし

タスク完了後に呼び出されます。

public void onError(Exception e)

e:例外情報。

なし

例外が発生したときに呼び出されます。

リアルタイム認識結果 (RecognitionResult)

RecognitionResult は、単一のリアルタイム認識の結果を表します。

インターフェイス/メソッドパラメーター戻り値説明
public String getRequestId()

なし

requestId

requestId を取得します。

public boolean isSentenceEnd()

なし

完全な文が形成されたかどうか、つまり文の境界が検出されたかどうか。

与えられた文が終了したかどうかを判断します。

public Sentence getSentence()

なし

文情報 (Sentence)

タイムスタンプやテキストを含む文情報を取得します。

文情報 (Sentence)

インターフェイス/メソッドパラメーター戻り値説明
public Long getBeginTime()

なし

文の開始時刻 (ms)。

文の開始時刻を返します。

public Long getEndTime()

なし

文の終了時刻 (ms)。

文の終了時刻を返します。

public String getText()

なし

認識されたテキスト。

認識されたテキストを返します。

public List<Word> getWords()

なし

単語レベルのタイムスタンプ情報 (Word) オブジェクトのリスト。

単語レベルのタイムスタンプ情報を返します。

単語レベルのタイムスタンプ情報 (Word)

インターフェイス/メソッドパラメーター戻り値説明
public long getBeginTime()

なし

単語の開始時刻 (ms)。

単語の開始時刻を返します。

public long getEndTime()

なし

単語の終了時刻 (ms)。

単語の終了時刻を返します。

public String getText()

なし

単語。

認識された単語を返します。

public String getPunctuation()

なし

句読点。

句読点を返します。

Qwen-Audio-ASR-Streaming

主要なインターフェイス

応答

Qwen-Audio-ASR-Message

主要なインターフェイス

応答

Fun-ASR-Realtime

主要なインターフェイス

応答

エラーコード

エラーが発生した場合は、「エラーコード」を参照してトラブルシューティングを行ってください。

問題が解決しない場合は、開発者コミュニティに参加して問題を報告し、詳細な調査のためにリクエスト ID を提供してください。